基于智能电表海量数据的台区运行态势分析与应用

随着智能电网的快速推进,配网智能化水平越来越高。用户智能电表的覆盖率逐年提升,利用用户智能电表每十五分钟一次采集形成的海量数据,辅以公变终端运行数据,从低压台区线损、故障、网架分析三个视角入手开展台区运行态势分析和应用。通过精益化线损分析,研判线损异常的原因,对配网变户一致性进行研判,对智能装置数据准确性进行评价;通过低压台区回路阻抗模型计算,利用阻抗值实现了配网异常情况的预判和网架阻抗评估;通过配网故障研究分析,及时实现不同类型故障的准确主动研判,进一步提升供电服务“最后一公里”服务效率。本文通过深入挖掘智能电网领域大数据价值,促进业务创新、绩效提升,细化客户分类,满足智能化、多样化用电需要,提升配电网感知度。     

基于海量数据挖掘的配网单相接地故障自动定位方法

配网单相接地故障发生后，提出了基于海量数据挖掘的配网单相接地故障自动定位方法。根据配网的接线结构和故障原理，设置单相接地故障的评判依据。利用海量数据挖掘技术，从电压和电流两个方面自动收集配网运行数据。针对存在单相接地故障的配网，启动故障定位程序，通过故障选线、测距等步骤，得出可视化的配网单相接地故障自动定位结果。通过实测得出结论：在低压、中压及高压环境下，优化设计故障定位方法的选线错误率和测距误差均低于预设值，即优化设计的定位方法具有良好的定位精度。     

基于物联网的电网暂降故障节点智能定位系统设计

电网中各类敏感负荷投入使用,电能质量要求与日俱增,影响用电设备正常运行的主要电能质量问题是因短路故障造成的电压暂降,为使电网故障得到及时处理,降低经济损失,提升供电可靠性,本文以物联网为技术背景,设计一种电网暂降故障节点智能定位系统.经仿真实验证明,当各种线路上均存在单相对地、相间、两相对地以及三相短路故障种类时,本文系统能够精准定位各种情况下的暂降故障节点,且定位距离偏差较小,具有较好的有效性与实践性.     

基于自适应遗传算法的智能电网继电保护故障识别

为降低非线性结构智能电网系统中多源信息丢失或畸变问题、提高系统隐形故障的识别精度,提出了一种基于自适应遗传算法的多源信息融合技术,以实现对智能电网隐形故障识别。根据电网结构形成故障识别编码,由保护动作信息与设备状态期望关系建立适应度函数和状态期望值,提升采集信息的容错性能;利用遗传算法的交叉、变异计算,提升算法的寻优能力。通过建立的仿真模型进行算法验证。验证结果表明:采用该算法能有效克服多源信息的缺失和错误对隐形故障识别的影响。该算法进行了设备状态和动作信息的关联,由遗传算法进一步提升故障识别的最优解能力,对于后期建立智慧电网的实时故障诊断具有参考价值。     

基于BP神经网络的电网故障定位

为解决断路器的误动或拒动以及遥信因通道退出而产生的信息缺失以及短时间上传的含有畸变信息的筛选等问题,本文采取了人工智能处理畸变信息的方法,利用BP神经网络人工智能技术处理非线性问题及容错性强的能力,对电网故后上传的初始信息进行处理,过滤畸变或缺失信息,进而快速准确地定位故障元件,以辅助调控运行人员正确决策.本文以BP神...     

空调生产线现场故障产品的快速智能筛选

空调生产线现场风机、压缩机等关键模块经过整机装配，需要通电运行以完成各个质量检测工序，此时可以通过是否有异常声音来快速判断产品是否有问题。但在家电企业的生产和检测线上，由于背景噪声复杂、多种声音的混合干扰使得人工检测异常音存在漏检、误检的问题。针对实际需求，提出将隔声舱用于空调生产线上产品的快速检测，同时根据空调厂家提供的正常声音和异常音，在时域、频域和时频域联合分析的基础上，提出了采用美尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)进行异音检测的方案，通过对24个美尔滤波器中的微弱特征进行筛选处理，能够实时在线进行异常音检测。经过实测数据的检验，所采用的处理方法快速有效，正确率高，实现成本低，不需要繁琐的处理。     

基于定位故障功能的电网故障诊断反向推理方法的探究

为了更好地为调度人员提供可靠且全面的决策支持,本文针对某可疑故障设备,以SCADA数据和故障录波数据为基础,采用反向推理方法,研究并开发了定位故障设备功能。实现了故障准确定位的功能。以某电网实际数据为例,验证了该方法的可行性和有效性。     

基于网络拓扑结构的智能故障定位系统设计与实现

故障管理是网络管理的一个重要组成部分。故障在网络运行中不可避免,一旦故障发生,会在网络中传播。智能故障定位是实现网络故障管理自动化的关键。文章介绍了一个基于网络拓扑结构的智能故障定位系统的设计与实现,主要包括总体功能设计、智能故障定位算法的设计与实现等。     

基于机器学习的电力系统暂态故障事件智能识别方法

为了在电力系统不同故障位置、故障时刻和噪声环境中准确识别暂态故障类型,提出基于机器学习的电力系统暂态故障事件智能识别方法。将暂态故障结构特征值作为量子粒子群优化径向基神经网络模型的输入向量,通过选取合适的参数编码策略、适应度函数以及终止条件,输出优化后径向基神经网络最优参数,完成故障事件智能识别。仿真实验结果表明,该方法采用量子粒子群优化算法（QPSO）优化径向基函数（RBF）神经网络可以获取最佳训练参数,训练时间为3.561s,训练误差为0.000 257 7,可在不同故障位置、故障时刻和噪声环境下正确识别暂态故障类型,且识别效率优势显著。     

基于鲁棒主成分分析的智能电网虚假数据注入攻击

基于主成分分析（PCA）的盲攻击策略仅对具有高斯噪声的测量数据有效,在存在异常值的情况下,上述攻击策略将被传统的坏数据检测模块检测。针对异常值存在的问题,提出一种基于鲁棒主成分分析（RPCA）的盲攻击策略。首先,攻击者收集含有异常值的测量数据;然后,通过基于交替方向法（ADM）的稀疏优化技术从含有异常值的测量数据中分离出异常值和真实的测量数据;其次,对真实测量数据进行PCA,得到系统的相关信息;最后,利用获得的系统信息构造攻击向量,并根据得到的攻击向量注入虚假数据。该攻击策略在IEEE 14-bus系统上进行了测试,实验结果表明,在异常值存在的情况下,传统的基于PCA的攻击方法将被坏数据检测模块检测,而所提方法基于鲁棒PCA的攻击策略能够躲避坏数据检测模块的检测。该策略使得在异常值存在的情况下虚假数据注入攻击（FDIA）仍然能够成功实施。     

AI-enabled and multimodal data driven smart health monitoring of wind power systems: A case study

The development of AI has enabled the fault detection of industrial components to be achieved through the combination with deep learning. A detection method combined with deep learning has also emerged for the fault detection of fan blades, such as models based on neural networks using the appearance or sound of the blades. However, the detection model obtained from a single data type often has limitations, such as low accuracy and overfitting. This is also the problem with fan blade detection. In contrast, multimodal data fusion detection models are often more stable. The modality diversity of blade diagnosis is strong, and it can be achieved from multiple modalities such as image, sound, and vibration. To improve the accuracy of fault diagnosis of fan blades, this article proposes a multimodal double-layer detection system (MTDS) based on decision-level and feature-level fusion. The system includes a wind turbine simulation platform and a multimodal detection system. It mainly obtains different modal data of the simulated wind turbine from the image, sound, and vibration signals, including blade images through unmanned aerial vehicle photography, blade vibration signals through electronic vibrators, and blade sound signals through microphones. The highly correlated sound and vibration modal data are fused at the feature level, and a detection model based on the sound and vibration mixed mode is implemented using a sound-vibration-CNN (SV-CNN) proposed in this case. Then, a detection model of the image mode is trained based on the blade image using a Convolution Block Attention Module ResNet (CBAM-ResNet) network. Finally, the detection input of the two modal models is fed into a perceptron to obtain the final prediction result, and the decision-level fusion is implemented to achieve fan blade detection based on multimodal, namely the implementation of MTDS.     

基于TD-SCDMA的煤矿智能电力故障检测与分析系统

针对煤矿井下供电设备故障给煤矿安全生产带来很大隐患的问题,提出了一种基于TD-SCDMA技术的煤矿智能电力故障检测与分析系统。该系统通过供电检测采集系统实时采集各段母线电压、各分支电流、功率、断路器状态以及故障信息,然后通过TD-SCDMA/工业以太网络支撑系统将煤矿供配电系统各设备运行状态、运行参数、故障信息传输到智能电力故障分析系统,完成煤矿供配电系统的信息加工、分析和故障诊断与处理。应用结果表明,该系统提高了供电可靠性,为煤矿的安全生产提供了保障。     

A comparative study on classification of features by SVM and PSVM extracted using Morlet wavelet for fault diagnosis of spur bevel gear box

The condition of an inaccessible gear in an operating machine can be monitored using the vibration signal of the machine measured at some convenient location and further processed to unravel the significance of these signals. This paper deals with the effectiveness of wavelet-based features for fault diagnosis using support vector machines (SVM) and proximal support vector machines (PSVM). The statistical feature vectors from Morlet wavelet coefficients are classified using J48 algorithm and the predominant features were fed as input for training and testing SVM and PSVM and their relative efficiency in classifying the faults in the bevel gear box was compared.