大型电力网络故障数据库快速数据定位模型仿真

对大型电力网络故障数据进行快速定位,对提高电力网络配电管理及故障诊断方面具有重要意义。传统的定位算法,利用故障数据库慢变包络切片对定位信息进行能量聚集,容易受到的电磁干扰,导致定位准确度不好。提出一种基于时频分析和滑动时间窗口重排的大型电力网络故障数据库的快速数据定位模型。构建大型电力网络故障数据库模型,对故障数据信息进行时频特征提取,对提取的故障数据的时频特征进行滑动时间窗口重排,实现数据的快速定位,通过特征提取和特征分类实现故障诊断。仿真结果表明,采用该模型进行大型电力网络故障数据库的故障数据定位,具有较好的抗干扰能力,实现对故障数据的快速定位,进而实现对电力网络的故障检测,检测概率高于传统算法。     

动车组电力制动气阀强振动特性分析试验研究

传统的动车组电力制动气阀强振动特性研究,采用海量振动样本特征数据聚类分析方法进行诊断与决策,受到振动数据样本采集和环境的特征的限制,振动特性分析具有不确定性,对强振动下的故障状态分类不准。提出一种基于经验模态分解下谱特征提取的动车组电力制动气阀强振动特性分析方法。首先分析动车组电力制动气阀强振动模式下的工作性能,采集得到强振动信号并进行特征分析和处理,基于经验模态分解方法进行强振动信号的谱特征提取改进,构建振动下的电力制动气阀振动特性诊断专家系统,实现振动特性决策和分析。仿真实验表明,采用该方法进行振动特征研究,能有效去除振动模式下干扰特征的影响,实现对动车组电力制动气阀强振动信号的有效谱特征分析,同时实现对故障和不稳定因素的提前预测和预防,达到有效故障诊断和预防的效果。     

适用于电力系统非平稳功率振荡信号特征提取的自适应迭代滤波算法研究

规模化新能源并网及大容量电力电子设备的应用使得电力系统功率振荡表征出很强非平稳特性。该文提出了一种适用于电力系统非平稳功率振荡信号特征提取的自适应迭代滤波算法。自适应迭代滤波算法利用Fokker-Planck方程构建滤波函数,经滤波筛选获取具有平稳特征的本征模态分量,算法具有坚实的数学基础,能够有效避免经验模态分解算法存在的模态混叠问题。首先利用自适应迭代滤波算法分解得到振荡分量,对各分量进行Hilbert变换,实现振荡特征参数的提取。测试信号、仿真信号及实测数据分析结果证明了该文方法的有效性,与经验模态分解的对比结果充分验证了该方法在电力系统非平稳功率振荡特征提取中的强适应性。     

大型电力网络数据库故障数据关联查询模型

<正>大型电力网络数据库聚集和存储大量的分布式电力电网管理系统数据,常因为通信冲突和电网节点损耗产生故障数据,对故障进行有效的查询是实现电力数据调度和故障诊断的关键。传统的大型电力网络数据库故障数据查询模型采用平均互信息关联维提取算法,当关联维特征出现独立同分布状态时。对故障数据提取性能受限,查询准确度不高。提出一种基于差分累积函数特征挖掘的大型电力网络数据库故障数据查询算法。构建大型电力网络数据库的实体模型。分析     

改进随机森林算法在电机轴承故障诊断中的应用

电机轴承状态直接影响电机运行可靠性。随机森林算法具有较强的抗噪和适应能力,广泛应用于电机轴承故障诊断中。针对随机森林中传统决策树算法在连续特征属性值数目过大时复杂度高及易过拟合等问题,基于聚类思想构造自适应滑动步长减少其分类结点数,提出改进的C4.5决策树和分类回归树算法;针对传统随机森林算法中各决策树产生错误差异小、投票方法忽略强弱分类器差异及漏报率等问题,使用不同决策树算法进行分类,并借鉴议会制思想确定各决策树等级及权重,提出一种计及漏报率的随机森林集成投票算法。为验证所提方法的通用性及有效性,采用时域特征提取法和集合经验模态分解法分别构造特征向量,并通过凯斯西储大学轴承数据中心数据集和现场诊断试验进行验证。实验结果表明,所提算法不仅适用于多种特征提取方法,且相较于传统随机森林算法和多层感知器算法在诊断准确率和漏报率方面均更具优势,为电机轴承故障诊断提供一种新思路。     

窄带模态分解算法在电力系统低频振荡特征参数辨识中的应用研究

对多模式耦合振荡分析过程中振荡特征参数提取困难的问题,本文提出了一种适用于电力系统多模式耦合功率振荡信号特征提取的窄带模态分解算法。窄带模态分解算法依据窄带信号特征构建目标函数,利用迭代重构筛选过程来代替传统优化算法,从提取多模式耦合振荡信号中的平稳窄带模态分量。本文首先利用窄带模态分解算法,提取具有平稳特征的单一模式振荡分量,进而根据低频振荡信号的数学描述,利用最小二乘法对窄带模态分量进行线性拟合,实现振荡特征参数的提取。测试信号及实测数据分析结果证明了本文方法的有效性,与经验模态分解的对比结果,充分验证了本文方法在电力系统低频振荡特征提取中的强适应性。     

决策树分类算法在发电设备状态检修中的应用研究

针对当前火力发电厂实施设备状态检修面临的问题，提出了用数据挖掘中的决策树分类算法对反映设备状态的各类指标数据进行分析，挖掘设备状态的分类规则。对如何构造设备状态训练样本集提出了可行办法，详细描述了运用SQL语言实现决策树分类算法(ID3)的具体步骤。通过实例计算验证了该算法的正确性和有效性。     

基于多维度特征提取的电弧故障检测方法

针对当前含多种电气故障的复杂电路电弧故障识别率低、训练速度慢的问题,提出一种窗口划分结合小波分解与经验模态分解(empirical mode decomposition,EMD)分别从时域、频域及时间尺度等多个维度提取电流特征量,利用机器学习分类模型进行电弧故障识别的方法.首先,利用搭建的电气故障实验平台采集故障及正常电流数据,并将电流数据进行窗口分段,然后分别使用小波变换与EMD方法对电流信号进行分解并计算不同维度上的特征量,将该特征信息作为分类算法的输入进行电弧故障诊断.经实验验证,该特征提取方法在梯度提升决策树(gradient boosting decision tree,GBDT)上的电弧故障检测准确率高达98％,相比电流不分段的方式分类准确率提升了1.87％,能有效获取电弧故障特征,实现对电弧故障高效率与高准确率检测.     

基于深度学习的发电机故障挖掘方法研究

发电机工作环境复杂,发电机的涡轮叶片在燃烧的气体作用下高速转动,电机本身容易产生故障。通过对发电机故障特征数据的挖掘,可实现故障诊断。传统方法采用支持向量机SVM故障挖掘和分类算法,解决发电机故障检测的稳定性问题,但随着故障特征的增加,故障特征相似性增强,挖掘性能下降。提出一种基于深度学习支持向量机的发电机故障挖掘算法。对发电机故障挖掘原理进行描述,构建故障数据挖掘模型,采用深度学习支持向量机对故障特征进行数据分类处理,解决发电机故障数据的相似性干扰问题,提高了故障数据挖掘和分类性能,仿真实验表明,采用该算法进行发电机故障挖掘,通过深度学习,对故障数据的特征分类性能较好,提高故障诊断能力。     

基于设备运行状态挖掘的非侵入式负荷分解方法

随着非侵入式负荷监测与用户侧智能电表的结合,基于低频电力数据实现负荷分解成为了最新的研究趋势。考虑到低频电力数据的特征,文章提出一种基于设备运行状态挖掘的非侵入式负荷分解方法。该方法首先进行负荷事件检测,并在负荷事件处提取功率特征;接着在特征平面内通过聚类算法获取表征不同类型负荷事件的聚类簇;最终采用图信号处理算法在聚类簇间挖掘设备运行状态并与数据库中的模板进行匹配实现负荷分解。算例验证了该方法事件检测和负荷分解的准确率,同时验证了在状态挖掘过程中引入设备运行周期能耗对额定功率相似设备的负荷分解具有优化效果。因此,为基于低频电力数据的非侵入式负荷分解技术研究提供了新思路。