电梯智能控制系统的PLC开发

分析了电梯的功能，对电梯的智能化控制过程进行了详细的设计，最后给出了PLC控制的状态流程图。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

考虑客户画像和能量枢纽的配电网多目标抢修重构模型

随着大规模风电以及能量枢纽接入配电网,配电网故障后抢修重构面临新挑战,提出一种考虑客户画像和能量枢纽的配电网多目标多故障抢修重构模型。通过对配电网用电客户多因素精准画像,确定权重,建立兼顾客户画像和能量枢纽的配电网多目标抢修重构模型,提出一种改进NSGA-II算法以适应对模型求解,从而获得Pareto解集,并利用模糊最大满意度进行决策。算例仿真表明所提模型正确有效,与传统模型相比更加精细而客观。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

基于卷积神经网络的直线同步电动机电枢绕组故障诊断

通过绕组函数理论对直线同步电动机进行分析,提出一种基于卷积神经网络(CNN)的直线同步电动机故障诊断方法。从直线同步电动机的数学模型出发,基于绕组函数理论对电动机正常状态和匝间短路故障状态进行仿真,对电流波形图进行快速傅里叶变换(FFT)得到不同状态的数据集。利用CNN中的GoogLeNet网络结构,在保持网络空间维度的同时不增加故障诊断的计算量。将数据集输入到网络模型进行故障诊断,仿真结果表明GoogLeNet网络结构对直线同步电动机电枢绕组的短路故障识别率达到了96.5%以上。     

基于电流变化的环状直流配电网故障定位方法

针对现有故障测距方法无法同时对单极接地故障和极间故障进行定位,以及利用电容放电阶段进行故障定位时忽略了多端换流站都会对故障点注入电流等问题,提出一种利用故障线路上的全电流分量对多端柔性直流配电网进行故障定位的方法。通过联立与故障点相邻两网孔的电压方程,从算法上解决了过渡电阻对求解故障位置的影响。在simulink中搭建6端环状模型对所提方法进行仿真,结果验证所提方法可以在发生线路故障时能快速识别故障并进行可靠定位,满足直流配电网的故障测距要求。     

基于高频暂态稀疏测量的复杂直流配电网故障定位

为了解决直流配电网中高速通信测量点不足、故障特征复杂等导致的故障定位精度差的问题,提出了一种适用于复杂直流配电网的新型直流极间短路故障定位算法。首先,根据高频瞬态电流环路,构建含有电平转换器和DC/DC转换器的高频阻抗等效模型为故障过程提供稳定的阻抗值。其次,利用BCS理论推导与稀疏测量点相对应的节点高频暂态电压方程。最后,结合节点高频瞬态电压方程和贝叶斯压缩感知理论,求解节点高频瞬态电流稀疏矢量实现故障定位。实验结果表明:所提算法对测量点的数量要求较低,不需要严格同步地测量数据,且不受转换器的控制策略和过渡电阻影响,具有较高的故障定位准确性。     

基于热电联产的汽轮机组油膜振荡故障诊断系统设计

常规振荡故障诊断系统,采集振荡信号噪声较大,导致诊断的故障类别信任度较低。针对这一问题,提出基于热电联产的汽轮机组油膜振荡故障诊断系统。耦合热电联产生产方式,循环汽轮机组多余排汽,通过排汽热量增加系统发电量完成硬件设计;采用小波包降噪算法,消除采集振荡信号噪声,分解信号各个时刻和频带,排序频带内时域子信号能量值,构成故障信号特征向量,输入神经网络,训练后输出振荡故障诊断模式完成软件设计。采集满负荷、最小负荷、噪声条件下的油膜振荡信号,设置对比实验,结果表明,所设计系统提高了故障诊断信任度,故障诊断结果更为准确可靠。     

基于MODWT和BP神经网络的微电网故障诊断方法

近年来,随着微电网技术的持续发展,电力用户对其供电可靠性的要求也不断提高,因此微电网故障诊断研究也变得越来越重要。提出了一种基于极大重叠离散小波变换(MODWT)和反向传播(BP)神经网络的微电网故障诊断新方法,并通过仿真与算例进行了验证。结果表明:该方法能快速、准确地识别出故障类型,且不受故障初始相位角和过渡电阻等因素的影响;与现有的基于离散小波变换和反向传播神经网络的诊断方法相比所提出的方法可以提供更好的故障分类精度。     

面向工业平稳/非平稳复杂系统的在线故障监测技术

针对复杂系统中关键性能指标（KPI）相关故障检测方法检测精度低的问题,提出基于双层改进潜结构投影（DL-IPLS）的KPI相关故障检测方法. 利用协整分析和主元分析建立底层模型,对非平稳和平稳变量进行特征提取. 将提取的信息进行融合,建立改进潜结构投影的上层模型,根据融合信息对KPI的贡献进行空间分解. 在2个正交子空间中设计统计量,实现KPI相关故障的在线监测. 田纳西-伊斯曼过程和青霉素发酵过程的仿真结果表明,在面向工业平稳和非平稳复杂工业系统检测时,所提方法有效提高了KPI相关故障的检测率,降低了KPI无关故障的误报率.