多小波系数增强动态聚合联邦深度网络的多工况故障诊断

针对分布式场景下单节点样本有限、多节点间工况分布不平衡等导致的深度学习故障诊断精度低的问题,提出一种多小波系数增强动态聚合联邦深度网络用于分布式小样本下的多工况机械故障诊断。提出多小波系数增强动态聚合联邦深度网络的诊断框架,单终端节点从本地样本中提取小波系数特征,提出多小波系数深度网络融合的特征增强方法,局部模型从多样性小波系数集合中提取更具判别性故障特征;聚合节点通过对多终端节点局部模型的聚合以构建全局联邦深度网络模型,并用于多工况故障诊断;为降低多节点间数据非独立同分布的影响,提出平衡模型贡献度的联邦动态加权聚合算法。轴承振动数据分析结果表明,所提方法能在分布式小样本条件下实现高精度的多工况故障诊断。     

平行线路感应电压电流近似计算方法

随着配电网终端需求多样化和清洁能源的大规模接入，对区域电力负荷的准确预测变得至关重要。在电力市场化改革背景下，客户端倾向于用电信息保存在本地以确保隐私安全。利用天气数据和历史负荷数据，提出面向区域客户端隐私保护的联邦学习双向叠加循环神经网络负荷预测框架。根据短期电力负荷长序列数据之间的强关联性建立基于双向叠加循环神经网络的负荷预测模型。利用联邦平均算法构建基于联邦学习的区域负荷预测框架，将多个利用不同区域客户端负荷数据训练得到的双向叠加循环神经网络的模型进行融合，反复迭代获得全局模型。采用某市96组实时区域电力负荷公开的数据集，对该模型在区域客户端不共享负荷数据条件下的训练效果进行测试，结果表明，所构建模型具有较低的训练耗时和较高的预测精度。     

基于神经网络的变压器故障诊断

为了保障变压器在电力系统中能够安全有效的运行,提出了一种将RBF神经网络与模糊控制算法相结合对变压器进行故障诊断的方法。设计了具有6层神经网络的学习体系,并且将模糊隶属度函数引入到第2层中,加快了神经网络的学习速度。基于变压器故障的数据统计,通过对其内部的气体含量进行分析对故障类型进行分类。通过样本数据对所设计的模糊RBF神经网络进行故障诊断训练。实验结果表明,通过训练后的该模型对变压器的故障诊断具有更好的效果。     

基于加权综合损失优化深度学习和DGA的变压器故障诊断方法

为进一步提高变压器故障诊断效果,提出了一种基于加权综合损失优化深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以DGA特征量为输入,以Softmax层各故障状态概率分布为输出,基于堆栈稀疏自编码深度学习理论构建了变压器故障诊断模型。针对常规交叉熵损失函数下,变压器故障诊断效果偏低,训练样本不平衡分布影响故障诊断水平的问题,采用加权综合损失函数对深度学习模型进行优化。案例分析结果表明:相比传统方法,本文方法可削弱训练样本不对称对变压器故障诊断的不利影响并提高变压器故障诊断水平,各训练集下,本文方法故障诊断准确率可保持在90%以上。     

基于数据增强和特征注意力机制的灰狼优化算法-优化残差神经网络变压器故障诊断方法

为提高变压器故障诊断的准确性,提出一种基于数据增强和特征注意力机制的灰狼优化算法(grey wolf optimization, GWO)-残差神经网络(residual neural network, ResNet)故障诊断方法。针对变压器不平衡数据集对故障诊断模型产生的影响,利用带梯度惩罚的Wasserstein生成对抗网络(generative adversarial network with gradient penalty, WGANGP)对变压器数据进行数据增强。其次,在诊断模型的输入侧引入特征注意力机制,提升模型对平衡数据集中关键特征的敏感性。然后,为加速模型的收敛性,在训练的早期利用GWO-ResNet。最后基于某实测变压器数据集对所提出WGANGP-ATT-GWOResNet故障诊断模型的有效性进行验证。     

考虑不平衡案例样本的电力变压器故障诊断方法

针对电力变压器各故障类别间案例数量不平衡导致的神经网络等传统机器学习诊断方法准确率较低,及各故障类型之间识别效果差距大的问题,基于层次分类和集成学习的思想,构造了一种多级层次变压器故障诊断模型。该方法根据每级类别样本的不平衡程度分级建立相应的分类器,逐级深入进行诊断。第1级分类器选取神经网络,提取正常、放电故障和过热故障3种广义特征标签,并与原始参量输入进行特征融合,以引导DL/T722—2014中采用的9种更细致的状态类型分类;第2级分类器采用EasyEnsemble集成学习方法,通过欠采样生成多个数据平衡的训练子集,充分平衡了多数类和少数类故障信息,再通过并行训练子分类器合成最终分类器,避免了欠采样丢失数据信息的问题。实验结果表明:与传统诊断方法相比,所提出的方法提升了少数类故障的泛化特性,使总体准确率提升了7%,具有更准确和更平衡的电力变压器故障诊断效果。     

基于改进ACGAN样本增强的变压器故障诊断技术

基于深度学习算法的故障诊断需要足量的样本作为训练数据集.变压器故障数据匮乏将导致故障诊断准确率较低.对此,提出了一种基于辅助分类GAN的故障诊断方法.该方法引入自我注意机制,提取故障样本的全局特性,以提高生成样本的质量;并加入梯度惩罚,以提高模型收敛速度和训练稳定性.运用该方法对失衡样本进行增强扩充,并在变压器振动试验数据集上进行验证.仿真结果表明,该方法能够有效改善数据不平衡带来的影响,增强扩充后的故障诊断准确率提高了3.4％.     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出。首先通过变分自编码器对少数类训练样本进行预处理,在学习确定少数类训练样本分布特征的基础上实现训练样本自动生成,进而提高训练样本的均衡性。基于3隐层结构堆栈稀疏自编码器深度学习网络构建变压器故障诊断模型,并以经变分自编码器预处理后的均衡训练样本对诊断模型参数进行更新优化。基于实例验证了所提方法的有效性。实验结果表明,所提方法可改善训练样本不平衡的不利影响,各训练集下,采用所提方法的变压器故障诊断结果准确率均保持在91%以上,且漏报率较低。     

基于纵横交叉优化BP神经网络的变压器故障诊断研究

为提高电力变压器故障诊断的准确率,提出一种基于纵横交叉算法改进BP神经网络的故障诊断方法。该方法在BP神经网络结构的基础上,利用纵横交叉CSO算法对BP神经网络的权值和阈值进行优化,得到最优的权值和阚值向量,并将优化值代入BP神经网络训练模型中,然后利用BP神经网络的自学习功能进行训练,最终得到基于CSO-BPNN的变压器故障诊断模型。将提出的基于CSO-BPNN算法的故障诊断结果与标准BP神经网络算法故障诊断结果进行对比。测试结果表明,CSO-BPNN算法融合了CSO算法和BPNN算法的优点,能更有效地提高变压器故障诊断的识别精度,具有良好的工程实用价值。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于Transformer神经网络的变压器状态监测

电力变压器是电力系统的关键设备,为保障电力系统健康稳定运行,对电力变压器开展状态监测十分必要。提出基于Transformer神经网络的变压器状态监测方法,Transformer神经网络具有自注意力机制,能够挖掘不同特征维度之间的关联性,为变压器状态监测提供更可靠的决策能力。在进行变压器数据收集时,将采集到的数据集分为健康、亚健康、病态3个类别;之后采用原始数据、小波特征以及傅里叶特征融合的方式对数据进行预处理,增加特征维度;通过数据生成和Focal Loss的方法降低模型训练时数据不平衡带来影响,再将处理后的数据输入Transformer神经网络进行模型训练,最终利用训练好的模型预测变压器健康状态。与传统机器学习方法、卷积神经网络、长短时记忆网络相对比,所提方法预测精度有明显提升,能够准确的监测变压器设备状态,预测准确率能达到90%,是一种有效的变压器状态监测方法。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

数据驱动的航天器故障诊断研究现状及挑战

总结了基于数据驱动的故障诊断技术理论、方法及其在航天器上的应用现状,指出其面临的挑战并提出一种解决方案。将基于数据驱动的故障诊断方法按照技术发展顺序分为基于传统机器学习的方法、基于深度学习的方法以及基于迁移学习的方法。基于传统机器学习的方法需要大量的人工参与和丰富的专家经验,在小样本数据上有着优异的性能,但不适合处理大数据。在大数据背景下,重点介绍了卷积神经网络、循环神经网络、深度自编码器以及深度信念网络的基本概念以及原理,对其在航天器故障诊断领域的研究现状进行了阐述和总结。针对深度学习严重依赖于带标签数据这一问题,介绍了基于迁移学习的故障诊断技术,并提出适应航天器应用的场景,为数据驱动的故障诊断技术工程应用提供了一种方法和思路。     

基于纵向联邦学习的微电网群协同优化运行与策略进化

针对分属不同利益主体的微电网构成的微电网群在隐私保护下的协同优化运行问题，提出了一种基于联邦学习的多主体微电网群协同优化运行与策略进化方法。首先，各个微电网在本地训练自身的等值封装模型并上传至云端。然后，云端汇集各微电网的等值封装模型，进行场景推演和全局策略搜索，并下发策略至各微电网。最后，各微电网通过分布式联合训练纵向联邦神经网络学习新策略，实现在隐私保护下的微电网群协同优化运行与策略进化。不同规模微电网群协同运行的仿真结果表明，该方法实现了多主体微电网群在隐私保护下的协同优化运行，相较于独立运行、非合作博弈以及多智能体深度强化学习方法，提升了微电网群整体的经济效益，并保证了各参与方利益的合理分配。     

基于蚁群算法的变压器故障诊断方法研究

针对目前电力变压器故障诊断方法中的不足,提出了蚁群算法优化的神经网络故障诊断方法。充分利用蚁群算法的全局优化和启发式寻优能力,对神经网络连接权值进行优化,再利用神经网络的非线性处理及自学习能力对变压器故障样本进行训练,并仿真测试。实验结果表明,与传统故障诊断方法相比,该算法有效避免了陷入局部极小和诊断正确率不高等问题,大大减少了训练时间,提高了故障诊断效率,更能准确地反映变压器的实际故障。     

基于循环神经网络和蝙蝠算法的变压器故障诊断

进行变压器故障诊断时,电力变压器的故障类型和故障特征往往存在着强非线性的函数关系。然而,基于循环神经网络的电力变压器故障诊断模型一般会出现故障类型诊断不清晰、收敛速度慢等问题。针对上述问题,本文提出一种采用循环神经网络和蝙蝠算法相结合的电力变压器故障诊断模型。该模型通过循环神经网络首先建立初步的故障诊断模型,然后基于蝙蝠算法优化循环神经网络的参数。通过仿真验证,基于循环神经网络和蝙蝠算法的变压器故障诊断模型具备收敛性好、故障诊断准确率高等特点。     

基于深度自编码网络的电力变压器故障诊断

基于深度自编码网络(DAEN),构建了分类深度自编码网络(CDAEN)模型。结合电力变压器在线监测油中溶解气体分析(DGA)数据,提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练,优化模型参数,并利用少量有标签样本进行微调。实例分析表明,与基于反向传播神经网络(BPNN)、支持向量机(SVM)的故障诊断方法相比,所提方法的诊断正确率更高。     

神经网络应用于电力变压器故障诊断

将电力变压器油气分析法作为检测数据来源，利用神经网络这一强有力的故障诊断工具，有效地诊断电力变压内部故障。仿真结果表明，用神经网络诊断变压器故障具有更加优秀的性能。文中，作者采用的ＢＰ网络模型及算法，并对网络训练过程中一些技巧问题进行了讨论。