基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

基于交叉验证深度置信网络的少样本柔直计量装置故障诊断方法研究

为识别柔性直流输电系统计量装置的故障,提出了一种基于深度置信网络的故障诊断方法。该方法首先从合并单元端获取、解析数据并分成训练样本和测试样本;然后将这些数据用于训练深度置信网络。最后将模型的故障诊断结果和实际样本的标签组合为一个交叉验证集合,从而测试深度置信网络性能。仿真结果表明,相比于支持向量机和BP神经网络,该文提出的基于深度置信网络的方法可以更加稳定、可靠地识别故障样本少的柔性直流计量装置的故障。     

基于深度置信网络和支持向量机的计量自动化终端故障诊断方法

传统的故障诊断方法难以发现计量自动化终端较为繁杂的故障逻辑关系,误诊、漏诊的概率极大,为此,提出了一种基于深度置信网络和支持向量机的故障诊断方法。该方法利用深度置信网络进行终端故障数据的特征提取,然后利用支持向量机对新的特征样本集合进行学习,并作为最后的故障分类器,从而提高了故障诊断效率。算例结果表明,所提出的方法提高了计量自动化终端故障诊断的准确率。     

基于AprilTag图像识别的移动机器人定位研究

气流激振故障是燃汽轮机由于工作介质引发的常见故障,针对某型燃气轮机气流激振故障,建立峰值保持降采样算法和粒子群算法优化的深度置信网络故障诊断模型。使用峰值保持降采样法对振动数据进行缩减,并以之作为深度置信神经网络的输入,降低模型训练时间,同时采取粒子群算法对深度置信网络结构参数寻优,搜索诊断性能最好的深度置信模型所对应的网络结构参数。实例结果表明,优化后的模型不仅降低模型训练时间,实现网络结构参数智能寻优,还有效实现燃气轮机气流激振故障诊断,测试准确率约为99.8%。     

电网故障诊断方法及其系统架构的研究

随着电力系统规模的不断扩大,电力系统智能化的要求越来越高,电网故障诊断已经成为电力系统研究的重点。本文结合以往先进的技术和经验,引入知识表示的方法将故障信息进行转化,构建了基于知识表示的电网故障诊断策略。采用分布式的架构建立了电网故障诊断模型,使得电网故障的诊断的效率得到有效提高。最终通过测试对系统的诊断效率和诊断的准确性进行了测试。     

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。     

基于核主成分分析和深度置信网络的暂态稳定评估

针对电力系统暂态稳定评估实时性较差以及错误率较高的问题,提出了一种核主成分分析结合深度置信网络的暂态稳定评估方法。首先,构造了一组反映电力系统暂态稳定的特征向量;然后,基于核主成分分析法对特征向量集进行特征提取,降维特征向量维数以及过滤冗余特征,将降维后的特征向量传输至深度置信网络;最后,进行训练分析,训练过程包括预训练和微调,优化网络参数,提升深度置信网络评估精度。新英格兰10机39节点系统仿真结果表明,该方法可以有效降低输入数据的维数,去除冗余特征,降低暂态稳定性评估的错误率和测试时间,能准确、快速地判断电力系统的稳态状态。     

基于深度置信网络和多维信息融合的变压器故障诊断方法

为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。     

基于机器学习的继电保护故障诊断和分类研究

为提高电力系统中继电保护装置的故障诊断效率,提出一种基于电力网络多传感器信息有监督数据集的机器学习故障分类方法.通过对集群式电力系统输电线路、电力变压器和母线故障的监测及分析,研究故障传输过程特性,构建基于故障传输特性的数据模型及符合统计特性的大规模数据集.对于故障诊断和分类研究,提出基于Fisher判别式的多类型线性判别分析(LDA)方法.针对继电保护电力系统元件故障网络形成的具有故障特性和诊断结果的数据集,利用有监督机器学习(ML)相关理论,搭建具有分类评价的继电保护故障诊断和分类方法.     

基于卷积神经网络的交直流输电系统故障诊断

随着交直流输电系统规模的不断扩大,电网结构和故障特征愈加复杂,现有故障诊断方法面对复杂电网和超大数据量时难以精准提取故障特征,急需适应性强且准确率高的电网故障诊断方法。为此提出一种基于卷积神经网络（CNN）的电网故障诊断方法。首先,通过逐层筛选、逐层增叠的网络构造方式逐步测试,其目的是为了构建充分适应于电网故障诊断的网络结构;然后,利用网络层级优化策略调整训练参数,并以交叉熵最小为目标对深层故障特征进行挖掘;最后,在MATLAB/Simulink平台上搭建交直流输电系统模型,结合t分布随机邻域嵌入（t-SNE）可解释性技术展示诊断效果,通过与传统方法对比证明所提方法能够深度挖掘故障特征且具备很高的诊断准确率。     

概率因果网络连接树算法在故障诊断中的应用

为提高飞机航电系统故障诊断效率,充分利用故障模型中的概率信息,减少故障诊断时的计算量,使用概率因果网络中的连接树算法建立故障模型,使故障节点中的信息满足全局一致性,利用逆转弧方法(AR)得到信息传递图,确定信息在节点中的传递方式,采用惰性传播及逆转弧变量消除算法(LAZY-ARVE)进行概率计算,得到最终的诊断结果。最后以飞机通信系统出现故障,接入ACARS控制组件的FMGC信号错误为例进行验证。     

基于长短期记忆网络的继电保护测试故障诊断研究

为提高智能变电站继电保护测试效率,解决数字式继电保护试验装置无法对整个测试过程中出现的故障自动进行诊断的问题,提出基于长短期记忆(Long Short-Term Memory,LSTM)网络的继电保护测试故障诊断方法.梳理了故障断面特征信息和故障类别,建立了多故障诊断模型,构建了故障诊断流程.以典型220 kV继电保护...     

基于深度学习的发电机整流器诊断系统研究

基于深度置信网络技术,使用C++编程语言设计了发电机旋转整流器故障诊断平台,实现了对故障信号特征的提取与分类。选择三级式发电机进行了实验验证,结果表明,该设计具有良好的故障诊断效果。     

基于Multi-agent的电网故障诊断系统的研究

电网故障诊断智能系统能够辅助调度人员快速判断故障元件,起到缩短事故处理时间,防止事故扩大的作用。该文提出了一种基于多Agent的电力系统实时故障诊断方法和系统结构,将多线程技术应用于A-gent的设计,并采用PROLOG与JAVA混合编程。还给出了具体实现方法以及实验结果。实验表明多Agent故障诊断方法是一种有效的电力系统诊断方法,可有效地提高诊断系统对于故障事件的反应性能,在外界环境变化较大时可自动放弃当前的诊断目标。     

基于Multi-agent的电网故障诊断系统的研究

电网故障诊断智能系统能够辅助调度人员快速判断故障元件,起到缩短事故处理时间,防止事故扩大的作用.该文提出了一种基于多Agent的电力系统实时故障诊断方法和系统结构,将多线程技术应用于Agent的设计,并采用PROLOG与JAVA混合编程.还给出了具体实现方法以及实验结果.实验表明多Agent故障诊断方法是一种有效的电力系统诊断方法,可有效地提高诊断系统对于故障事件的反应性能,在外界环境变化较大时可自动放弃当前的诊断目标.     

基于深度置信网络的双馈风机变换器开路故障诊断

双馈风机的定子与电网直接连接,转子通过转子侧变换器和网侧变换器与电网进行功率交换。变换器的电力电子开关容易发生开路故障,影响双馈风机的安全稳定运行。文中针对双馈风机常见的变换器开路故障,提出一种基于深度置信网络的故障诊断方法。首先分析了双馈风机在转子侧变换器和网侧变换器的单个和双个开关管故障下的输出响应。基于双馈风机的变换器开路故障数据,构造多层受限玻尔兹曼机结构,充分利用深度置信网络优异的模式识别能力,深度提取不同故障条件和运行工况下转子电流和网侧电流的信号特征,提高算法准确度。仿真结果表明,该故障诊断方法能够准确识别单开关和双开关的多类型复杂故障。     

基于油中溶解气监测的变压器在线半监督故障诊断方法研究

变压器是电力系统中的核心设备,其运行的可靠性直接影响着整个电力系统的稳定与安全,因此对变压器运行状态进行实时分析并进行准确的故障诊断非常重要。针对变压器运行状态数据难以收集、故障数据缺乏而导致故障分析模型泛化能力差的问题,该文提出了一种半监督流形嵌入(semi-supervised manifold embedding,SSME)学习的变压器在线故障诊断方法。该方法使用变压器油中H₂、CH₄、C₂H₆、C₂H₄和C₂H₂ 5种不同气体的浓度特征和运行状态类别的有限样本,联合大量在线监测获得的气体浓度样本数据,建立一种在线的半监督故障诊断模型来分析变压器的运行状态,该模型能在0.1s内完成700条在线监测数据的状态检测,其性能可以达到在线诊断的要求。结合实例,对所设计的变压器故障诊断模型的准确性和诊断效率进行了对比分析实验。实验结果表明,该文提出的方法的故障诊断准确率高于经典的深度置信网络(deep belief ...     

基于SVD和DBN的水电机组故障诊断

针对水电机组早期故障信号信噪比低的问题,本文将奇异值分解（SVD）和深度置信网络（DBN）相结合进行故障诊断。首先,利用包含噪声的振动信号构造Hankel矩阵,对其进行奇异值分解,采用奇异值差分谱法选取有效奇异值进行相空间重构,实现降噪的目的;然后,对降噪后的振动信号进奇异值分解,用所得的整个奇异值序列构造特征向量;最后,建立深度置信网络分类器模型,实现水电机组的故障诊断。同时,将所提方法与BP神经网络,多分类支持向量机进行对比。结果表明,本文所提方法能够更加可靠高效地识别故障类型,具有一定的应用价值。