基于半监督学习标签传播-极端随机树算法的光伏阵列故障诊断及定位

对光伏阵列故障进行精确诊断和定位有助于提升光伏发电系统的可靠性。针对现有的诊断方法过度依赖大量有标签样本，难以同时兼顾故障类型诊断、故障定位及低成本等问题，将多传感器法与半监督学习算法相结合，构建了一种融合标签传播算法(label propagation,LP)和极端随机树(extra-trees,ET)的半监督学习算法LP-ET。为克服工程实际故障样本较少且往往缺失故障标签的问题，搭建了光伏阵列故障仿真模型获取样本，引入LP算法，基于少量含故障类型及定位信息的有标签故障样本，实现原始故障样本集全标注；继而引入ET模型，持续构建大量决策树形成极端随机树，采用多数投票机制(Bagging)获得故障类型及定位结果。实验结果表明，所提出的LP-ET模型可以在含有大比例未标注样本数据集情况下实现短路、断路、退化及遮阴故障的较高精度诊断，兼顾单组件及多组件故障，有效解决光伏阵列故障诊断及定位问题。     

基于主动学习和最优路径森林的 管道故障分类识别方法

在工业故障分类过程中有标记样本数量少而人工标注成本高会导致分类器精度难以提高,而大量包含丰富信息的无 标记样本却没有得到充分利用。 针对上述问题,提出了一种结合主动学习(AL)和最优路径森林算法(OPF)的半监督故障分类 模型(AL-OPF)。 该方法首先利用 BvSB 和余弦相似度准则综合衡量样本的价值量,以排序批处理模式筛选价值高的样本,并 获取其标签扩充初始标记样本集,然后通过构建最优路径森林实现半监督标签传播,最后在实验室采集得到的管道故障样本集 上进行实验验证。 实验结果表明,该方法能在有标签样本为 10%的情况下达到 96. 68%的整体识别准确率,与逐个采样模式的 主动学习方法以及基于距离度量提取训练样本全局结构信息的半监督方法相比,所提出方法拥有更高的 Recall 值和 F1- score 值 关键词: 。     

基于 DBN-MPA-LSSVM 的无绝缘轨道电路故障诊断研究

针对区间无绝缘轨道电路故障类型复杂、诊断精度低等问题,从故障特征提取和特征分类两方面出发,提出了一种深度 置信网络(DBN)和海洋捕食者算法(MPA)优化最小二乘支持向量机(LSSVM)的故障诊断方法。 首先,将集中监测数据和状态 标签输入到 DBN,以半监督的方式进行降维和特征提取,从而挖掘轨道电路不同故障特征信息;然后,采用 MPA 智能算法对 LSSVM 的惩罚因子和核函数参数进行寻优并建立最优 MPA-LSSVM 诊断模型;最后,将 DBN 提取的特征样本导入诊断模型进 行轨道电路的故障分类识别。 DBN-MPA-LSSVM 诊断模型充分利用了 DBN 在特征提取过程中的逐层提取优势以及 LSSVM 在 解决小样本情况下高维模式识别的优势。 实验验证与对比分析表明,DBN-MPA-LSSVM 模型测试集准确率为 98. 33%,MPA 优 化算法较 PSO、GWO、GA 算法模型诊断准确率分别提高了 6. 11%、3. 89%、3. 33%,平均准确率为 97. 98%,为基于数据驱动的轨 道电路故障诊断技术提供了一种新的方法。     

基于DCAE-KSSELM的变压器故障诊断方法

为了充分利用变压器发生故障时产生的大量无标签样本,提高故障诊断精度,提出基于深度收缩自编码器(DCAE)与核半监督极限学习机(KSSELM)相结合的故障诊断方法。首先使用无标签样本对DCAE网络逐层训练,初始化网络参数,然后用有标签样本数据对网络参数进行微调,最后将有标签样本与无标签样本一起作为深度收缩自编码器与核半监督极限学习机(DCAE-KSSELM)混合网络的输入并完成故障诊断。实验结果表明,所提模型稳定性好,故障诊断精度高,鲁棒性强。     

基于小波和分形分析的GIS局部放电信号特征提取

结合小波包分频和分形技术原理,提出一种气体绝缘金属开关装置(GIS)局部放电信号特征的提取方法.文中指出了小波变换和分形理论相结合用于特征提取的有效性;求出不同故障类型局部放电信号的分维数,利用其大小进行特征提取;对于不能以此参数区分的放电信号,利用小波包对其进行频带分解,通过设定阈值找出不同故障类型与特征频带的分维数的相关性,从而实现故障特征提取.针对GIS局部放电的5种典型放电模型,通过试验获得大量放电样本数据,利用上述特征提取方法对其进行区分,获得了较好效果,结果表明利用小波包分形维数能够较好地进行局部放电信号特征提取.     

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。     

一种变工况下风电机组行星齿轮箱的故障诊断方法

针对现有的大多数深度迁移学习方法只能在目标转速下工作，而且在模型的训练中总是需要目标域样本的问题，研究风电机组行星齿轮箱在变工况下的故障诊断方法，设计了应用于变工况下行星齿轮箱故障诊断的深度残差半监督域泛化网络，将诊断模型推广到未知转速的故障诊断任务中。首先对振动信号进行Fast Kurtogram时频变换，生成图像并构造样本集；其次模拟实际情况，以含标签源域样本集和无标签源域样本集为输入，使用深度残差网络提取深层故障特征，并引入对抗博弈机制和基于伪标签的半监督学习方法对网络进行训练；最后根据训练后的网络搭建了域泛化故障诊断模型，利用行星齿轮箱故障诊断实验进行评估。实验结果表明，所设计的网络可以有效利用定速样本实现对未知转速样本和变速样本的故障识别，对目标域的平均识别率达到95.24%。     

基于半监督分类方法的变压器故障诊断

变压器油中溶解气体分析(DGA)是电力变压器故障诊断的重要方法。针对现有方法建立分类器时需用到大量已知类别数据而没有利用待分类数据的问题,将半监督分类(SSC)方法引入变压器故障诊断问题中,建立了一个新的变压器故障诊断模型。SSC方法在学习过程中能同时利用已知类别数据和未知类别数据,获得更多的信息,因而有更好的学习效果。采用模糊近邻标签传递的半监督分类(FNNLP-SSC)方法进行变压器故障诊断,所提方法依据样本与其K个近邻的模糊相似性连接,使类别标签从标签数据向未标签数据传递,最终实现未标签数据的分类。对故障DGA样本的诊断实例结果表明,所提FNNLP-SSC方法比模糊C均值(FCM)方法和IEC 3比值法有更高的诊断正确率,验证了所提方法在变压器故障诊断中的有效性和可行性。     

基于小波和分形分析的GIS局部放电信号特征提取

结合小波包分频和分形技术原理，提出一种气体绝缘金属开关装置(GIS)局部放电信号特征的提取方法。文中指出了小波变换和分形理论相结合用于特征提取的有效性；求出不同故障类型局部放电信号的分维数，利用其大小进行特征提取；对于不能以此参数区分的放电信号，利用小波包对其进行频带分解，通过设定阈值找出不同故障类型与特征频带的分维数的相关性，从而实现故障特征提取。针对GIS局部放电的5种典型放电模型，通过试验获得大量放电样本数据，利用上述特征提取方法对其进行区分，获得了较好效果，结果表明利用小波包分形维数能够较好地进行局部放电信号特征提取。     

基于小波去噪与随机森林的配电网高阻接地故障 半监督识别方法

针对配电网高阻接地故障识别易受噪声干扰、无标签数据难以利用的难题,提出一种基于小波去噪与随机森林的高阻接地故障半监督识别方法。区别于监督式学习方法仅利用标签数据,基于协同训练方法能够充分利用有标签数据与无标签数据。首先,使用小波阈值去噪算法消除零序电流中的噪声。其次,采用波峰波谷故障启动算法判断线路是否发生故障或扰动事件。运用小波变换提取零序电流的小波系数作为故障特征。最后,基于小波系数故障特征构建两个随机森林作为半监督分类器进行协同训练,从而实现高阻接地故障的检测识别。仿真结果表明,所提配电网高阻接地故障半监督识别方法可以充分挖掘配电网既有的故障案例中无标注数据蕴含的关键特征,从而提高故障分类准确率,具有较强的准确性和灵敏性。