基于EEMD及能量变化曲线的配电网故障选线

针对配电网发生单相接地故障后,各线路零序电流具有非线性和非平稳等复杂特征,提出一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和能量变化曲线相结合的配电网故障选线方法.EEMD算法本身具有较强的自适应性,可以通过数据自驱动完成信号分解,而能量曲线可以直观的对故障线路进行筛选.首先,用EEMD算法对故障后各线路零序电流进行分解;其次,提取出各线路分解后的第一固有模态函数并计算相应的能量曲线;最后,计算所构造的信心度函数,完成故障选线.通过试验算例证明,所提方法能够准确选择故障线路.     

基于变分模态分解的高压断路器合分闸线圈电流特征值提取

高压断路器合分闸线圈电流中含有大量信息,监测和分析线圈电流信号对于高压断路器故障检测和诊断意义重大。文中提出基于变分模态分解的方法提取线圈电流特征值,采用变分模态法分解断路器合分闸线圈电流信号,并对所得到的经验模态分量求其中心频率,根据频谱中峰值所对应的时间点,提取线圈电流信号的特征值。实验结果表明：使用该方法能够准确且有效地提取合分闸线圈电流信号的特征值。     

基于开关模态频率特征的船舶储能变流器故障在线检测方法

本文对船舶储能三电平BUCK-BOOST双向变流器IGBT开路故障检测方法进行研究.首先分析了三电平BUCK-BOOST双向变流器开路故障的电流响应及其特征,然后提出一种基于开关模态本征频率特征的变流器开路故障检测方法.该方法采用经验模态分解理论获取输入电流中固有的开关模态分量,通过希尔伯特变换得到开关模态频率并根据其...     

基于参数优化变分模态分解的交流变频电机转子断条故障识别方法

该文提出一种基于变分模态分解(VMD)和Park变换的交流变频电机早期转子断条故障识别方法.重点对低速状态下电机早期断条故障特征频率识别展开研究,基于电流信号特点结合萤火虫优化算法(FA)设定变分模态分解参数,进一步强化其自适应分解能力,并在此基础上获取三相电流的基频分量信息,通过Park变换检测早期故障特征.仿真与实验结果表明,该方法检测电机早期转子断条故障特征优于经验模态分解(EMD)方法,并可实现故障特征频率的早期定位,这对电机的故障辨识和预警具有重要支撑意义.     

综合高低频段分量的谐振接地系统故障选线

针对谐振接地系统单相接地故障特征提取困难、故障识别率低的问题,提出一种基于参数优化变分模态分解VMD(variational modal decomposition)的选线方法.首先,利用果蝇优化算法对变分模态分解的影响参数组合进行迭代寻优,以获取最佳分解层数K及惩罚因子α,通过优化后的变分模态分解将各馈线零序电流分解为若干个反映信号局部特性的本征模态函数.其次,通过希尔伯特(Hilbert)边际谱能量熵反映各馈线零序电流低频段衰减直流分量的含量差异度,利用曲线斜率反映各馈线高频段暂态电容分量与母线零序电压导数的线性关系,构成综合高、低频段故障特征的双重选线判据.大量Matlab/Simulink仿真结果验证了该方法在不同故障情况下选线的准确性.     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

基于经验模态分解的配电网故障定位方法

为了提高含分布式电源配电网的故障定位准确度,提出一种基于经验模态分解的配电网故障定位方法。首先应用经验模态分解故障零序电流,选用第3个本征模态函数分量;然后对第3个本征模态函数分量进行一阶差分,得到配电网故障定位特征;最后采用支持向量机对故障进行分类,并通过仿真实验测试算法的性能。仿真结果表明,本文可以快速、准确地对故障区间进行定位,而且故障定位正确率高于其他配电网故障定位方法。     

基于瞬时频率的电压源变流器开路故障检测方法研究

针对电压源变流器中功率器件的开路故障问题,通过分析变流器三相电流的固有模态分量特征,提出了一种基于瞬时频率的变流器开路故障检测方法。首先采用经验模态分解理论获取三相交流电流中的开关模态分量。然后通过希尔伯特变换得到开关模态分量的瞬时频率,利用开路故障前后开关模态分量瞬时频率特征变化对功率器件的开路故障进行检测。最后在PSCAD/EMTDC中搭建柔性直流互联系统仿真模型进行了验证。仿真结果表明,利用开关模态分量瞬时频率特征能够在几个开关周期内快速地检测出单个或多个故障功率管,而且在功率调整和潮流反转时具有较好的动态检测性能。     

基于分形理论的低压断路器三相合闸同期性振动信号特征分析

在综述现有断路器机械故障振动信号研究方法的基础上,提出了一种经验模态分解(EMD)和分形理论相结合的方法用于提取低压断路器振动信号的特征量,并以典型的三相合闸不同期性低压断路器故障为对象,研究了EMD结合分形维数的故障振动信号特征分析,且给出以分形维数均方根作为故障特征量的实验仿真数据结果。首先,利用EMD方法对低压断路器的振动信号进行分解,得到若干个本征模态函数(IMF);其次,对振动信号以及各IMF分量求分形维数及其均方根,作为低压断路器振动信号的特征量。通过对低压断路器三相合闸不同期性模拟故障振动信号处理,对比其不同状态下的分形维数及其均方根的变化规律,表明该方法不仅可作为低压断路器三相同期性故障诊断的判据,且可应用于断路器其他各类机械故障的振动信号特征的提取分析。     

结合经验模态分解能量总量法的断路器振动信号特征向量提取

为了检测出断路器的机械结构故障类型,本文分析了断路器机械振动信号的特性,提出基于经验模态分解(EMD)能量总量法与支持向量机(SVM)理论相结合的中压断路器振动信号的特征向量提取和故障分类的分析方法。首先将断路器的振动信号进行经验模态分解,得到所需要的内禀模态函数(IMF),通过离散采样点求能量总量的方法求出包含主要故障特征信息的各个内禀模态函数分量的能量总量。利用IMF分量能量总量作为特征向量,并以此作为支持向量机输入,将测试样本信号的故障特征向量输入训练好的SVM,并对SVM及核函数参数进行遗传算法优化,采用"二叉树分类"支持向量机分类机制进行故障分类。经实验分析该方法能很好地识别出振动信号的差别及故障类型。     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

基于优化小波神经网络的输电线路行波故障测距

针对单端行波故障测距方法中故障点反射波与对端母线反射波的识别问题,提出了一种改进粒子群算法优化的小波神经网络的故障测距模型。提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值,利用小波神经网络拟合行波特征值与输电线路故障距离之间的关系,构建小波神经网络故障测距模型,利用该模型可以直接得到输电线路的故障距离。在标准粒子群算法中引入遗传算法变异因子,利用改进后的粒子群算法作为小波神经网络的训练算法,优化小波神经网络的权值与阈值参数,加快了小波神经网络故障测距模型的收敛速度,并提高了输出结果的精度。仿真结果证明,该方法有效且可行。     

一种改进的小波神经网络应用于电动机故障诊断

对基本的小波神经网络进行改进,用遗传算法取代传统的梯度下降法,对小波神经网络中的初始参数进行全局优化.将经过改进的小波网络应用于电动机的故障诊断,并对5组电动机故障数据进行验证.实验结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了此方法应用于电动机故障诊断的正确性和有效性.     

电力电子电路故障的遗传进化神经网络诊断

介绍了一种诊断电力电子电路故障的基于改进遗传进化的神经网络混合算法 ,论述了该算法的理论和运算操作步骤后将其用于电力电子三相整流电路的故障诊断。仿真实验证明该法可诊断电力电子三相整流电路故障 ,且收敛速度快 ,诊断准确度高 ,具有实际的工程应用价值     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

粒子群优化神经网络在高压断路器机械故障诊断中的应用

提出了一种以振动信号小波包特征熵为特征向量的高压断路器机械故障诊断的智能算法,该算法利用小波包分解原理将高压断路器振动信号分解到不同的频段中,计算各频段的能量熵值,并将其作为神经网络的输入向量,同时利用粒子群算法对神经网络进行优化,以提高故障诊断的精度。试验结果表明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统神经网络算法,适用于高压断路器机械故障诊断     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

基于遗传算法进化小波神经网络的电力变压器故障诊断

在电力变压器故障诊断方法中,小波神经网络常用的反向传播算法存在着易陷入局部极小点和对初值要求较高的缺点,往往给故障诊断带来困难.文中提出了一种基于遗传算法进化小波神经网络的变压器故障诊断方法,用实数编码的遗传算法来代替人解决小波神经网络结构的选择和参数的设定.在整个学习过程中,网络的复杂度、收敛性和泛化能力得到了较好的综合.大量实例表明,该方法能有效地对电力变压器单故障和多故障样本进行分类,提高了诊断准确率.