基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

基于加权中智C均值算法的变压器故障诊断模型

为提高变压器故障诊断准确度,提出了一种基于加权中智C均值算法的变压器故障诊断方法。该方法利用基于样本相似度的加权方法对样本特征进行加权,再引入中智理论对样本的分布重新分配,建立起基于加权中智C均值算法的变压器故障诊断模型。研究结果表明,该方法不仅弥补了传统FCM相同权重分配的不足,有效提高了故障诊断的准确率,且诊断结果产生的中智点对故障的变化预测具有重要意义。     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。     

缺失故障数据元件的可靠性评估方法研究

电力系统元件的可靠性评估是电力系统安全、可靠运行的关键环节。根据电力系统中元件实际运行记录的特点,提出了一种缺失故障数据元件的实用可靠性评估方法。该方法基于威布尔分布模型,系统地建立了电力元件的样本筛选、参数计算、模型检验、故障率曲线绘制和数据缺失元件可靠性评估的计算与求解方法。以实际变压器为例,验证了该法的有效性,并分析了电压等级、生产厂家、产品型号对变压器可靠性的影响,为电力元件可靠性评估的实际应用提供了系统有效的方法。     

适用于核动力设备故障诊断的改进粒子群优化算法

提出一种基于改进粒子群优化(IPSO)算法的核动力设备故障诊断方法.利用已知核动力设备故障征兆集合,选用概率因果模型求解具有最大后验概率的故障集合;在传统粒子群优化(PSO)算法的基础上,利用佳点集原理对PSO算法进行初始化,优化了粒子群的初始化范围;借助自适应调整的惯性权重法,避免PSO算法未成熟收敛,加快了收敛速度.最后通过算例证明该方法的有效性.结果表明:基于改进粒子群优化算法的概率因果模型不受故障样本的限制,具有较好的通用性,且模型故障诊断精度较高、寻优速度快.     

基于KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。     

基于CNN-SVM的水电机组智能故障诊断方法研究

在当前水电机组智能故障诊断的方法中，人为选择故障分类特征的主观性及故障小样本数据的局限性对故障诊断结果的准确性具有重要影响。对此，结合卷积神经网络(CNN)的特征提取优势和支持向量机(SVM)优良的小样本处理能力，提出了一种针对水电机组振动故障诊断的CNN-SVM方法。该方法以水电机组振动信号的时域波形图作为模型输入，然后利用CNN提取信号特征并导入SVM实现机组故障诊断。最后，通过具体的实例分析，验证了所提诊断方法的优势。     

不平衡数据集下优化WGAN的风电机组齿轮障诊断方法

针对不平衡数据集下风电机组齿轮箱故障诊断准确率低以及故障特征不明显的问题,提出峭度指标与遗传算法优化Wasserstein距离生成对抗网络（WGAN）的故障诊断方法。首先将峭度指标作为语义标签映射到卷积层规格化故障特征,其次在反卷积网络中对宏基因组二进制编码并权重初始化,然后对不平衡样本集进行多点交叉和高斯近似变异,重点搜索局部故障点,最后将峭度作为有标签的负例输入判别器网络,重构反卷积和VGG神经网络提高权重剪裁,使WGAN网络成为半监督学习模型,正向判断更新权重并输出诊断结果。实验表明：该方法在不平衡数据集下诊断准确率达到98.69%,拥有更高的泛化能力和特征提取能力,实现了故障特征的增强。     

考虑大型变压器退运的电力系统连锁故障风险评估

针对大型变压器突然退运造成的潮流转移问题,提出考虑大型变压器退运的电力系统连锁故障风险评估方法,即先利用变压器在线监测技术对变压器的老化失效和偶然停运进行分析,建立变压器失效模型;然后,从系统能量和结构角度对潮流转移支路状态进行评估,定义了能量转移因子和支路传输能力因子,并结合连通率和失负荷率指标,得到元件风险集;最后,根据连锁故障阶段模拟和自组织临界状态辨识方法,对连锁故障演化路径进行了全面预测。仿真结果验证了该方法的可靠性,可为能源互联网下的电网安全调度提供参考。     

基于LS-SVM的制冷系统故障诊断

为了提高制冷系统故障诊断速度及准确性,提出了基于最小二乘支持向量机(LS-SVM)的制冷系统故障诊断模型,并采用ASHRAE制冷系统故障模拟实验数据进行模型训练与验证.对一台90冷吨(约316 kW)的离心式冷水机组的7类制冷循环典型故障进行了实验.研究结果表明,LS-SVM模型对制冷系统七类故障的总体诊断正确率比支持向量机(SVM)诊断模型、误差反向传播(BP)神经网络诊断模型分别提高0.12%和1.32%;尽管对个别局部故障(冷凝器结垢、冷凝器水流量不足、制冷剂含不凝性气体)的诊断性能较SVM模型的略有下降,但对系统故障的诊断性能均有较大改善,特别是对制冷剂泄漏/不足故障;诊断耗时比SVM模型减少近一半,快速性亦有所改善.可见,LS-SVM模型在制冷系统故障诊断中具有良好的应用前景.     

基于DHNN指纹库的电网故障诊断方法

针对高维度、非线性的电力系统存在难以实现快速、精准和有效的故障诊断问题,提出了基于DHNN指纹库的电网故障诊断方法。首先利用离散Hopfield神经网络(DHNN)算法对电网遥信数据分类和建立各种基准信号权值,构建了基准信号集合的信号模板;其次基于该模板建立各类故障指纹值编码及其编码组合为一体的指纹库;最后以瀑布沟水电站布坡三线“B相瞬时故障,重合成功”故障为例验证该诊断方法的正确性。结果表明,基于DHNN指纹库的电网故障诊断方法与实际电网故障描述完全一致,可正确有效地提升电网故障诊断水平,同时还可将该方法推广应用于国内大型流域梯级电站群组合成的大规模高压电网的故障诊断中。     

基于多层深度互信息变分网络的风电机组轴承故障预警方法

针对变工况复杂环境下风电机组轴承的早期故障潜隐性高且故障阈值设置困难的问题,提出一种基于多层深度互信息变分网络的轴承故障超前预警方法。该网络在变分自编码器的架构上进行多层编码拓展,采用解码信号的二次编码增强了变分网络对输入信号中噪声的鲁棒性,通过隐层变量与输入信号间最大化互信息以及与二次编码特征间的最大化互信息,提高了网络对轴承正常状态空间的建模能力。以二次编码特征与隐层变量的重构误差为基础,构建健康指数,结合三次递推指数加权移动平均模型设置与风电机组轴承工况环境相适应的健康基线。在2个风电机组轴承故障检测试验中的应用结果表明,该方法对比传统的基于模型重构的轴承早期故障检测方法,具有更高故障预警准确率和抗干扰能力。     

基于贝叶斯网络的转子系统故障诊断研究

通过分析传统故障诊断方法在处理实际系统不确定性问题时存在的困难,研究了基于贝叶斯网络的转子故障诊断方法。依据转子系统存在的故障类型和对应的故障征兆,本文建立了转子系统的贝叶斯网络模型,并开发了基于贝叶斯网络模型的转子故障诊断系统。通过对实际转子系统故障的检测,证实了该方法在处理信息不确定条件下,进行故障诊断的有效性。     

基于LS-SVM逆系统的汽油机瞬态空燃比复合控制研究

为实现瞬态空燃比有效控制,提出基于逆模型前馈控制附加无模型自适应反馈控制的复合控制策略。利用最小二乘支持向量机(LS-SVM)建立空燃比系统逆模型,对瞬态空燃比模型中的进气量进行动态前馈补偿,并结合无模型自适应(MFAC)通过修正喷油量对空燃比进行反馈控制,对系统扰动、误差等实现修正。利用瞬态工况试验数据进行仿真,并与台架试验实际数据进行了对比。结果表明,LS-SVM逆模能高精度地逼近空燃比瞬态过程,结合MFAC反馈控制提高了系统的鲁棒性和抗干扰能力。因此该复合控制策略可行,可用于发动机瞬态工况空燃比的精确控制。     

基于LS-SVM—马尔科夫模型的大坝变形预测

针对单一模型在大坝变形预测中精度不高的问题,提出一种基于LS-SVM—马尔科夫模型的预测方法,即基于LS-SVM模型的预测结果,利用马尔科夫模型对其进行误差修正,从而提高了预测精度。通过对某拱坝变形的预测分析,并与LS-SVM模型预测结果进行对比,发现LS-SVM—马尔科夫模型的预测结果较符合实际情况,该模型具有更高的预测精度和优越性。     

基于CCA-DCNN算法和数字孪生的给水回热系统故障诊断研究

针对核电二次回路中给水回热等复杂热工系统故障诊断存在样本稀缺、数据高维耦合以及数据预处理丢失特征信息导致传统诊断模型准确率受限的问题,提出一种基于相关分析进行深度学习的故障诊断方法。首先,构建给水回热数字孪生系统,建立故障诊断数据仓库;然后,利用综合相关分析(CCA)方法建立系统状态矩阵,搭建深度卷积网络,对系统状态特征进行深入挖掘,并通过可视化(VS)方法将网络的内部过程可视化;最后,建立基于深度卷积网络的故障诊断模型,诊断给水回热系统的典型故障,包括管道泄漏、水室短路、传热恶化、阀门卡涩等。结果表明：该数字孪生系统能够实现对给水再热系统正常和故障工况下的精确仿真,并满足后续深度学习模型的数据要求;基于综合相关分析和深度卷积网络算法的故障诊断模型能够实现时变、多维工业数据的故障诊断;采用T分布随机领域嵌入(TSNE)方法对模型可视化发现,模型的不同故障类型有明显的区别,相似的故障数据有明显的聚合性。     

电气设备红外热像图谱分类编码与故障树研究

变电设备热故障分析和定位的关键在于分类存储和管理红外热像图谱。在分析研究变电设备热故障分类的基础上,设计了一种易于拓展的热故障编码方法,该方法利用故障树进行精确检索及热故障精确定位,能有效解决红外热图像分类存储管理及热故障智能诊断中的分类问题。实际应用验证了该编码方法的有效性和实用性。     

Nonlinear modeling of a SOFC stack based on a least squares support vector machine

This paper reports a nonlinear modeling study of a solid oxide fuel cell (SOFC) stack using a least squares support vector machine (LS-SVM). SOFC is a nonlinear, multi-input and multi-output system that is hard to model by traditional methodologies. So far, most of the existing models are based on conversion laws, which are very useful for cell design. However, they are too complicated to be applied to control system design. To facilitate a valid control strategy design, this paper tries to avoid the internal complexities and presents a black-box model of the SOFC based on LS-SVM. The simulation tests reveal that it is feasible to establish the model using LS-SVM. At the same time, the experimental comparisons between the LS-SVM model and radial basis function neural network (RBFNN) model demonstrate that the LS-SVM is superior to the conventional RBFNN in predicting stack voltage with different fuel utilizations. Furthermore, based on this black-box LS-SVM model, valid control strategy studies such as predictive control, robust control can be developed.