基于VMD和样本熵的电磁式电流互感器故障诊断

针对电磁式电流互感器故障诊断效率低、准确率不高问题,提出一种变分模态分解(VMD)和样本熵相结合的故障诊断方法.将原始故障信号通过VMD分解成一系列本征模函数(IMF)并进行优选,计算其样本熵作为新的互感器特征提取对象的特征值,与常见时频域特征指标组合成新的特征向量输入K近邻分类器进行训练.Matlab仿真实验结果表明,该方法中新的特征指标用于低压电流互感器故障诊断是有效可行的,可为电磁式电流互感器故障诊断提供参考.     

基于惯性释放方法的某型电动轮自卸车 车架结构性能分析

电动轮自卸车载质量大且工作环境恶劣,车架作为主要的运输承载结构,其结构安全性要求较高。为研究某型电动轮自卸车车架的结构力学性能,建立了车架有限元模型,并基于惯性释放方法对不同工况下的车架结构进行了强度分析。研究结果表明：绝大部分测点的仿真结果和试验结果的相对误差在10%以内,且强度符合设计要求。在此基础上对车架结构进行了模态分析和频率响应分析,其中车架一阶模态频率为21.3 Hz,车架危险点频率响应激振频率为29.0 Hz,与载荷激励频率无重叠,有效地避免了共振的发生。     

径流预报的极点对称模态分解-Elman网络模型

针对径流序列非线性、非平稳的特点,将极点对称模态分解（ESMD）方法与Elman神经网络模型相结合,建立了ESMD-Elman神经网络组合模型,并应用于长江上游干支流8站的年、月径流预报。首先利用ESMD方法将径流序列分解为各模态分量和趋势余项;然后利用Elman神经网络模型分别预测各平稳序列;最后加和重构得到最终预测结果。结果表明：组合模型预报精度大于单一模型,与ESMD-BP神经网络组合模型比,ESMD-Elman神经网络组合模型的8站年径流预报结果的平均相对误差（MAPE）平均降低3.6%,均方根误差（RMSE）平均降低7.8%,确定性系数平均提高5.0%;8站月径流预报结果的MAPE平均降低3.0%,RMSE平均降低2.8%,具有“分解?预测?重构”特点的组合模型提高了预报精度。     

偏负荷工况混流式水轮机转轮结构稳定性研究

为探究偏负荷运行工况下混流式水轮机转轮结构稳定性,本文基于单向流固耦合方法,对三种典型偏负荷工况下转轮结构进行了静力学分析和模态分析。结果表明：受不稳定水流影响,80%、60%和40%负荷工况下,较大变形分别位于转轮下环、叶片出水边中部以及叶片迎水刃处中部。预应力对转轮结构影响较少,其导致固有频率增加1 Hz左右;而水介质对转轮结构影响较大,导致固有频率降低15% ~ 36%,且得到转轮固有频率更符合工程实际。受导叶出口处水流扰动影响,转轮结构极有可能发生共振,其振型主要表现为径向、弯曲、弯扭及绕轴旋转变形,其中弯扭变形影响最大,极可能导致叶片断裂。该研究成果可为混流式水轮机柔性运行稳定性,提供一定理论参考。     

基于FastICA技术与TLS-ESPRIT方法的电力系统低频振荡模态辨识

对于目前电力系统中低频振荡参数辨识中的噪声干扰和精度问题,提出了一种新的提取低频振荡模态参数的方法,将快速独立分量分析技术(fast independent component analysis,Fast ICA)和总体最小二乘-旋转不变技术(total least squares-estimation of signal parameters via rotational invariance technique, TLS-ESPRIT)联合起来。首先运用FastICA技术对含有噪声的电力系统低频振荡广域测量信号进行预处理而达到降噪效果,而后将处理后的信号作为新的输入信号利用TLS-ESPRIT算法进行估计辨识,从而得到各个模态特征参数。通过对理想信号、EPRI-36机系统和电网实测信号仿真验证了所提方法的有效可行性,不但能够有效抑制噪声并准确地辨识低频振荡参数,而且在抗干扰性和提取精度上与传统辨识方法相比来说是有一定优势的。     

变压器绕组多倍频振动机理及特性

变压器绕组振动信号与其机械状态密切相关,但现有的绕组振动机理研究尚不能很好地支持变压器绕组机械状态检测方法研究。为此,考虑变压器绕组机械振动与其所处漏磁场的相互耦合作用,建立了绕组两体振动模型,采用哈密顿原理推导出了模型的振动数学方程,解释了由机电耦合作用所引起的绕组非线性振动现象,完善了绕组振动机理,并通过理论分析及试验验证确定了绕组多倍频振动产生的条件。研究结果表明:绕组的振动主要集中在基频100 Hz处;然而,在机电耦合作用下,当绕组固有频率满足电流激励的整数倍时,会出现参变共振多倍频振动,振动频率为电流频率的整数倍。研究结论对变压器绕组机械故障诊断、抗短路能力设计、减振降噪技术具有指导意义。     

基于EMD-WPT-SVD和指数加权平均的MOA阻性电流去干扰方法

金属氧化物避雷器(metal oxide arrester,MOA)阻性电流测量受环境干扰、高频噪声干扰和脉冲干扰等因素的影响,阻性电流实测信号必然含有多种强干扰成分.针对传统阻性电流去干扰方法在多种并发干扰情形下难以适用的难题,提出了一种基于EMD-WPT-SVD和指数加权平均的MOA阻性电流去干扰方法.首先,依据阻性电流中周期干扰的基波频率、采样频率和特征频率是否被间谐波浸没的特点,选取最佳分解层数和最优小波基;其次,对MOA阻性电流进行经验模态分解(empirical mode decomposition,EMD),将含有特征频率的模态分量再使用小波包变换(wavelet packet transform,WPT),使每个子信号最多含有一个特征频率;再采用奇异值分解(singular value decomposition,SVD)准确提取所有子信号中的周期分量;最后,从原信号中准确消除阻性电流受到的周期干扰,然后通过指数加权平均算法得到能真实反映MOA工况的阻性电流变化趋势.将模拟信号和工程实测数据与多种经典方法进行比较,结果证明:所提方法能消除阻性电流的多种干扰,得到能真实反映MOA实时工况的阻性电流,其结果满足实际工程测量的要求.     

基于 MEEMD-FN-LSTM 的冷热电联供系统负荷预测∗

针对当前冷热电联供(Combined Cooling,Heating and Power,CCHP)系统优化调度研究缺少冷热电负荷预测的问题,提出了基于改进集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)、模糊熵(Fuzzy Entropy,FN)和长短期记忆神经网络(Long Short Term Memory,LSTM)的CCHP系统负荷预测方法.使用M EEM D算法将原始数据分解为若干IM F分量,计算IM F分量的模糊熵并将模糊熵相近的分量相加,使用LSTM对相加后新的分量进行预测,最后将分量预测结果重构得到最终预测值.通过仿真并对比分析其他方法的负荷预测精度,证明所提预测方法具有良好的预测效果.     

基于VMD和PSO-SVM模型的和应涌流识别

针对目前和应涌流识别方法较少的情况,使用VMD对励磁涌流与和应涌流电流信号进行分解.对VMD分解后的各本征模态分量求样本熵值组成特征向量,将特征向量输入PSO-SVM识别模型进行分类.通过实验验证,涌流信号样本熵值组成特征向量能很好地反映两种涌流的区别,使用PSO优化参数后的SVM模型能对两种涌流进行高效准确的识别,为保护装置下一步针对性动作提供了重要依据.