理想点法在变压器状态评估中的应用

电力变压器是电力系统重要的电气设备之一,变压器的健康状态直接影响着整个电力系统的运行.因此,对变压器进行科学状态评估,降低变压器故障发生机率,实现变压器的状态维修是电力系统迫切需要解决的课题.将理想点引入变压器状态评估中,实现了对变压器状态等级的一种具体划分.基于理想点的多目标评价模型计算简便、思路清晰、结果合理,有效...     

人工智能在局部放电检测中的应用(二):模式识别与状态评估

故障类型的模式识别以及状态评估对于故障诊断和维修至关重要.不同缺陷类型将产生具有差异性的局部放电信号,缺陷的严重程度以及局部放电的演变过程同样会引起局部放电信号的改变,这种情况能够转化为不同严重等级和发展阶段的模式识别,模式识别属于典型的分类问题.本文对模式识别和状态评估这类分类问题进行综述.相比基于数理统计的分类结果,人工智能算法实现了接近100％的识别准确率.然而当前研究中仍存在一些不足,对此本文给出了解决策略并对未来的研究方向进行了展望.     

灰色定权聚类和变权模式在变压器状态评估中的应用研究

针对变压器状态评估因素具有模糊性与灰色性的特点,定权重不能准确评估变压器状态等问题,提出一种基于灰色定权聚类和变权模式的状态评估方法。应用该方法逐层评估变压器状态。首先,引入关联规则中的置信度确定指标定权重矩阵,并对指标进行统一化处理;根据变压器状态等级划分,建立三角白化权函数,利用灰色聚类得到聚类系数矩阵和故障层的状态评估结果;然后,利用变权综合模式获得变权重系数,进而采用模糊评判法评估变压器综合状态。以变压器试验报告数据为依据进行实例分析,结果表明,所提出的变压器状态综合评估方法能够客观、准确地评估变压器状态。     

基于小波包的瞬变信号的提取

瞬变信号是低压系统中主要的干扰源之一,对系统的危害非常大。因此,必须对它进行提取和分类,了解它的特征。本文提出了基于小波包分解的提取特征信号的方法。采用该方法可以将干扰源的特征信号从检测信号中提取出来,从而对干扰源进行分类。实验证明了该方法的有效性。     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。     

水电机组振动信号的子带能量特征提取方法研究

通过分析引起水电机组振动故障的各种原因及其频率特征，综合采用小波分析和傅立叶变换方法对机组振动信号进行了预处理，提出了对机组振动的各频段信号进行子带能量特征提取的方法，从而为准确地诊断机组的振动故障和引起故障的原因提供了依据。     

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.     

基于小波包能量熵和DBN的轴承故障诊断

轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于小波变换的脉搏信号特征提取

提出了一种适合于非平稳脉搏信号的特征提取方法。对在校学生和血管硬化患者两组各20例的脉搏信号进行分析,选择了具有多分辨分析特性的小波变换,分别对每例信号进行5层分解,提取出各尺度小波系数。根据小波系数与信号能量之间的等价关系,将归一化的各尺度小波系数能量值作为识别脉搏信号的特征向量。针对脉搏信号频谱特点并结合实验数据,改进了现有的能量特征提取算法。在样本有限的情况下,通过统计分析得出可以用改进的能量特征向量来区分心血管疾病患者和正常人群的结论。     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

电压闪变影响下的功率计算模型与电能计量方法研究

当前针对谐波电能计量技术开展了大量研究,而含有电压波动与闪变畸变信号影响下的电能计量技术研究较少。文章构建了电压波动与闪变影响下的功率数学模型,推导功率的简化计算式,提出了基于小波包分解与重构的电压波动与闪变下的电能计量方法;利用Db45小波函数,采用5层小波包变换,进行电压波动与闪变影响下稳态、非稳态信号的有功与无功电能计量的仿真分析,实验结果证明了算法的可行性与准确性。     

基于小波变换的心音特征值提取算法研究

介绍了一种新的心音特征值提取算法。利用小波变换进行阈值去噪、包络提取、心音定位、特征值提取,最后识别出心音信号的异常与否。在阈值去噪中利用小波的多分辨率特性对信号进行8层分解并对每层实施软阈值去噪,把去噪后的信号重构,得到去噪后的心音信号,对去噪后的心音信号进行再分解并求出各层香农能量值,踢出包含信息量最少的层后得到心音信号的小波包络,采取自适应阈值线对所得小波包络进行S1,S2定位,并提取特征值T1、T2、T11及T12,利用特征值在二维散点图中的分布情况,实现了心音信号的自识别。