大型电力网络数据库故障数据关联查询模型

<正>大型电力网络数据库聚集和存储大量的分布式电力电网管理系统数据,常因为通信冲突和电网节点损耗产生故障数据,对故障进行有效的查询是实现电力数据调度和故障诊断的关键。传统的大型电力网络数据库故障数据查询模型采用平均互信息关联维提取算法,当关联维特征出现独立同分布状态时。对故障数据提取性能受限,查询准确度不高。提出一种基于差分累积函数特征挖掘的大型电力网络数据库故障数据查询算法。构建大型电力网络数据库的实体模型。分析     

自动控制电力网络中路由节点故障检测方法研究

电力网络系统处于复杂的工作环境中,控制参数复杂和不确定,导致路由节点的故障频发,需要进行更有效的电力网络系统的路由节点故障检测,提高电力网络的生命周期和自动控制性能。传统的电力网络路由节点故障检测方法采用离谱加权的网络故障信源分析方法,通过对电力网络的信源阵列信号慢变幅度估计,实现故障节点检测,但由于电力节点收发数据产生的阵列信源特征的不稳定性,导致电力网络自动控制性能不好,节点故障检测性能降低。提出一种基于路由节点故障源慢变幅度估计的自动控制电力网络中的路由节点故障检测算法。进行自动控制电力网络的阵列分布模型和故障信号特征模型构建,采用MUSIC方法估计电力网络路由故障信号的方位信息,基于路由节点故障源慢变幅度估计,直接获取信源二维参数,实现故障检测。仿真实验表明,该方法能有效实现对电力网络的路由节点故障检测,提高故障检测准确率,实现对电力网络的路由故障节点的准确定位,故障诊断自动控制性能较好。     

电力网络DCS数据库中的过负荷数据挖掘方法研究

电力网络中的分散控制系统(distributed control systems,DCS)数据库中寄存有海量的电力数据,进行电力系统智能调度和控制。对电力网络DCS数据库中的过负荷数据的有效挖掘是实现电力网络系统过载保护的关键环节。当前对DCS数据库的过负荷数据挖掘采用基于决策树特征分类方法进行特征提取和挖掘实现,在过负荷数据序列的广域子空间中产生大量干扰噪声,挖掘算法的置信度较低。提出一种基于经验模态分解和决策树分类结合的电力网络DCS数据库中的过负荷数据挖掘方法。构建了电力网络的DCS数据库结构模型,在DCS数据库中进行数据流信号模型构建,采用经验模态分解算法对数据信号流进行固有模态时频特征提取,以此特征为基础,采用决策树分类算法实现过负荷数据的准确检测和挖掘。仿真结果表明,采用该算法能有效实现对电力网络DCS数据库中的过负荷数据的特征提取和分类挖掘,误码率较低,性能优越于传统算法。     

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。     

利用Wigner-Ville分布的三相整流装置故障诊断技术

针对电力电子整流装置故障诊断方法中的故障特征提取和故障识别两个关键技术,提出了一种基于Wigner-Ville分布的三相整流装置故障诊断方法,首先建立各种类型故障信号的Wigner-Ville模时频矩阵,然后计算故障信号Wigner-Ville模时频矩阵与标准模时频矩阵的相似度,以相似度最大为判别依据实现故障的诊断。三相桥式可控整流电路晶闸管故障诊断仿真结果表明该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,且算法简单,在解决电力电子电路故障问题上有着很好的工程实用价值。     

大型电力网络中潜在危险检测方法研究

针对传统检测方法主要采用网络攻击检测方法,对大型电力网络的自损伤潜在危险检测效果不好,提出一种基于电力网络设备损伤检测和危险数据挖掘的大型电力网络潜在危险检测方法,构建大型电力网络的节点分布式组网结构模型,对大型电力网络的故障信号进行特征提取和数据挖掘,构建大型电力网络设备的损伤检测模型,实现对大型电力网络的潜在危险检测。仿真结果表明:采用该方法能提高对大型电力网络的危险数据和损伤节点的检测性能;提高故障的分析和诊断能力。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

三维数据化技术在输电线故障检测中的应用研究

正为了提高对输电线的故障智能诊断和检测能力,结合大数据分析和特征提取方法进行输电线故障检测,提出基于三维数据化技术的输电线故障检测方法。采用多传感器组网方法进行输电线网络数据采集,对采集的输电线数据进行三维特征重组,提取反映输电线网络故障的谱特征量,结合三维数据化分析技术进行输电线故障数据的可视化图谱重构,根据图谱中的异常分布状态,进行故障类别判断,实现输电线故障检测。实验结果表明,采用该方法进行输电线故障数据检测的准确性较好,通过对输电线的三维数据化图谱分析能实现输电线故障点的准确定位识别。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

基于多维度特征提取的电弧故障检测方法

针对当前含多种电气故障的复杂电路电弧故障识别率低、训练速度慢的问题,提出一种窗口划分结合小波分解与经验模态分解(empirical mode decomposition,EMD)分别从时域、频域及时间尺度等多个维度提取电流特征量,利用机器学习分类模型进行电弧故障识别的方法.首先,利用搭建的电气故障实验平台采集故障及正常电流数据,并将电流数据进行窗口分段,然后分别使用小波变换与EMD方法对电流信号进行分解并计算不同维度上的特征量,将该特征信息作为分类算法的输入进行电弧故障诊断.经实验验证,该特征提取方法在梯度提升决策树(gradient boosting decision tree,GBDT)上的电弧故障检测准确率高达98％,相比电流不分段的方式分类准确率提升了1.87％,能有效获取电弧故障特征,实现对电弧故障高效率与高准确率检测.