配电网线路高阻故障识别方法

由于故障特征不明显,检测难度大,高阻故障一直是配电网故障识别的难点。利用小波在时域和频域都具有良好的局部化性能,对暂态信号进行多尺度分解,并对各个尺度下的小波系数进行重构,抽取尺度3下的小波重构系数,计算各馈线的定时浮动窗内的量谱,根据其量值特征来识别故障所在线路。在研究电力系统各种暂态信号的基础上建立了配电网高阻故障仿真系统,通过PSCAD仿真平台利用高阻故障模型对配电网馈线进行高阻故障仿真分析。大量仿真分析表明,该方法能够有效提取故障的特征量,可对高阻故障进行在线识别。     

天然气压缩机耦合故障的波动熵诊断模型

针对天然气压缩机耦合故障的定性及定量特征难以提取的问题,提出基于信息熵的故障诊断方法,提取机组振动信号构造能量谱向量,进而提取信号的波动熵特征作为识别参数建立耦合故障的波动熵诊断模型,并根据波动熵对耦合故障进行分类。研究结果表明:波动熵模型可准确诊断出压缩机的耦合故障;该模型无需提取信号局部细节特征,可解决故障特征提取及故障建模的复杂性难题,提高诊断的容错性和灵活性。     

基于小波能谱熵和神经网络的输电线故障识别

在暂态电流信号小波变换结果的基础上,采用小波能谱熵定义,对小波分解系数进行处理,提出了一种基于小波能谱熵和神经网络的输电线路故障类型识别方法。该方法通过计算故障前后三相电流信号小波变换系数沿尺度分布的小波能谱熵,经过适当处理,输入神经网络,利用神经网络在模式识别方面的优势,输出结果即为故障类型识别的结果。仿真结果表明,该故障类型识别方法不受故障类型、故障电阻及故障位置等因素的影响,识别结果准确可靠。     

基于特征熵和优化SVM的轴承故障诊断方法

为了对轴承的故障进行有效的识别,提出基于特征熵和优化支持向量机的轴承故障识别新方法.利用EMD分解信号提取分解信号的能量熵,由于这些熵值之间冗余信息较为严重,因此选用主成分分析对这些熵信息进行约简,提取最有效的特征信息,作为支持向量机模型的输入.通过粒子群优化选取最优决策树构造最佳的支持向量机分类模型进行状态的识别和判定,提高了分类的精确度.通过一个滚动轴承的实例说明方法的有效性和准确性.     

基于小波分解和重构的暂态选线与扰动识别

在小波分解和重构理论的基础上,提出了基于故障暂态电流α模分量突变量的故障选线方法。根据小波理论善于处理突变信号的特点,利用小波理论对暂态电流、电压信号进行分析,由分解后的小波系数构成综合故障测度进行选线,小波重构信号则对故障和扰动进行识别。大量的仿真试验证明,提出的选线方法可以很好地对故障线路进行选择,同时不受扰动影响。     

小波换应用于小电流接地故障选线

研究了小波分析在小电流接地系统单相接地故障选线中的应用,利用小波变换这一新兴的信号分析工具,提取故障时的暂态量信息,构造出了基于小波变换模极大值奇异性检测原理的新型选线判据.着重介绍了利用小波变换提取故障信号的暂态高频分量,进行故障选线的方法.并且利用Madab提供的小波分析工具进行了大量的选线仿真实验,验证了该方法的有效性和可靠性.     

基于小波分解方法的暂态选线分析

在小波理论的基础上,提出了基于故障暂态电流α模分量突变量的故障选线方法。根据小波理论善于处理突变信号的特点,并利用小波理论对暂态信号进行分析,由分解后的小波系数构成的综合故障测度进行选线。大量的仿真试验证明,此选线方法可以很好地对故障线路进行选择。     

基于DOST能量相对熵的配网单相接地故障选线方法

针对小电流接地故障中,不同类型配电线路故障特征频带能量分布不一致的情况,提出一种基于离散正交S变换与能量相对熵的故障选线方法。首先提取各线路故障后首半个工频周波的暂态零序电流,利用离散正交S变换计算暂态零序电流各频带的变换系数及各频带暂态能量,结合能量相对熵对两个波形细微区别的识别能力,分别获取各线路在不同频带的能量相对熵,并综合得到每条线路的综合能量相对熵,据此熵值大小进行故障选线。Matlab仿真表明该方法不受接地电阻、故障初始角、故障距离等条件的影响,在间歇性电弧故障时仍然可准确实现线-缆混合线路单相接地故障选线。     

基于复小波分析的牵引网故障测距算法

故障暂态分量能够充分地描述故障的特征,用来研究故障测距具有传统算法不可比拟的优点.针对复线牵引网的故障暂态高频分量和故障距离间的关系展开研究,绘制了故障距离和始端等效阻抗谐振频率的对应关系曲线,证明故障电压暂态信号和始端等效阻抗具有相同的谐振频率点.用Morlet复小波提取故障电压信号的谐振频率,并依据得到的谐振频率曲线,实现了牵引网的故障定位.分析表明,基于复小波分析的暂态谐振频率法进行牵引网故障测距,可以消除过渡电阻等对故障测距的影响,具有较高的精度和可靠性.     

基于递归定量特征的变压器励磁涌流识别

为避免励磁涌流对变压器差动保护的影响,进一步提高变压器差动保护动作的准确率,针对变压器励磁涌流和内部故障电流信号的非平稳特征,提出一种基于递归定量分析(RQA)的励磁涌流识别方法.首先,应用相空间重构理论,在高维相空间中研究励磁涌流和内部故障电流信号的内在规律;然后,采用RQA方法提取信号的非线性特征参数即递归率、确定率、分层度及熵.研究结果表明:励磁涌流的递归率、确定率和分层度均比内部故障电流的小,而熵比内部故障电流的大,说明励磁涌流比故障电流的规则性低,混沌性高;通过RQA的这4项特征量可以对变压器励磁涌流进行有效识别.     

基于改进HMM模型的组合服务故障诊断方法

针对现有组合Web服务诊断模型故障诊断准确率普遍不高的问题，提出一种新颖的基于改进隐马尔可夫模型(Improved-HMM)的故障诊断方法.首先，从组合服务监测数据中提取多维特征序列训练HMM模型.训练过程中，考虑到基于BW的方法仅在某观测条件下进行参数评估，获得的参数准确度不高，提出基于贝叶斯估计的学习方法，得到更客观的参数;进一步，基于改进的HMM模型计算当前特征序列对应的各类故障类型发生概率，推断最有可能的故障类型.实验结果表明，提出的方法具有较高的诊断率和较低的漏报率，适合在网络环境中进行实时故障检测.     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

Feature Extraction Technique for Fault Prognosis Based on Fault Trend Analysis

Fault prognosis is one of the key techniques for prognosis and health management,and an effective fault feature can improve prediction accuracy and performance. A novel approach of feature extraction for fault prognosis based on fault trend analysis was proposed in this paper. In order to describe the ability of tracking fault growth process,definitions and calculations of fault trackability was developed, and the feature which had the maximum fault trackability was selected for fault prognosis. The vibration data in bearing life tests were used to verify the effectiveness of the method was proposed. The results showed that the trackability of energy entropy for bearing fault growth was the maximum,and it was the best fault feature among selected features root mean square( RMS),kurtosis,new moment and energy entropy. The proposed approach can provide a better strategy for fault feature extraction of bearings in order to improve prediction accuracy.     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

基于域适应与分类器差异的滚动轴承跨域故障诊断

基于数据驱动方法诊断滚动轴承故障时，不同工况下的数据特征分布差异会导致模型诊断性能严重下降.针对这一问题，提出了基于域适应与分类器差异的滚动轴承跨域故障诊断方法.首先利用卷积神经网络对带标记的源域样本和无标记的目标域样本进行特征提取;然后通过2个全连接分类器进行故障分类;最后通过分步优化分类损失、域最大平均差异损失和分类器差异损失，实现源域和目标域之间的域分布对齐，从而实现无标记目标域样本的故障诊断.实验结果表明，所提方法与主流的域适应方法相比具有更高故障诊断准确率，验证了该方法的合理性和可行性.     

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

多能互补发电系统故障识别与测距方法

随着大量新能源的接入,使得多端柔性直流系统(Modular Multilevel Converter based Multi-terminal Direct Current, MMC-MTDC)故障特征愈加复杂,快速准确的故障识别与测距是亟需解决的关键难题之一。为此,本文提出了一种风-光-储-蓄互补发电站经柔性直流输电外送系统故障识别与测距方法。首先,搭建风-光-储-蓄互补发电站经柔直外送系统,在此基础上,提出了一种Teager能量算子能量熵的新方法,利用测量点正负极Teager能量算子能量熵的比值构建故障选极及区段识别判据。接着,针对已识别的故障线路,提出变分模态分解(Variational Mode Decomposition, VMD)与Teager能量算子 (Teager Energy Operator, TEO)相结合的故障测距方法。最后,利用PSCAD/EMTDC进行仿真,结果表明所提识别方法可以准确判断故障所在线路,所提测距方法能在故障发生2 ms时间窗内实现故障测距,误差率不超过2.55%,并具有较高的耐过渡电阻能力。     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

A Fault Diagnosis Method Based on Wavelet Singular Entropy and SVM for VSC-HVDC Converter

The converter is the core component of voltage source converter-high voltage direct current(VSC-HVDC), which is related to the stable operation of the system. The converter has a complex structure where the accuracy of feature extraction is low, and the computation speed of traditional fault diagnosis strategies is slow. To solve this problem, a fault diagnosis strategy based on wavelet singular entropy(WSE) and support vector machine(SVM) was proposed. This method includes fault and label setting, converter fault feature extraction based on wavelet singular entropy, and converter fault classification based on support vector machine. The DC-side voltage signal was used as the detection signal, and the wavelet singular entropy was used for feature extraction to avoid noise interference. The classification is based on SVM. The experimental verification in PSCAD simulation proved that the method has better fault diagnosis ability for various faults and meets the needs of converter fault diagnosis.