改进变分模态分解-多尺度排列熵结合广义回归神经网络的高压直流输电线路故障辨识

针对现有的高压直流(high voltage direct current, HVDC)输电线路故障识别方法识别准确率低,且无法同时准确识别低阻和高阻故障的问题,提出一种改进变分模态分解(variational mode decomposition, VMD)-多尺度排列熵(multi-scale permutation entropy, MPE)结合广义回归神经网络(general regression neural network, GRNN)的HVDC输电线路故障辨识方法。首先,采用鲸鱼算法改进后的VMD对故障电流信号进行分解,并选择合适的本征模态函数(intrinsic mode function, IMF)分量计算多尺度排列熵和IMF能量和比值提取故障特征组成故障特征向量;其次,将特征向量输入到GRNN网络中进行训练与测试,利用GRNN网络对小样本数据的高分类能力识别不同类型的故障。实验结果表明,所提出的方法对HVDC输电线路不同类型故障辨识准确率高,无论发生低阻或高阻故障都能够准确辨识,耐受过渡电阻能力强,在小样本故障辨识方面性能突出,可靠性高。     

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ＬＭＤ－１（１／２）维谱熵－Ｅｌｍａｎ神经网络输电线路短路故障识别理论与方法

针对电力系统输电线路故障时短路电流的暂态特征,采用LMD对相模变换后的短路电流进行分解,得到一系列PF分量,然后计算前8个PF分量的1(1/2)维谱熵值作为特征向量,最后将构造的特征向量输入到已训练好的Elman神经网络中进行故障类型识别,并在Matlab平台上建立仿真模型.仿真结果表明,采用的方法能够快速准确地判断出故障类型和故障相;与传统BP网络相比,该方法具有更快的识别速度、更高的识别率,并且识别结果不受过渡电阻、故障位置、相差角等线路参数的影响,因而,实用、有效.     

高压单芯电缆金属护层环流分析及故障行波定位的研究

该文简要介绍了造成高压电缆故障的原因,并对电缆金属护层环流异常的分析和采用分布式监测锁定电绳故障行波信息进行故障定位的方法做了阐述。     

基于精细复合多尺度散布熵的高压断路器机械故障诊断方法

针对高压断路器机械故障识别准确率不高的问题,提出了一种基于精细复合多尺度散布熵(RCMDE)的断路器故障诊断方法。利用实验室10 kV户内真空高压断路器进行合闸动作时正常、螺丝松动、传动机构卡涩、合闸弹簧储能不足4种状态的振动数据采集。对采集到的数据计算RCMDE值,并构成特征向量集,将特征向量集分作训练集及测试集。利用粒子群算法(PSO)优化后的极限学习机(ELM)训练训练集得到智能故障识别模型,将测试集输入模型进行测试,实现断路器机械故障诊断。结果表明,基于RCMDE-PSO-ELM的高压断路器机械故障诊断方法能有效识别不同状态的机械故障,并且在噪声干扰以及数据丢失下仍能对故障进行准确识别,具有很好的抗干扰能力,在背景干扰较强的高压断路器故障检测环境下具备一定的实用性。     

基于LMD近似熵与HMM的转子故障诊断方法

提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.     

基于支持向量机的传输线故障类型识别算法

针对电力传输路由线路故障类参数多识别率不高等问题,利用提取故障特征向量和支持向量机结合的算法识别线路故障类型.提取故障线路特征向量,采集变化量的有效值,计算突变量所占三相突变量有效值总和的比例系数,将比例系数与零序电流判别系数结合构造故障特征向量.训练支持向量机以测试集特征向量作为输入,利用训练好的支持向量机判别分类,实现故障类型识别.实验表明,提出算法可克服多重困难针对输电线路十种类型故障进行学习并识别,并保证精度和效率.     

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.     

基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断

齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别。本文提出磷虾群算法（krill herd algorithm, KHA）-变分模态分解（variational mode decomposition,VMD）-多尺度排列熵（multi-scale permutation entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法。首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别。通过实测数据的分析表明,故障类型识别准确率达到了99.14%,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值。     

基于VMD-熵方法的管道信号特征提取方法

由于仪器设备工作以及室外环境等因素的影响,采集的管道信号中会存在一定的随机噪声,使原始信号失去本身特征,导致无法对管道信号进行准确识别,为此,提出一种基于变分模态分解(VMD:Variational Mode Decomposition)算法-熵方法的特征提取方法。首先基于VMD算法对采集的管道工况信号进行去噪处理,然后从能量、冲击特性、时间序列复杂性3个角度全面提取不同工况下的信号特征,分别计算3种工况信号重构后信号的能量熵、峭度熵以及模糊熵,最后建立特征向量输入到极限学习机中进行工况识别。实验结果表明,该特征提取方法相比其他特征参数能更加准确地分类识别管道工况信号,识别率达到98.33%,证明该方法对管道泄漏信号分类识别的可行性。     

自适应广义形态滤波和GG聚类在轴承故障识别中的应用研究

针对复杂工况下滚动轴承受机械噪声等因素影响轴承故障类型区分难的问题,提出了一种基于自适应广义形态滤波和GG聚类的轴承故障诊断方法。采用自适应广义形态滤波对轴承振动信号进行降噪处理,对降噪后的信号进行变模式分解,去除虚假分量和噪声分量,最后对去噪后故障特征较多的信号分量求解近似熵,作为特征向量输入GG聚类分类器中,达到故障分类。仿真实验结果证明该方法能有效提取信号特征信息,准确识别故障类型。     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

高压电缆护层故障测距新方法

35KV以上高压单芯电缆护层绝缘破坏是一种比较常见的故障现象,目前的护层故障测距方法精度受导引线及接触电阻影响比较大.本文提出了测量电缆护层端头与故障点之间电阻的故障精确测距方法,介绍了新的测距方法实际使用中的几个问题,该方法具有测量精度高,简单、实用的优点.     

面向螺丝锁附序列的多分辨率融合卷积神经网络

为了准确识别螺丝锁附是否发生故障和具体故障类型,提出了一种多分辨率融合卷积神经网络。使用原始序列数据作为输入以提高识别速度和精度;为了提取多尺度特征,分别在分辨率(数据长度)为4 000、2 000和1 000的特征向量上进行一维卷积运算;在Fusion层通过上采样、下采样和1×1卷积等策略,将各分辨率特征向量融合得到3组新特征向量,使得该网络能够获得锁附序列的整体和局部特征信息;在输出层使用类别加权交叉熵(CWCE)损失,通过为损失函数设置惩罚系数来加大对样本较少类别的惩罚力度,缓解了各类别数据不平衡的问题。收集了3 149条螺丝锁附序列,并在该数据集上进行了实验,结果表明:在6分类实验中,所提方法的准确率为96.00%,宏F1为93.93%,均高于其他方法;在2分类实验中,所提方法的准确率为99.36%,CWCE损失的有效性得到了验证;所提方法能够有效地判别锁附故障,并具有较好的实时性。     

基于小波分析和支持向量机的轴承故障诊断

滚动轴承的故障诊断对于旋转机械的正常可靠运行具有重要意义。采集滚动轴承正常、内圈故障、外圈故障及滚动体故障四种工况下的振动信号,对振动信号进行三层小波包分解,将第三层的小波包系数进行重构并计算每个子频带系数的对数能量熵,得到滚动轴承在不同工况下的特征向量。基于抽取到的特征向量建立支持向量机模型,实现对滚动轴承不同故障类型的识别。支持向量机参数采用网格搜索法进行寻优,惩罚参数为2048,核函数半径为0.03125,模型在测试集上的预测准确率为100%。本文研究表明,小波包对数能量熵特征提取结合支持向量机是一种较为有效的滚动轴承故障检测方法。     

基于CNN-LSTM-Attention神经网络的高压电缆局部放电预测方法研究

为了更迅速、准确地识别出高压电缆的局部放电故障,本文提出一种基于卷积长短期注意力(convolutional long short-term attention, CNN-LSTM-Attention)神经网络的高压电缆局部放电预测方法.首先,对高压电缆局部放电信号进行实时监测,并用小波分析将其离散,把长信号切分成多段信号且提取每段信号的统计特征量;其次,根据特征量构建神经网络分类模型,其由能够提取轮廓特征的卷积层、提取信号时序特征的长短期记忆层以及具有时序重要部分捕捉能力的注意力层构成;最后,通过实际数据进行仿真.结果表明：所提方法能准确识别较高采样率的异常放电信号,且相比传统神经网络,CNN-LSTM-Attention神经网络的故障识别准确率有明显提高,其马修斯相关系数(Matthews correlation coefficient, MCC)为0.871 03.     

基于时频特征和PCA-KELM的液压系统故障诊断

为了解决液压系统泄漏、堵塞和气穴等多类型故障下特征提取和模式识别困难的问题,提出基于时频特征和PCA-KELM的液压故障智能诊断新方法。首先利用统计分析和总体平均经验模态分解方法,构造高维混合域初始特征向量,从不同特征指标、不同分析角度对不同种类液压故障进行表征和刻画;然后通过主成分分析对多维初始特征向量进行降维和特征二次提取,将高维相关变量转化为低维独立的主特征向量;最后利用PCA主元构造的主特征向量输入核极限学习机网络中,实现故障类型的识别。实验结果表明,混合域初始特征向量能全面准确地描述故障特征,PCA提取的主特征向量摒弃了冗余信息且简化了分类器结构,KELM网络诊断速度快、分类准确率高。     

基于变分模态分解与近似熵的输电线路两相接地故障诊断

针对现有电力系统输电线路故障信号分析方法中,存在故障信号特征遗失等问题,提出一种基于变分模态分解(VMD)-近似熵(Ap En)的两相接地故障诊断新方法。首先选取故障点处容易获取的相电压信号作为故障信号;然后对各相故障信号进行VMD分解得到其分量,进一步提取各相IMF分量的近似熵值并作为一个特征向量。通过分析各相特征向量的模值,最终诊断出输电线路两相接地故障所在相。选取IEEE 5节点标准测试系统验证;并与EMD-Ap En算法进行比较。实验结果表明,提出的VMD-Ap En方法准确可靠,避免了EMD分解时产生模态混叠的现象;更能有效地诊断出输电线路两相接地故障所在相,具有较好的实用性。     

基于输电线路中的故障定位与原理分析

本文结合自身多年的工作经验,对输电线路中的电缆故障的原因,故障性质及判断,电缆预定位方法,电力电缆故障点精确定位与电缆识别方法等方面进行多方面的分析。对于如何快速准确测出电缆故障是各供电部门的首要课题,本文重点分析电力电缆故障类型、及定位方法。