单向链路失效下的源路由保护倒换

依据IEEE 802.17协议,弹性分组环中所有链路故障都被视作双向链路故障,当环路发生单向链路故障时,为了避免不必要的带宽损失,提出一种改进的源路由保护倒换方案。利用TP(Topology)帧帧头extendedControl域中的保留bit辅助传递链路故障信息,使得环路能够区分单、双向链路故障以便采取最优的重路由操作。分析结果表明:在单向链路故障的情况下,该方案使得环路的故障链路消耗带宽下降了约17%。仿真结果也验证了在单向链路故障下,该方案能够显著提高环路的吞吐量,降低业务的平均延迟时间,并缓解环路的拥塞状况。该方案实现简单,具有很好的应用潜力。     

基于改进量子遗传优化支持向量机的配电网故障分类

针对传统方法在解决现代配电网故障分类时存在的求解速度慢、分类精度差的问题,提出一种结合量子遗传算法的支持向量机配电网故障分类方法。首先采集故障信号并进行S变换处理,将处理结果的均方根与均值作为特征量,以提高特征量辨识度;其次在量子遗传算法的种群更新策略中引入自适应动态旋转角,避免算法在早期陷入局部收敛,增加算法的调参精度。以IEEE33节点配电网模型为研究对象的实验结果表明,所提的特征量提取方法有效提高了支持向量机的故障分类精度,改进后的量子遗传算法通过为支持向量机寻到更优参数从而进一步提高了故障的判别精度和分类速度,验证了方法的有效性与准确性。     

基于边缘特征的绝缘子故障检测

针对绝缘子图片的一致性较差且绝缘子故障特征的不可预知性问题,提出了基于绝缘子边缘特征的故障检测算法。首先基于纵坐标方向连续单像素边缘提取算法,实现绝缘子骨架提取与伪边缘过滤;然后采用改进的Canny算法,通过基于多峰梯度直方图的阈值分割和边缘跟踪,解决边缘的连通性与伪边缘之间相斥的问题,实现边缘特征的精确提取;最后基于均匀采样的边缘特征点计算角度的算法,通过绝缘子边缘特征的按片匹配,实现绝缘子的缺陷检测。对高速铁路接触网巡检车采集的406张运营线路绝缘子图片进行测试验证,结果表明本算法检测的精确度达到99%,召回率达到98.7%。本方法适用于拍摄正常及过度曝光情况下的绝缘子检测,满足运营维修保养的要求,可为绝缘子故障检测提供参考。     

基于GM(1,1)模型的齿轮故障识别预测研究

针对齿轮故障诊断问题,提出一种基于灰色预测模型(GM(1,1))的齿轮故障识别预测方法。根据齿轮磨损情况将齿轮故障定义为4种状态：正常齿轮状态、齿根裂纹故障状态、齿面磨损故障状态和断齿故障状态。通过搭建齿轮故障诊断实验台,利用振动传感器采集齿轮工作过程中处于不同磨损状态时的振动加速度信号样本,利用小波降噪、小波分解重构等方法重构特征信号,得到去噪后的信号图像,进而提取振动加速度信号特征数值,并基于GM(1,1)建立齿轮故障识别预测模型。研究表明,该模型预测数值与真实值误差均值在0.56%～0.67%,相对误差均方根值在0.33%～0.43%,其中齿根裂纹状态时相对误差均值为0.67%,相对误差均方根为0.33%;断齿故障状态时相对误差均值为0.67%,相对误差均方根为0.39%;齿面磨损故障时相对误差均值为0.56%,相对误差均方根为0.43%。表明模型预测精度较高,可用于齿轮故障预测研究,为齿轮故障诊断提供了一种新的研究方法及理论依据。     

低压配电线路故障中性线断线的危害及防护措施

文中阐述了中性线N（PEN）断线故障的危害、减少N（PEN）断线的措施和断线后保护措施。     

继电保护故障信息与通信协议的结合

本文首先分析介绍了继电保护及故障录波器信息处理系统的构成、任务和信息传输的特点和要求、相关的国际标准：提出了故障信息系统的主站和子站的通信协议采用IEC60870—5—103和FTP组合的协议方案,分析了该通信协议满足所传送信息的需要、与现有的电力数据通信网络中不同类型通道的结合方式;接着分析介绍了子站系统内部采用以太网,接入不同类型装置和录波器的方案,提出了协议转换采用尽量下放到接近装置,分散处理的原则;也介绍了与现有的厂、站自动化系统的通信协调;最后分析了故障信息系统兼容或采用IEC61850标准的问题。     

分布式智能电网中电源失效时的电能优化分配

构建一种分布式智能电网的总体框架模型,给出分布式发电规划与优化控制总体模式;针对分布式智能电网中的电源故障问题采用一种改进微粒群算法进行优化潮流计算,获取系统正常工作发电设备的优化功率分配方案,并基于IEEE 14-bus系统进行了仿真,验证了所提方法的有效性.     

比对分析与故障检测技术及其在航天工程中应用

比对分析是工程信号分析与故障诊断的重要手段之一。论文提出并构建了3组可以分别适用于不同情况的数值比对算法,并建立了基于比对残差的渐变型故障分离和突发性故障诊断的实用方法。通过实例说明了比对分析方法在航天外测故障诊断等领域的重要应用。     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络(CNN, convolution neural networks)和长短时记忆网络(LSTM, long short-term memory networks)就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM(fuzzy C-means)模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。