考虑声-振模态结合的抽水蓄能机组轴承故障诊断

为解决抽水蓄能机组轴承磨损故障难以监测和识别的问题,提出一种结合声振数据的双模态神经网络机组轴承诊断模型。首先分析了抽水蓄能机组声振特性,融合相似软阈值对奇异值分解去噪方法进行改进,有效消除非接触式传感器固有噪声干扰。其次提出逆巴克频谱变换方法,并结合巴克频谱变换和格拉姆角和场变换等特征工程技术,提取机组轴承的声纹和振动特征图。通过融合相对位置编码的自注意力机制和深度可分离卷积,建立特征图传递网络。同时运用多头自注意力机制和双向长短期记忆网络搭建了时序数据传递网络,并以平行网格架构构建了机组轴承故障诊断模型。实验对比分析表明,所提方法具有较高的故障识别准确率,为抽水蓄能电站机组轴承监测问题提供了有效的解决途径。

基于图卷积整图分类的低压台区短路故障研判方法

低压台区的故障识别不仅是台区运行管理的重要手段,同时台区的故障会对低压用户直接造成人身安全问题。现有的低压台区故障识别手段通常采用客户上报结合人工现场勘察,耗时费力。随着透明电网的建设,低压台区的运行数据为低压台区的故障识别提供了有力支撑。因此提出了基于图卷积神经网络整图分类的低压台区故障识别方法。首先,将台区用户作为节点,自动生成台区拓扑邻接矩阵;其次,通过智能设备终端采集台区发生故障时节点的故障特征数据并降维处理,与邻接矩阵形成成对的映射图数据。最后将整个台区的图数据作为整图输入至图卷积神经网络,通过平均池化图的特征数据得到整图的节点表示,最终输出对应的短路类型。最后仿真验证了本文方法在低压台区短路故障类型研判中准确率较高,达到90%。