基于CNN-SVM的水电机组智能故障诊断方法研究

在当前水电机组智能故障诊断的方法中,人为选择故障分类特征的主观性及故障小样本数据的局限性对故障诊断结果的准确性具有重要影响。对此,结合卷积神经网络(CNN)的特征提取优势和支持向量机(SVM)优良的小样本处理能力,提出了一种针对水电机组振动故障诊断的CNN-SVM方法。该方法以水电机组振动信号的时域波形图作为模型输入,然后利用CNN提取信号特征并导入SVM实现机组故障诊断。最后,通过具体的实例分析,验证了所提诊断方法的优势。

能源互联网形态下多元融合高弹性电网:水电与新能源角色

随着可再生能源的进一步开发,建设清洁、低碳、高弹性的电网成为各国的首要任务之一。为了更清晰理解新的发展目标,分析可再生能源的间歇性对电网的影响,明确了水电能够有效平抑间歇性产生的波动和对电网稳定性的作用;进一步研究新型的虚拟电厂系统,用于协调目前不可控的分布式能源、储能系统和电动汽车、小水电站及间歇性可再生能源电站,提出了一种基于不同时间尺度的高弹性混合电网调度控制逻辑框架。

基于综合指标降噪的CEEMDAN-TCN水电机组振动趋势预测

通过对水电机组建立有效的振动趋势预测模型,可预知机组运行状态并保障其运行安全。针对振动信号非线性与非平稳性的特性,提出基于综合指标降噪的CEEMDAN-TCN水电机组振动趋势预测模型。首先通过正弦余弦算法(SCA)对自适应噪声完备集合经验模态分解(CEEMDAN)和时间卷积网络(TCN)的各参数进行寻优,提高算法的预测精度;然后通过优化的CEEMDAN算法分解与功率谱熵、近似熵及相关系数共同构建的综合降噪指标筛选,得到有效的IMF分量;最后通过优化的TCN完成对各个分量的预测,将各分量预测结果叠加实现对原始振动信号的趋势预测。电站实际数据测试表明,该方法能够精确可靠地预测振动信号发展趋势。