基于GAF-CNN的机组振动信号特征提取方法研究

随着水电机组运行时间增长,机组运行数据不断增加,在机组健康状态识别过程中存在着健康样本过多、特征参数不明显等问题。本文结合格拉姆角场(GAF)与卷积神经网络(CNN)在特征表达与提取方面的优势,对水电机组健康运行数据进行处理。通过格拉姆角场将机组振动信号进行编码并生成相应特征图像,进而将其输入至卷积神经网络(CNN)模型以达到特征提取及分类的目的。使用仿真数据与机组实测数据,将GAF-CNN模型与传统长短期记忆(LSTM)网络模型进行对比,结果表明,GAF-CNN模型的特征提取方法具有更高的准确度与鲁棒性,在面对更长时间序列数据时依然能保持良好的准确度与抗噪性能,为水电机组健康评估模型性能提升提供数据基础。

对电力自动化中变电站综合自动化系统安全运行的探讨

在现代电力事业快速发展的今天,电力自动化将是未来发展的主要方向。而变电站作为电力系统的重要中转站,其综合自动化系统能否安全高效的运行,将直接对其电力自动化水平带来影响。因而本文正是基于这一背景,首先对变电站的综合自动化系统进行了概述;其次就变电站的综合自动化系统在运行过程中存在的问题;再次就如何确保变电站的综合自动化系统安全高效的运行提出了几点对策;最后对全文进行了简单的总结。旨在与同行强化业务之间的交流,以更好地促进电力自动化水平的提升。