基于5G技术的电站智能巡检技术及故障诊断应用

随着电站规模扩大,传统人工巡检与工业监控相结合的电站巡检模式往往存在无法自动识别判断故障及信息反馈敏感度低等问题。结合5G技术和人工智能,引入变分模态分解(VMD)及图像灰度处理技术对电站内机组运行数据进行分析,结果表明:图像分形维数存在30Hz与85Hz的频率特征,幅值对应分别为0.02和0.009,为主频和次频,且远远强于其他杂频。VMD方法成功地分解了各监测点的压力脉动信号,获得了时域和频域上的各模态函数特征。通过分析尾水管处两个监测点的VMD分解结果发现,其频率成分相似且与蜗壳内部监测点的频率一致。本文的研究结果可以为电站的智能化建设提供重要支持,同时为电站运行和维护提供更有效的手段。

基于Transformer模型的IGBT剩余寿命预测

为了提前预测IGBT的剩余寿命(RUL),减小失效造成的损失并辅助维护,提出了一种基于Transformer模型的RUL预测方法,使用瞬态热阻曲线预测RUL。首先,使用不同的热循环参数进行老化试验,观察到IGBT模块结-壳瞬态热阻会随着老化而变化;然后,通过处理采集到的数据,计算出瞬态热阻并删除异常值;最后,训练一个Transformer神经网络来预测IGBT的寿命。试验结果表明,根据瞬态热阻的变化,神经网络能很好地预测IGBT剩余寿命。Transformer模型平均预测误差为0.188%,与长短时记忆网络模型进行对比,Transformer模型的预测准确度提高了0.126%。

水电站智能巡检系统监测运行与时序特征分析

水电站是国家能源战略部署重要的组成部分,水电站各组件的状态参数及运行参数的收集、分析和反馈对电站的安全稳定运行至关重要。本文针对国内大多数水电站目前采用的传统人工巡检和工业监控相结合的系统存在的人力消耗大、安全系数低,工业摄像头易出现死角、人工监视屏幕疲劳等问题,对已开发用于电站监测的智能巡检机器人的工作原理及在水电站内日常巡检和运行分析系统进行介绍,并将机器人所采集到的信号分为一次状态信号、缓慢变化信号、快速脉动时序信号。针对快速脉动时序信号独有的复杂性和非线性特性,本文将传统时频信号分析方法和非线性混沌分析方法相结合,分析快速脉动时序信号,得到其非线性特征与机组运行不稳定性的关联性。结果表明在智能巡检分析模块加入非线性混沌分析可以有效建立机组信号与运行状态的关系,实现水电站实时状态监测。