基于小波包变换的电力电缆单相接地故障区段自动定位方法

在电力系统中,由于噪声影响,故障特征信息的提取可能不准确,影响定位精度。为此,研究基于小波包变换的电力电缆单相接地故障区段自动定位方法,通过高精度传感器采集电缆故障信号,利用小波包变换进行多尺度分解和重构,以提取时域特征,并基于这些特征建立选线判据来确定故障区段。实验证明,此方法在金属性和非金属性接地故障中均能实现精确定位,为电缆故障的快速、准确检测提供了有效手段。

基于IOOA优化SVM的电力电子软故障诊断

针对电力电子电路的软故障特征区分度差、不易诊断等一系列问题,本文提出了一种基于改进鱼鹰优化算法(improved osprey optimization algorithm, IOOA)支持向量机(support vector machine, SVM)的故障诊断方法。该方法采用变分模态分解(variational mode decomposition, VMD)提取故障信号的时域与频域特征,利用IOOA优化支持向量机的惩罚参数和核参数,建立IOOA-SVM故障诊断模型。在基准函数测试中,IOOA的寻优精度和收敛速度均有提升,并且IOOA-SVM在电力电子软故障诊断中精度达到96.88%。

基于小波变换的中压电力电缆故障诊断方法

当前对于中压电力电缆故障诊断多采用变分模态分解算法,该方法易受到电缆参数自由度的影响,使得诊断准确性较低。为此,提出基于小波变换的中压电力电缆故障诊断方法。根据电力电缆仿真结构,对电缆运行参数进行采集与拓展计算,基于小波变换将采集到的数据进行预处理,根据预处理后的参数构建电缆故障诊断模型,将模型计算得出的数值与故障阈值进行比较,以此实现对电缆故障的诊断。仿真对比实验结果表明,所提方法能够更加准确地实现电缆故障诊断,诊断准确性更高。

人工智能在新能源汽车电力电子设备故障诊断中的应用

随着新能源汽车的发展和生产技术的更新换代,其搭载的电力电子设备规模越来越大,功能越来越复杂,故障诊断的要求也越来越高,人工查障也渐渐达不到要求。而人工智能的高速计算能力,自我学习能力、强大适应能力则体现出高度的适应性,且不断发展的算法也满足了增长的安全要求。基于此,本文从新能源汽车的几大核心设备,如电池、电机、电控系统、传动系统等入手,分析了新能源汽车常见的故障和基于人工智能的故障诊断现状,借此可以对新能源汽车的电力电子系统设计起到帮助作用。

基于小波包分解的电力系统运行故障自动诊断方法

为提高电力系统运行的安全性,本文设计了基于小波包分解的电力系统运行故障自动诊断方法。采集并预处理电力系统实时监测数据,并对预处理后的电力系统数据进行小波包分解,将信号分解为一系列不同尺度和频率的子频带。从每个子频带中提取与故障相关的特征,根据特征提取的结果,利用事先建立的故障模型和规则库进行故障诊断,判断故障的类型、位置和原因。实验表明,该方法可以将诊断错误率控制在0.5%以下,具有较高的可行性。

基于改进小波包分解的电力系统继电保护回路故障诊断方法

常规的保护回路故障诊断方法以故障特征信息分析为主,受到噪声干扰,故障诊断结果存在一定的失准问题。为了解决这一问题,文章设计了一种基于改进小波包分解的电力系统继电保护回路故障诊断方法。所提方法首先提取电力系统继电保护回路故障波形特征,将继电保护回路故障区段的非平稳信号提取出来,以确保后续故障诊断的准确性;然后基于改进小波包分解构建保护回路故障诊断模型,通过堆叠、重构等形式,生成更加准确的故障诊断分量;最后优化模型,求解电力系统继电保护诊断模型分支系数,以使其满足故障诊断的精度需求。仿真结果表明,该方法的故障诊断准确性更高,能够应用于实际工程中。

一种基于小波变换的电力系统故障诊断方法

当前电网监控数据中存在大量的异常和故障信息,这些信息通常被隐含于大量相关的海量信息数据之中,而常规的傅立叶分析无法对其进行时间及故障定位。提出了一种基于小波时频特性的故障诊断方法。采用一维小波多尺度分析方法,对瞬态信号进行了低频段和高频段滤波处理,在去除噪声的前提下,获取了故障时刻;在此基础上,利用模峰最大值奇异性提取方法提取出系统中的故障发生位置,进而对电网系统的故障时间和故障位置进行诊断。通过在IEEE39网络仿真中进行仿真测试,仿真测试结果表明所提出的方法能够对复杂电网系统中的异常信号进行时-频特征分离检测,并首次达到了对电网系统中故障时间和故障位置的检测需求。

基于电力电子技术的电气设备故障诊断研究

本研究旨在探讨基于电力电子技术的电气设备故障诊断方法,以应对电气设备故障诊断的挑战和需求。首先,概述了电力电子技术在电气设备中的广泛应用,并分析了传统电气设备故障诊断方法存在的局限性,以及复杂多变的电气系统结构和数据处理与分析的挑战。在此基础上,提出了基于电力电子技术的电气设备故障诊断方法。这些方法可以有效地提高电气设备故障诊断的准确性和效率,为电气设备的安全稳定运行提供了重要支持。

基于混沌系统和离散小波变换的卷积神经网络的电力电缆故障诊断

针对传统电力电缆特征提取方法存在信息冗余及故障模型诊断不精准的问题,提出了一种基于混沌系统和离散小波变换的卷积神经网络的故障诊断算法,即采用离散小波变换对采集的局部放电信号进行滤波,采用洛伦兹混沌系统建立动态误差散布图以提取故障特征,最后通过卷积神经网络(CNN)进行故障识别。结合4种典型电力电缆绝缘故障及测试平台进行验证,结果表明,所提算法能够快速准确地识别电力电缆的故障状态,识别准确率达到97.5%,证明了所提算法的可行性和有效性,其能够为电力电缆的故障诊断提供一定的参考价值。

小波包和改进粒子群算法的电力电子故障诊断

为提高广泛应用的电力电子电路故障的诊断准确率与速度,提出一种基于小波包变换和改进粒子群算法的电力电子电路故障诊断方法。首先,利用小波包对故障信号进行分解与重构得到小波包系数,应用Fisher准则降维并进行归一化处理,得到优化的故障特征向量;然后,采用具有扭曲粒子位置的措施和增加动态惯性权重系数的改进粒子群算法求取各类故障的故障特征中心,通过计算测试样本与故障特征中心的欧氏距离实现对故障的分类诊断;最后,通过典型电力电子电路仿真实验对所提出的方法进行实验验证。实验结果表明,文中选用改进后的粒子群算法进行故障诊断时,与小波包-BP神经网络和小波包-极限学习机比较,准确率分别提高了3.52%和6.3%,诊断所需时间分别减少2.4 s和3.5 s。

基于多尺度小波包启发卷积网络的旋转机械故障诊断

在工程实践中,旋转机械故障诊断常面临噪声干扰、故障样本稀缺以及工况变化等各种复杂情况,这给先验知识缺乏的数据驱动深度学习方法应用带来了新的挑战。传统基于小波分析的故障诊断方法可提取到故障丰富的先验知识,但固定(结构化)或单一的小波基难以直接适应复杂故障场景。针对上述问题,在传统多尺度小波包分析思想启发下,提出一种基于多尺度小波包启发卷积网络(multiscale wavelet packet-inspired convolutional network, MWPICNet)的端到端旋转机械故障诊断方法。MWPICNet在神经网络内部实现了时频域转换与滤波降噪、特征提取与分类过程的有机耦合。首先,通过交替使用多尺度小波包启发卷积层和软阈值激活层进行信号分解和非线性变换,逐层挖掘多尺度时频故障特征和过滤噪声冗余信息,该过程的多次迭代可近似视为小波包阈值去噪算法在多个可学习滤波器和可学习阈值下的多层深度展开;然后,设计频带加权层动态调整各频带通道的权重;最后,引入全局功率池化层提取有助于故障状态识别的判别性频带能量特征。在三种不同应用场景下分别采用对应的机械故障数据集进行案例研究,验证了所提模型在复杂故障场景下的可行性和有效性。

基于Zoom-FFT-CEEMD和小波包降噪的风电机组齿轮箱故障特征提取和诊断

基于信号处理的风电机组齿轮箱故障诊断是风力发电领域中的重要研究方向。针对风电机组齿轮箱故障特征提取问题,提出了一种基于Zoom-FFT-CEEMD和小波包降噪的方法。通过对在风电机组齿轮箱振动测点所采集到各个测点的振动加速度信号做RMS趋势分析,找出RMS趋势明显上升的测点和时间段。利用小波包降噪技术对该测点的振动信号进行降噪处理,互补集合经验模态分解(CEEMD)得到的分量对振动信号进行多尺度分析,再使用Zoom算法对齿轮箱振动信号进行局部放大,以突出故障信号。利用快速傅里叶变换(FFT)对放大后的信号进行频谱分析,以提高故障特征的提取准确性。实验结果表明,与传统频谱分析法相比,该方法能够有效地提取风电机组齿轮箱的故障特征,具有较高的准确性和稳定性,为风电机组齿轮箱的早期故障诊断提供了一种有效的方法。

基于小波包变换的柱塞泵脉动压力信号BP故障诊断

为了提高柱塞泵脉动压力信号的故障诊断诊断能力,分别提取得到正常的泵脉动压力与齿圈出现磨损故障时对应的泵脉动压力,利用小波包变换的方法消除原始信号的噪声信号,再提取得到由故障信息构成的频段,完成信号时域特征的分析。频段介于0~4 kHz之间时,在柱塞泵脉动压力信号中形成了泵轴频、基频与谐倍频等,含有泵运行过程的各项信息参数,处于高频区间时,发生了线谱幅值的持续减小。利用MATLAB软件建立BP网络故障诊断结果表明:脉动压力指标可以实现柱塞泵内部运行情况的准确识别,达到故障诊断的测试要求。方法在诊断方面是有效的,在处理柱塞泵脉动压力信号故障诊断领域具有很好的实际指导意义。

电力电子变换器结构性故障的有向图论诊断方法

提出了一种基于有向图论分析的电力电子变换器结构性故障诊断方法。首先将变换器的拓扑图转换为有向图,找到正常工作路径;然后根据故障类型求出邻接矩阵,利用邻接矩阵得到故障时的工作路径,与正常工作路径进行比较后,可以得到特征电量的变化情况,从而获得故障诊断的判据。文中以二极管钳位型三电平半桥逆变器为例,介绍了基于有向图论分析的结构性故障分析及诊断方法,最后通过仿真验证了该方法的可行性和有效性。

基于人工智能的电力电子变换器开路故障诊断研究综述

电力电子变换器已被广泛应用于航空航天系统、直流输电、分布式能源和智能电网等领域,其可靠性问题成为学术界和工业界的研究热点。开展对电力电子变换器开路故障监测与智能诊断方法研究,对避免二次故障、降低运维时间与成本和提高电力电子系统可靠性具有重要意义。文章首先对电力电子变换器故障特征进行分析与总结,然后对特定基于人工智能(artificial intelligence,AI)技术的电力电子变换器开路故障诊断方法及应用实例综述,随后提出一种基于随机森林与瞬时故障特征相结合的故障诊断方法用于三相电力电子变换器故障诊断,最后提出基于AI的电力电子变换器开路故障诊断方法面临的挑战,并展望该领域未来的研究方向。

基于小波变换和支持向量机的电力电子故障诊断

采用小波分析与支持向量机(SVM)对电力电子故障进行自动识别和诊断,运用变尺度分辨小波方法对电力电子故障信号进行特征处理,SVM能够对小样本数进行模式识别并且具有良好的分类推广能力。在小波分析特征基础上,采用分布式多SVM分类器识别电力电子故障。实验证明,该方法能准确有效地对电力电子故障进行识别和诊断。

基于小波包分形的电力电子故障诊断方法

针对现有电力电子故障诊断的问题,提出了一种基于小波包分形的电力电子故障的诊断方法。首先使用3层小波包对电路输出电压波形进行分解、消噪和重构等预处理,以获得不同频带的重构信号,然后再计算各个重构信号的分形维度,提取出相应的故障特征;最后以此作为输入数据来训练支持向量机,实现电力电子故障的诊断。以三相整流电路为例进行实验,实验结果表明该方法能有效地提取电力电子故障诊断的故障特征,提高故障诊断的准确率,可有效地应用于电力电子系统的故障诊断。

基于S变换的电力电子电路故障诊断技术

提出一种基于S变换和支持向量机(SVM)的电力电子电路故障诊断方法,首先对故障信号进行S变换时频分析并提取相应的故障特征,然后构造支持向量机分类器实现对故障类型的识别.三相桥式可控整流电路晶闸管故障诊断仿真结果表明该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性且训练样本数少,在解决电力电子电路故障问题上有着很好的实用价值和应用前景.

基于小波包能量法及神经网络的电力电子装置故障诊断

故障特征提取和识别方法的研究对发展和完善电力电子装置的智能故障诊断技术有着重要的作用。应用小波包能量法提取出电力电子装置在各种状态下电压及电流信号的能量特征向量,并将它们进行数据融合作为神经元网络故障分类器的输入向量,由神经元网络故障分类器对各种故障进行识别和诊断。以电力电子整流装置主电路故障为例进行了仿真实验,试验结果表明该方法无需数学模型就能快速准确的完成故障定位诊断。

基于小波包分析与支持向量机的电力电子整流装置故障诊断

针对当前电力电子整流装置使用的故障诊断方法在应用过程中表现出的缺陷,提出了一种基于小波包分析与支持向量机的电力电子整流装置故障诊断方法:首先使用小波包分析方法对故障信号波形进行分解,提取故障特征向量,然后使用支持向量机理论构造多分类故障分类器对提取的故障特征向量进行分类.仿真实验结果表明,该方法能够有效地完成对电力电子整流装置的故障诊断,具有很好的工程应用价值.