基于大数据的电气开关柜异常状态实时判定算法

为了实时检测开关柜异常状态,缩短停电时长,保障电力平稳输送,提出基于大数据的电气开关柜异常状态实时判定算法。采用四层小波包分解提取电气开关柜数据信号的特征向量,利用粒子群算法优化支持向量机分类器中的惩罚因子及核函数参数,搭建粒子群算法改进的支持向量机分类器,并以开关柜特征向量为输入进行训练,输出结果0或1,分别表示开关柜此时为正常状态或异常状态。实验结果表明:异常状态判定的AUC面积较为接近1,算法性能优秀;实际应用效果较好,可大幅度缩短因开关柜异常导致的停电时长,保障电力平稳输送。

煤矿带式输送机异常状态视频AI识别技术研究

传统的带式输送机异常状态识别采用人工巡检或机械综合保护系统进行检测,人工巡检劳动强度大、效率低、难以准确发现故障等,机械综合保护系统易造成误判,识别效果不佳,已无法满足煤炭行业智能化需求。随着机器视觉、深度学习和工业以太网技术发展,视频AI技术成为煤矿带式输送机异常状态智能识别的研究热点。分析了采用视频AI技术识别煤矿带式输送机输送带跑偏、托辊故障、人员入侵、人员不安全行为、堆煤及异物等异常状态的研究现状,指出目前煤矿带式输送机异常状态视频AI识别技术存在视频图像数据集构建耗时长、异常状态识别精度不高、视频信息传输延时大3个主要问题。针对视频图像数据集构建耗时长问题,提出加强基于半监督、无监督及小样本学习的视频AI识别算法研究、基于生成模型等方式扩充数据集的解决思路;针对异常状态识别精度不高问题,提出加强数据去模糊方法研究、利用生成对抗网络等算法均衡正负样本和改进AI识别算法的解决思路;针对视频信息传输延时大问题,提出构建“云−边−端”协同的带式输送机异常状态视频AI识别系统架构,合理部署高带宽、低延时的网络通信系统的解决思路。从高性能视频AI识别算法,高带宽、低延时视频通信技术,“云−边−端”高效协同的视频AI识别系统和健全视频AI识别技术标准4个方面展望了带式输送机异常状态视频AI识别技术的发展趋势。

基于多源数据的城市群枢纽间多模式交通系统异常状态影响研究

为探究城市群多模式交通系统异常状态的影响范围,从需求端非常态客流变化和供给端运输能力下降两方面对多模式交通系统异常环境进行分类,提出了基于手机信令数据、意向出行调查及客票信息等多源数据的异常状态影响范围识别流程和分析方法;以京津冀城市群为例,确定强链接枢纽间通道客流动态安全阈值,提出了基于贝叶斯预测的通道客流异常检测方法;利用提升度、余弦相似度及其标准化值来区分枢纽关联规则的有效性,提出了基于强关联规则确定异常状态影响范围的方法。研究表明:基于贝叶斯预测的通道客流异常检测方法具有实时性,提高了客流安全阈值精度;基于实际手机数据和假定异常情况下的意向调查数据并结合关联规则确定枢纽影响范围,可为利用数据挖掘技术分析突发异常状态的影响和对策提供借鉴。

基于对抗自编码的风电齿轮箱异常状态识别

对风电机组进行早期异常状态识别,有助于提高机组可靠性、降低运维成本。文章基于监控与数据采集(SCADA)系统数据,提出了一种基于卷积对抗自编码器的风电齿轮箱异常状态识别模型。首先,用预处理后的健康SCADA数据训练卷积对抗自编码器,根据训练结果自适应确定异常状态阈值;然后,将所有数据输入到训练好的模型中,利用自编码器的输入和输出计算曼哈顿距离作为健康状态的度量,使用指数加权移动平均控制图显示结果。由于不同机组所处运行工况不同,每个机组单独训练并测试。现场风电齿轮箱故障案例验证了方法的有效性。

基于熵序列的电网大数据异常状态实时监测方法研究

采用熵序列法对电网大数据异常状态实时监测进行研究,通过计算考察窗口和参考窗口的强度比率来进行异常判断,实现对异常模式的提取,同时将所提取的异常模式作为检测样本数据,通过熵序列实现对异常状态的实时监测。最后将熵序列法和小波模极大值模糊熵法应用于智能电网系统持续六个月的数据流分析中,对比结果表明,熵序列法对异常状态实施监测更加准确、快速,具有更高的实用价值。

基于改进K-means的电能表时钟异常状态智能检测方法

为了最大限度降低因时钟状态异常给电能表性能带来的影响,提出基于K-means的电能表时钟异常状态检测方法。采用K-means聚类算法对原始的时钟运行数据进行预处理,利用阈值参量将时钟信号划分为噪声信号和正常信号两类,再计算待检测时钟信号中噪声信号的含量,并通过比较计算结果与时钟允许噪声含量之间的关系,实现异常状态检测。测试结果表明,设计方法实现了对时钟不同程度异常状态的准确检测,可靠性较高。

基于卡口监测数据的路段交通异常状态识别方法研究

以路段为对象,研究交通异常状况自动识别方法,为道路交通管理部门提供技术手段。首先,系统分析了现有交通异常状态识别方法原理和存在的问题,结合卡口监测数据特性,设计异常状态识别的基本思路及研究路线;其次,对路段模型进行重新定义,利用其上下游卡口历史数据,获取行程时间指标参数;再次,基于行程时间概率分布规律,确定异常状态对应的行程时间阈值,建立识别流程,将实测行程时间与行程时间阈值进行比较,实现异常状态判别;最后,选取乌鲁木齐市建国路部分路段开展实例验证。结果显示,采用所提方法进行路段异常状态评价,其评价结果与人工观测情况完全相符,能有效提升异常状态识别的实时性、准确性。

基于电网跳闸数据分析的供电线路异常状态预警方法

为提升电力系统的稳定性与安全性,研究基于电网跳闸数据分析的供电线路异常状态预警方法。以广州市电网为例,统计分析在2010—2014年中,其电网电压小于或等于75 kV的电网跳闸数据,得出跳闸主要因素为天气;以风速、温度、相对湿度及线路走向同风向间夹角作为输入特征量,以实际出现的跳闸异常状况为输出,创建基于BP神经网络的供电线路跳闸异常状态预警模型,并实现跳闸异常状态预估;依据预估结果,结合供电线路跳闸异常状态预警过程完成预警,并通过训练来调整漏警集与虚警集,提升预警准确率。结果表明,所提方法的训练集平均准确率为99.69%,测试集平均准确率为97.65%,而其他对比方法最高值仅为90.32%;所提方法的空报率和漏报率均在1.5%以下,说明其准确率高且性能稳定,预估结果与现实状况相符,可作为供电线路跳闸的有效预警方法。

变工况滚动轴承异常状态局部切空间分类检测

变工况滚动轴承异常状态数据在特征空间上呈现高维模糊分类特征,异常状态数据的子特征分区极为困难,增加了轴承异常检测的难度。为此,提出变工况滚动轴承异常状态局部切空间分类检测方法。采用局部切空间排列法,降维处理变工况滚动轴承数据,使其在局部切空间满足分类空间映射条件,再利用深度置信网络,通过异常数据训练提取数据的异常特征。将提取的特征输入到SVM分类器中,利用非线性映射函数将二维特征矩阵映射到三维分类空间中再将超平面结构加入其中。在多项式核函数的引导下,找到对应的子特征分类区域,根据分类结果检测变工况滚动轴承的异常状态。实验结果表明:在调整轴承承载负荷前后,该方法针对异常状态的检测率较高,早期异常点检出所花时间较少。

起重机械钢丝绳异常状态在线监测方法

起重机械在建筑、军事、码头等行业内均有着较为重要的应用,通过起重机械能够实现重物的起吊运输,在节省人力的同时大幅度提升工作效率。而在起重机械应用过程中最重要的便是需要做好钢丝绳质量的把控,起重机械钢丝绳在不同应用环境下会受到不同程度的磨损,如若不能够及时发现钢丝绳异常现象,将可能会造成严重的影响后果。在计算机技术、智能化技术的推动下,研发的起重机械钢丝绳异常状态监测系统能很好地实现对钢丝绳实时监测,进一步提高起重机械应用的安全性和稳定性。对起重机械钢丝绳异常状态监测要求、监测系统设计构架和功能特点等方面内容,进行具体的研究分析。

基于数据挖掘的特高压变压器异常状态检测研究

对特高压变压器的异常状态进行检测可以避免其在运行过程中出现严重故障,为了提高特高压变压器异常状态检测的准确率,提出了基于数据挖掘的特高压变压器异常状态检测研究。根据特高压变压器在运行时的电压有效值、电流有效值、视在功率、无功功率和功率因数,测量特高压变压器的运行参数。将特高压变压器异常状态信息挖掘问题转化为特征空间的求解问题,通过构建特高压变压器异常状态信息的特征空间矩阵,给出特高压变压器异常状态特征空间的求解条件,利用数据挖掘算法,挖掘出特高压变压器异常状态信息。基于特高压变压器异常状态的特征矩阵,引入判别函数,模拟特高压变压器异常状态特征,通过构建特高压变压器异常状态检测模型,实现特高压变压器异常状态的检测。实例分析结果表明,该方法能够检测出特高压变压器的异常状态,并将准确率提高到90%以上。

基于孤立森林算法的电梯运行异常状态在线检测

为了提高电梯运行稳定性监控能力,设计了一种基于孤立森林模型的电梯运行异常状态在线检测方法。该方法可实时检测电梯加速度参数,振动状态主要依据基线判断,映射关系建立于电梯振动位置和能量间,电梯相关质量参数异常数据测试采用孤立森林算法实现。研究结果表明,振动能量主要集中于低频段,未观察到故障变化特征,也未检测出高频冲击信号,与人工测试获取的信息特点相符。在线测试正常值占比均高于99.6%,判断电梯正常状态及实际运行状态间差异时,主要应用了孤立森林模型。该研究有助于排除电梯运行故障,保障生命安全。

基于随机森林的220kV主变压器异常状态预警方法

为提高对220kV主变压器异常状态预警的准确性,提出基于随机森林的220kV主变压器异常状态预警方法。该方法首先通过相应的传感器,对主变压器的运行数据进行采集。其次,为提高采集的数据质量,对其进行预处理。接着,基于处理后的数据,利用模拟退火算法确定异常状态数据特征。然后为提高后续预警的准确性,利用基尼系数和信息增益率确定最佳分裂特征。最后,基于此实现决策树的构建,根据置信水平确定异常状态,实现预警。结果表明,所提方法可有效提高主变压器异常状态预警的准确性,可达到97.4%,且具有较高的预警效率。

基于CNN的变压器异常状态声纹识别方法研究

变压器是电力系统当中最为核心的组成部分,其直接关系到电网的稳定与完全,为最大程度降低变压器故障所导致的严重损失,必须要对变压器的异常状态进行及时有效的识别与检修。目前,深度学习模型在各个领域都得到了广泛的应用,而基于深度学习的声纹识别方法也越来越成熟,作为深度学习网络中最为常用的一种网络架构,CNN常用于局域空间特征提取,在自然语言以及图像处理方面都能够进行有效的识别。本文利用CNN对变压器异常状态进行声纹识别,能够有效提升变压器异常状态的识别准确率。

磷酸铁锂电池在电力应用中输出电流异常状态监测方法

为实现高精度监测电池电流需求,提出磷酸铁锂电池在电力应用中输出电流异常状态监测方法。利用电流传感器采集磷酸铁锂电池输出电流信号并对信号进行转换,利用扩展卡尔曼滤波技术降噪处理并进行归一化,进而修正信号误差,提取电流异常特征,识别异常状态。实验证明,设计方法漏检率在1%以内。

基于随机森林的220kV主变压器异常状态预警方法探索

随着电力系统规模的不断扩大和电力设备的日益复杂,确保主变压器的安全运行成为电力工程领域亟待解决的问题。主变压器作为电力系统的核心组件,其异常状态可能导致严重的事故,对电力系统的可靠性和稳定性构成威胁。因此,结合现代化技术,构建主变压器异常状态预警体系有现实意义。随机森林作为一种集成学习算法,能够有效地处理高维度数据和复杂关联,为主变压器异常状态的预测提供了强大的工具。基于此,以随机森林方法为基础,提出一种220kV主变压器异常状态预警方法,对保证电力系统安全、稳定运行具有重要作用。

基于改进ReliefF-PNN的航空发动机起动系统异常状态识别

在航空发动机起动系统异常状态的识别研究中,起动系统的参数具有数据间相关性强、数据维度高、数据冗余信息多等特点。为降低数据维度,提高异常状态识别的准确率,将改进ReliefF算法与概率神经网络(probabilistic neural network,PNN)结合,提出改进ReliefFPNN的航空发动机起动系统异常状态识别方法,更加有效地降低了参数的维度,并提升了异常状态识别模型的性能。利用该模型针对起动系统进行识别验证和分析。结果表明,利用改进后的ReliefF-PNN算法得到的参数子集进行异常状态识别的准确率优于改进前的结果,模型性能得到了进一步改善。

含分布式电源的变电站运行设备异常状态监控方法

传统方法在含分布式电源的变电站运行设备异常状态监控中的应用效果不佳,不仅错误监控次数较多,而且变电站运行设备回归稳态所需时间较长,无法达到预期的监控效果,因此提出含分布式电源的变电站运行设备异常状态监控方法。利用传感器采集变电站运行设备的温度、电流、电压等状态量信息,采用主成分分析算法降维处理状态量,利用深度神经网络技术提取设备异常特征,识别监测设备的异常状态,通过隔离保护异常状态设备,实现含分布式电源的变电站运行设备异常状态监控。实验证明,该设计方法错误监控次数占总监控次数的比例仅为0.6%,运行设备可以在1 s内回归到稳定状态,在含分布式电源的变电站运行设备异常状态监控方面具有良好的应用前景。

基于VME-M1DCNN-LSTM的齿轮异常状态智能识别

针对工程实际中齿轮振动信号受噪声污染严重导致其异常状态难以准确识别的问题,提出了一种基于变分模态提取(variational mode extraction,VME)和多尺度一维卷积(multiscale one-dimensional convolution,M1DCNN)融合长短时记忆神经网络(long short-term memory,LSTM)的齿轮异常状态智能识别新方法。首先,采用VME方法分别对采集到的齿轮处于正常状态、轮齿碎裂、齿轮断齿、齿根裂纹以及齿轮磨损等5种状态的原始振动信号进行预处理,去除原始振动信号中的噪声干扰,提取齿轮不同状态的主模态分量作为齿轮状态的特征信息;其次,由提取的齿轮状态主模态分量构建训练数据集与测试数据集;最后,设计了M1DCNN-LSTM异常状态识别模型,并采用所构建的数据集对设计的异常状态识别模型进行了测试试验验证。结果表明,所提出的方法可以很好地实现齿轮异常状态智能识别效能,异常状态识别准确率达99.25%,明显高于其他相关齿轮异常状态识别方法。

基于CNN-BiLSTM-BOWA的智能电表异常状态检测方法

针对复杂异构电力设备环境下频繁出现的异常行为及传统智能电表异常状态检测方法准确率低、误报率高等问题,本文提出将卷积神经网络和双向长短期记忆网络相结合的改进模型,通过对真实用电数据进行仿真试验,本文从预测准确率与误差等方面展开分析,验证提出的模型在智能电表状态检测中具有明显的优势。