基于云模型的风电机组出力异常监测方法

实时监测风电机组出力情况、及时发现机组问题,能够最大程度保障风电场经济效益。采用自适应Density-based spatial clustering of applications with noise(DBSCAN)算法提取风电机组正常状态下在风速–功率(v-P)坐标系中建立性能模型所需的数据。在监测阶段,在划分水平功率区间后利用马氏距离衡量监测数据与性能模型间残差,并将采用滑动窗口方法连续获取的残差子序列送入云模型进行模糊化评估,得出风电机组运行状态。结果云的变化表明,基于云模型的异常监测方法能真实客观反映机组运行状态,可为机组维护工作提供有效指导和建议。

分布式新能源接入电网的电能质量异常监测方法研究

电网电能质量易受到分布式新能源接入电网的冲击。冲击会破坏电压数据的完整性从而无法确定监测阈值,导致监测时间长、准确率低。为此,对分布式新能源接入电网的电能质量异常监测方法进行了研究。构建最小二乘支持向量机模型,通过综合学习粒子群算法确定模型超参数,利用优化后模型填补电压信号缺失数据。采用小波变换提取电能质量数据分布特征,获取每层能量分布与标准信号能量分布的差值。引入樽海鞘群优化算法优化反向传播(BP)神经网络初始权值和监测阈值,将差值输入训练完成的BP神经网络中,实现电能质量异常监测。试验结果表明,所提方法的查准率和查全率在95%以上、训练时间和测试时间在15 ms左右。该方法可准确、高效地监测到异常数据,从而保证电网的稳定运行。

基于随机矩阵的电力计量装置运行状态异常监测

电力计量装置在长期运行过程中,易发生局部异常现象,导致测量误差大。为此,提出了基于随机矩阵的电力计量装置运行状态异常监测方法。通过电力计量装置结构,进行综合误差分析,基于分析结果提出电力计量装置误差控制策略,降低电力计量装置误差;结合随机矩阵理论及时间序列分析,在获取电力计量装置时间序列极限谱分布的基础上构建矩阵,从而确定电力计量装置运行状态特征值;再以圆环律角度,利用建立的异常监测模型对运行特征开展异常监测,实现电力计量装置运行状态异常监测。实验结果表明,使用所提方法开展监测性能及误判率测试时,该方法的监测效果好、精度高,可有效提升电力计量装置的可靠性,保障装置的安全运行。

物联终端安全态势异常监测方法研究

针对物联终端安全态势异常监测准确率不高的问题,提出基于指纹特征识别的物联终端安全态势异常监测方法。提取数据包传送过程中的特征信息元,确定物联终端中的传输特征,构建物联终端型号分类特征指纹库;根据指纹特征库中的样本,进行物联终端安全态势异常现象的假设检验识别,最终实现物联终端安全态势异常监测。实验结果表明,所研究方法可有效监测物联终端安全态势异常状态,监测准确率高于85%,充分验证了该方法的应用价值。

基于ETC数据的隧道车辆通行异常监测系统

随着交通运输业的快速发展,隧道作为连接不同地区的重要通道,在现代交通网络中扮演着不可或缺的角色。然而,隧道内车辆通行异常往往给交通安全带来严重威胁,因此,针对隧道车辆通行异常的监测研究具有重要意义。本文旨在探讨ETC系统的数据优势,针对现有方法的不足,提出了一种充分利用ETC系统的隧道车辆通行异常监测系统,该系统旨在解决现有监控设施无法满足隧道安全运营管理需求的问题,提升智能化运营服务水平,可为相关领域的研究和实践提供有价值的参考。

基于灰色关联度趋势分析的加注泵异常监测

加注泵是航天发射场的关键设备,其工作异常监测对于航天发射任务的成功与否有十分重要的影响。因此,以灰色关联度趋势分析法为基础,建立了一种加注泵灰色关联度偏离指数模型,用以进行加注泵工作状态的异常监测。该模型采用回归拟合的方法建立灰色关联度标准数据序列,解决了加注泵因过渡工况数据样本少、数据波动较大造成的标准数据序列代表性不够、误差较大的问题;通过考察灰色关联度偏离强度累积效应,建立了灰色关联度偏离指数,解决了加注泵状态参数波动大导致异常诊断误判率较高的问题。以航天发射场常规推进剂加注泵为对象,说明了该模型的具体构建及应用步骤。应用结果表明,该改进模型能够提高异常监测的准确性、有效降低误判率,可以为加注泵异常监测提供重要的科学判据。

基于CAE-ECA模型的滚动轴承声纹信号异常监测方法

滚动轴承是电站辅机关键部件,其运行工况复杂且多处于强噪声环境,异常状态难以准确识别。针对传统声纹分析方法人工提取特征表达不充分且过分依赖专家知识的问题,提出了一种基于卷积自编码网络(Convolutional Auto-Encode,CAE)与有效通道注意力机制(Efficient Channel Attention,ECA)相结合的模型,实现滚动轴承声纹特征自适应提取与异常状态高效识别。首先,将一维时序声纹信号重复间隔采样构建输入样本,利用卷积、池化等神经网络结构自适应提取轴承运行声音信号的深层特征。然后,通过有效通道注意力模块增加卷积自编码网络对关键特征的权重。通过自编码网络结构实现声音信号的重构且仅使用滚动轴承正常运行声音信号数据进行模型训练。最后,通过模型对异常状态数据的重构偏差评估滚动轴承异常状态。试验表明,CAE-ECA模型在不同噪声条件下均具有较高的诊断准确率。

基于单片机技术的电缆管道异常监测仪器自动化控制系统

为保证电缆管道异常监测效果,实时掌握管道运行状态,该文设计基于单片机技术的电缆管道异常监测仪器自动化控制系统。该系统采用8051单片机为核心,实时采集并分析监测仪器的运行数据,通过控制参数的调整获取电缆管道异常监测仪器自动化控制量,实现电缆管道异常监测仪器自动化控制。测试结果显示,温度监测仪器的控制响应时间均在200 ms以内;气体监测仪器、压力监测仪器、温度监测仪器的监测偏差最大值均在0.22%以内。该系统可保证监测仪器的实时性,及时掌握管道运行状态。

基于网络流量特征匹配和时间微分博弈的网络异常监测

采用NetFlow数据采集工具获取网络流量数据,对流量数据预处理后从时域和频域两个方面提取网络流量运行特征;通过特征匹配判定当前网络安全状态后,采用时间微分博弈求解判定为异常的网络流量的时间点,以确认异常是否存在从而降低误报率.

基于飞行状态数据的火箭动力系统异常监测研究

针对火箭动力系统内部传感器较少、可信度较低导致异常监测困难的问题,提出一种利用飞行状态信息进行火箭动力系统异常监测的方法.从火箭控制系统闭环回路中选取合适可测的飞行状态参数构建故障数据集;利用LSTM-自编码器算法提取故障特征信息;构建支持向量机分类辨识模型,并利用人工蜂群算法对于支持向量机的参数进行参数寻优,实现动力系统故障的异常监测;最后通过火箭飞行控制闭环回路仿真验证了所提算法的有效性和可行性.

智能配电网电力采集终端状态异常监测系统设计

为使配电网电力采集终端的实际电量负荷水平更接近理想预测值,避免异常配电行为的出现,设计智能配电网电力采集终端状态异常监测系统。以SOA终端框架为基础,借助各级串口组成,建立核心监测主机与配电网电力巡回电路、电量数据采集单元间的物理连接关系,完成监测系统的硬件执行环境搭建。建立必要的异常电量数据研究模型,再依据信息编码原则,完成对电力采集终端状态异常数据的定向分析,实现智能配电网电力采集终端状态异常监测系统的顺利应用。实验结果表明,新型监测系统作用下,配电网电力采集终端电量负荷实际值与理想预测值间的最大差值结果只能达到0.61 kW·h,能够更好解决电网环境中的异常配电问题。

基于霍尔脉冲流量计和ESP8266的用水流量异常监测系统设计

随着信息技术的发展,物联网的应用越来越广泛,结合传感器技术与无线网络技术实现物联网的解决方案已成为当前解决现有用水问题的有效手段。本文利用霍尔脉冲流量计和ESP8266模块,对硬件采集终端和Web管理端进行设计,实现了一个用水流量异常监测系统,在物联网技术的支持下实现实时可视化的用水流量监控,以实现用水的可控性,从而提高用水管理的效率和质量。

基于气象大数据的连续异常监测方法

近年来,随着全球气候变暖,异常气候事件呈现不断增多增强的趋势。连续异常气候事件是指天气(气候)状态较严重地连续偏离其平均态的一类现象。相比于传统的异常事件,连续异常气候事件的持续性和超限性常被忽视,但其会对人们的生产生活造成严重影响。针对传统异常监测方法无法检测连续异常气象的问题,提出选取连续较大偏离适宜值的连续异常气象条件监测思想,进而提出“概率-百分位”算法识别连续异常,明确连续异常气候事件的时空分布特征,而后利用门控循环单元神经网络预测连续异常气象水平。将该模型应用于1951—2020年中国大陆166个测站的降水、气温、风速日气象指标数据,研究结果表明:随着持续天数的增长,许多测站的连续异常气象水平并非下降,而是呈现波动的趋势,因此要根据预测结果重点防范同时具有较高持续天数和平均日气象值的连续异常气象。该方法可用于连续异常气候事件的监测和预测工作,是对传统异常监测方法的有益补充。

基于层级时序记忆模型的变压器异常监测方法

变压器安全运行状态关系到电力系统的安全性和稳定性,提出了基于层级时序记忆模型的油浸式变压器运行状态异常检测方法。该模型模拟人大脑皮层结构,通过记忆-预测的方式进行数据挖掘和建模,仅采用正常运行状态数据进行训练,使模型对设备正常数据分布产生认知,进而对下一时刻的状态进行预测,并计算状态异常值。当异常值超出阈值时,系统产生异常预警。在实验阶段,使用油色谱传感器对变压器运行状态进行数据采集,将采集后的数据通过编码器编码形成稀疏表征作为模型的输入样本。实验结果表明,当监测数据发生异常时,系统能准确地进行异常预警,其预警精度达到主流算法水平的同时,该方法及时性更强,能够更早的进行异常预警。

一种基于视频流的传送带连包异常监测方法

食品传送带物料分拣系统中,包装箱的连包甚至碰撞是影响整个传送带分拣效率的重要因素之一。为提高传送带分拣效率,并减少由于箱体碰撞引起的破损情况,提出了一种基于视频流的实时监测方法,在对传送带重要分段上的所有箱体进行多目标检测的基础上,采用tracking-by-detection进行多目标跟踪,并实时计算不同位置上的箱体之间的距离,将距离信息实时反馈给系统。系统汇总不同区域的传送带信息,实现传送带的完全闭环调整。提出的实时监测方法满足不低于30帧/秒的检测速度,与传送带速度和箱体要求距离相匹配,满足实际需求。

基于LSTM神经网络的发电机绕组散热异常监测系统设计

随着电力能源需求的增加,发电机运转效率提高,增加了绕组散热量和热故障发生概率,影响发电机的正常运转。为此,设计了基于LSTM神经网络的发电机绕组散热异常监测系统。通过构造发电机绕组散热稳态平衡方程,分析发电机绕组散热特性,并结合绕组运行状态参数,构建发电机绕组温度模型。选取适当的绕组温度信号采集设备,实时采集发电机绕组温度信号,对其进行去噪处理,应用LSTM神经网络制定发电机绕组散热异常监测程序,实现了发电机绕组散热异常的检测与预警。实验结果表明,设计系统应用后,绕组温度信号信噪比最大值为97.41 dB,绕组散热异常监测结果与实际监测结果保持一致,证明了设计系统的应用性能良好。

基于流形学习的多模态水轮机温度时间序列异常监测

基于“association discrepency”的anomaly transformer算法,基于贝叶斯网络来建模概率密度的GANF算法,以及基于normalizing flow深度生成网络的MTGFlow算法,这些算法都使得多维时间序列异常监测更加高效且精确。但这些算法有一些问题:第一,只能在“纯净”的数据集上训练;第二,假设正常的数据都是“单模态”的。论文证明这些算法在多模态时间序列数据集上的不适用,并且提出了一种适用于多模态时间序列异常监测的新范式——基于流形学习的多模态异常监测模型,并采用鲁棒规则不再依赖纯净的数据集。

一种图高通滤波器的智能电网异常监测算法设计

智慧化、网络化是电网系统的主要发展方向。随着大量传感器的引入,此类电网的异常监测变得越发困难,准确识别异常节点成为解决问题的关键。基于图信号理论,设计出可监测电网异常数据的图高通滤波器,运用切比雪夫多项式对滤波器的算法模型进行优化。通过仿真检验,该模型能够以较高的准确率监测出智能电网中的异常传感器数据。

基于时间序列MODIS EVI数据的森林生长异常监测

利用遥感技术,基于时间序列的MODIS数据对2004—2006年东北三省的林区进行森林生长异常监测。首先利用MODIS数据时间分辨率高的特点,采用Savitzky-Golay滤波函数平滑8天合成的EVI,计算生长季面积和年EVI曲线熵值,两指标联合得到3年间变化量大的像素点,定义为森林生长异常点;然后抽取异常点的时间序列曲线进行分析,并结合森林灾害事件进行比较验证。结果表明:异常点曲线的熵值明显大于正常年,生长季峰值低,并且在生长旺季会出现峰值突然持续下降或双峰等异常现象,这与该区域森林生长异常发生时的植被反射率表征一致,说明用该法对森林生长异常进行监测是基本可行的。

基于Kalman滤波器的卫星钟实时异常监测算法

基于卫星钟钟差的Kalman滤波器模型,提出了一种卫星钟实时异常监测算法,对算法原理进行了讨论,并利用IGS精密钟差数据,对算法进行了性能验证。结果表明:该算法对卫星钟的异常情况(包括单点相位跳变与连续相位跳变)可以进行有效监测,同时还可以完成异常数据的剔除与替换,并且具有较小的替换误差。该算法具有显著的实时性,可以应用于星载原子钟的实时异常监测中。