针对样本类不平衡的深度残差网络电力系统暂态稳定评估方法

系统的量测数据可能受到噪声以及样本类分布不平衡问题的影响,导致基于数据驱动的暂态稳定评估模型性能下降。提出一种针对样本类不平衡的的深度残差网络电力系统暂态稳定评估方法。首先,利用改进过采样技术为滤除噪声的少数类样本构造所需的新样本,改善样本类不平衡问题,并减少噪声的影响;然后,基于深度残差网络构建电力系统暂态稳定评估模型,解决梯度消失导致的模型性能退化问题,提高模型的鲁棒性和准确性;最后,在新英格兰10机39节点和47机140节点系统上的仿真结果表明,所提方法能减小噪声干扰、降低不平衡数据集所带来的影响和减少计算复杂度。

基于WGAN-div和DLA34模型的轴承故障智能诊断新方法

针对实际工业场景中设备长时间运行于正常运行状态,故障样本不易获得且采集到的样本种类不平衡,导致以数据为驱动的深度智能诊断模型性能退化的问题,提出一种基于生成对抗网络(WGAN-div)和深度卷积神经网络DLA的两阶段处理模型。利用WGAN-div生成故障样本,实现样本间的类平衡,将平衡后的数据集送入DLA34网络中进行特征提取和故障分类。DLA34以其特殊的聚合结构能够融合各层的语义和空间信息,实现更深的信息共享。最后,利用凯斯西储大学轴承故障数据集进行验证。实验结果表明:该模型中WGAN-div能生成与原始样本高度相似的生成样本,数据平衡效果也优于目前主流的GAN、WGAN和DCGAN;且由DLA34完成的故障识别准确率在所设数据集上均达到100%。

基于TLR-ADASYN平衡化数据集的MSSA-SVM变压器故障诊断

变压器的稳定运行在电力系统安全中扮演重要角色,而变压器故障数据样本的不足会对故障类型的准确识别产生严重影响。论文首先使用了托梅克链接移除和自适应样本合成的方法对原始数据进行去噪处理及少数类数据样本合成;然后修正了部分麻雀算法(sparrow search algorithm,SSA)公式,并将其与差分进化算法融合,提出了改良麻雀算法(modified sparrow search algorithm,MSSA);接着构建了一种基于平衡数据集的改良麻雀算法优化支持向量机(modified sparrow search algorithm-support vector machine,MSSA-SVM)的变压器故障诊断模型;最后对BP神经网络(BP neural network,BPNN)、粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)、麻雀算法优化支持向量机(sparrow search algorithm-support vector machine,SSA-SVM)和MSSA-SVM进行对比仿真实验。结果显示,各类模型在使用平衡数据集后的平均准确率分别提升了3.12%、6.03%、7.58%、10.23%,验证了所提不平衡数据处理方法的有效性;另外,PSO-SVM、SSA-SVM、MSSA-SVM分别迭代了30次、26次和20次后收敛,其在测试集中Kappa系数分别为0.758、0.785和0.870,这表明了MSSA在该模型优化上具有更强的全局搜索能力。仿真结果说明在变压器数据不平衡的实际背景下,所提变压故障诊断方法具有较高的优越性。

基于CS-SVM的氧化铝蒸发过程故障检测

针对氧化铝蒸发过程样本集中的类不平衡和故障难以实时检测问题,提出线性权重递减粒子群-代价敏感支持向量机故障检测方法。深入分析氧化铝蒸发过程机理,选择合适输入条件、操作参数、状态参数作为代价敏感支持向量机的输入向量,工况样本类别作为其输出。代价敏感支持向量机以最小化误分类代价为目标,利用线性权重递减粒子群优化代价敏感支持向量机核参数和误分类代价参数。实验结果表明所提出的方法能有效地提高故障识别率和减少平均误分类代价。