基于贝叶斯网络信息融合的直流配电网故障诊断方法

新型直流配电系统故障期间暂态特征复杂多变,继电保护存在拒动和误动情况。为了避免继电保护的不正确动作对故障诊断产生影响,提出一种基于贝叶斯网络信息融合的直流配电网故障诊断方法。首先,对传统继电保护贝叶斯网络模型进行改进,同时考虑直流配电网故障限流策略,分别构建保护动作信息、断路器动作信息和限流策略信息3种贝叶斯网络模型,对故障区域内各元件的故障概率进行初步评估。其次,利用D-S证据理论将各元件对应的故障概率信息进行融合,完成故障元件的判别。然后,应用故障元件对应的贝叶斯网络模型识别误动或拒动的保护装置与断路器,实现对直流配电网的故障诊断。最后,通过算例验证了所提故障诊断方法的可靠性以及准确性。

基于云计算和大数据技术的传感器数据存储与分析系统设计

针对当前传感器数量剧增,导致传感器测量数据复杂性高的特点,提出了基于云计算和大数据技术的传感器数据存储与分析系统,用于传感器数据的收集、存储和分析。该系统采用开源技术,提供端到端的传感器数据生命周期管理和分析工具。在Hadoop MapReduce框架的基础上,结合分布式机器学习框架中的k-means算法,构建一个可扩展的机器学习库。在弹性分布式数据集Spark上运行提出的系统,结果表明,该系统能够有效地对大量数据点进行聚类,与机器学习软件Weka相比,提出的系统可以分析数百万个坐标而不会出现性能问题,证明了其在大规模传感器数据分析应用中的有效性。

基于改进图卷积神经网络的配网线路故障诊断

随着电网的不断扩容,系统结构越来越复杂,多故障频发,而多故障是故障诊断的关键和难点。为解决故障处理数据量大,需要快速、准确地诊断电网故障的问题,本文提出了一种基于模糊优化图卷积神经网络的配网故障诊断模型。首先处理采集的配网故障线路的特征数据;其次,搭建基于图卷积神经网络的故障诊断模型,利用模糊理论建立配电网故障的隶属函数;最后利用训练好的模型进行配网故障诊断。仿真结果表明,模糊优化图卷积神经网络对多故障诊断的准确率高于卷积神经网络以及其他方法,本文方法做出的诊断结果更加精确,综合诊断效果最好。

基于贝叶斯分类的分布式网络故障诊断模型

该文提出了一个基于Agent的分布式网络故障诊断系统模型框架 ,该模型对贝叶斯分类理论进行了推广。模型将先验知识和观察数据结合起来 ,从而大大改进了系统的诊断性能。模型采用一定的状态检查和验证策略 ,保证了Agent的自身安全和通信安全。Agent之间各自独立 ,相互协作 ,合作完成诊断任务。该模型与特定的系统应用环境无关。因此 ,该文提供了一个通用的网络故障诊断系统框架。

基于模型的配电网故障诊断关键问题研究

现有配电网故障诊断方法主要是根据故障后保护装置产生的报警信息,断路器的状态变化信息来推断可能故障位置和类型,属于后验故障诊断方法。基于模型诊断方法(Model-based diagnosis,MBD)则直接利用电压电流等量测量来判断故障元件,可以在保护装置和断路器动作前进行故障定位,具有一定的故障预警功能。给出一个完整的基于模型的配电网诊断方案,采用优化的离散二进制粒子群算法(BPSO,Binary Particle Swarm Optimization)求取冲突集的最小碰集,诊断识别过程中以贝叶斯后验概率形式量化了候选诊断的衡量标准,从而降低诊断过程中的不确定度。最后以某10kV配电网为诊断实例,通过实际建模、编程和实验,取得了良好的效果。

基于贝叶斯网的分布式电网故障诊断方法

基于Leaky Noisy-Or贝叶斯网进行动态建模,提出了一种分布式电网故障诊断方法。该方法采用电网保护测量元件动作信号作为诊断证据。针对诊断模型中的概率参数计算问题,提出了一种事件采样的先验概率计算方法。针对利用局部信息实现分布式电网故障诊断的问题,对Leaky Noisy-Or节点模型进行推导,给出了2个推理,证明了该分布式方法的可行性。采用逐步排除的方式,动态建立了元件诊断模型和联合诊断模型,通过推理计算实现了电网故障诊断。算例证明了该方法的正确性和有效性。

基于多分类相关向量机的变压器故障诊断新方法

变压器故障诊断本质为多分类问题,具有故障样本数据少,故障不确定因素多的特点。现有变压器故障诊断方法中,贝叶斯网络(BN)需要大量样本数据且计算量大,支持向量机(SVM)存在规则化系数确定困难的局限。针对此现状,提出基于多分类相关向量机(M-RVM)的变压器故障诊断新方法。该方法以变压器溶解气体含量比值作为M-RVM模型的输入,采用快速type-Ⅱ最大似然(Fast Type-ⅡML)和最大期望估计(EM)的方法进行模型推断,诊断输出为各故障类别的概率,以概率最大的故障类别作为诊断结果。实例分析表明该方法诊断速度较快,能满足工程需要,同基于BN和SVM的变压器故障诊断方法相比,具有较高的诊断正确率。

分布式监测诊断系统的开发与设计

给出了分布式监测诊断系统的定义，分析了分布式监测诊断系统的特点及设计要求，定义了分布式监测诊断系统的层次结构及各层功能。

基于贝叶斯网络和D-S证据理论的分布式电网故障诊断

提出了基于贝叶斯网络和D-S证据理论的分布式电网故障诊断模型。首先采取实时接线分析方法确定故障区域以缩小诊断范围,然后分别运用蝶形和叶形分割法分割电网,再引入重合度概念,采用重合度、重合度与子网故障系数的几何平均值进行D-S证据融合。将2种电网分割法、2种D-S证据融合法组合成4种分布式诊断模式,再与集中式一起对多个算例进行对比仿真实验。仿真实验结果表明采用蝶形分割法和几何平均值法的分布式诊断模型较为准确和合理。

相关向量机及其在变压器故障诊断中的应用

分析并用典型数据分类算例验证相关向量机(RVM)在分类性能方面优于支持向量机(SVM),在此基础上以标准化的变压器主要特征气体含量为输入量,采用二叉树的分类方法建立基于RVM的变压器故障诊断模型。实例分析表明,同基于SVM的故障诊断方法相比,该方法可以取得与其相当甚至更优的故障诊断正确率,相关向量个数明显少于支持向量个数,诊断速度显著提高。

基于WebService技术的变压器故障诊断系统

为克服基于Web模式的诊断系统以及COM技术的应用往往不能全面满足诊断软件共享需求的缺陷,简单介绍了WebService的特点及其核心技术后提出了一种基于WebService技术的变压器故障诊断系统,并讨论了系统设计及诊断流程等内容。最后通过实例开发和应用举例,说明了WebService技术在数据共享和分布式计算方面的优势即相对于Web技术,WebService技术不再是实现程序与用户的交互,而是实现程序到程序的交互,使诊断系统的数据和计算方法能更加灵活地被客户端调用及管理。

基于粗糙集-贝叶斯方法的分布式电网故障诊断

针对实际的电网故障诊断中常存在的冗余和不确定性信息这一问题,基于智能互补融合的思想,将粗糙集和贝叶斯有机结合在一起,并鉴于传统的人工智能在大电网故障诊断应用中存在的局限性而采用分布式数据挖掘的思想,提出了一种基于粗糙集-贝叶斯的分布式电网故障诊断方法。该方法首先把大电网分割成给定数目的局部电网,然后利用粗糙集对各个局部电网分别建立决策表并进行约简,最后利用粗糙集-贝叶斯方法进行局部电网内部及局部电网之间的联络线的规则提取形成全局规则库,并根据实时报警信息进行规则匹配得到诊断结果。经电网故障诊断算例分析表明,该算法正确、有效,速度快,容错性好。

基于贝叶斯网络的分布式输电网故障诊断

针对输电网拓扑结构日渐复杂且发生故障后报警信息存在不确定性的情况,提出了一种基于贝叶斯网络的分布式输电网故障诊断方法。分别建立了线路、变压器、母线的分布式元件诊断模型和联合诊断模型,并对其进行了分层。结合SCADA/RMS系统信息,对元件诊断模型采用后向推理,确定可疑故障元件;再由联合诊断模型推理,得到具有最大后验概率的故障元件组合。经过算例仿真,验证了该方法的正确性和有效性。

基于分布式贝叶斯网络的多故障诊断方法研究

针对复杂系统存在的不确定性、多故障以及传统贝叶斯网络诊断实时性差等问题,提出一种基于分布式贝叶斯网络的故障诊断方法。该故障诊断方法将大型、复杂系统故障诊断模型抽象为贝叶斯网络模型,并将其分解为若干贝叶斯网络子系统,基于消息传播机制完成多个子系统局部推理以及子系统间重叠子域紧凑的消息传播,实现分布式贝叶斯网络的故障推理与诊断。实验结果表明,该故障诊断方法可在复杂、不确定性系统中完成单故障和多故障推理、诊断任务,与传统贝叶斯网络故障诊断方法相比,该方法在推理速度上的优势尤为突出,具有广泛的应用前景。

基于贝叶斯网络和理想解动态群决策的故障诊断方法

为综合利用多属性信息和历次故障搜索结果反馈信息进行故障诊断,提出一种基于贝叶斯网络和理想解动态群决策的故障诊断方法。以砼泵分配阀液压系统为例,利用贝叶斯网络对系统进行分析并求解根节点的后验概率和关键重要度;根据本次诊断成功与否对下次最优搜索决策影响程度的大小,定义出启发函数求解启发式信息价值;考虑后验概率、关键重要度和启发式信息价值等因素,利用基于熵权的理想解法求取搜索方案的群体理想解和逆理想解,得到故障搜索最佳方案;考虑历次故障搜索最佳方案对当前搜索方案的影响,最终求得故障搜索的最佳方案序列。该方法克服了单属性决策和群决策方法的不足,提高了故障诊断的可行性和诊断效率。

基于小波和贝叶斯网络的智能建筑供配电系统故障诊断研究

为提高智能建筑供配电系统故障诊断效率和精准度,提出了一种基于贝叶斯网络与小波变换的故障诊断方法。首先,从理论上对智能建筑供配电网络拓扑结构进行详细分析,然后利用小波变换原理对故障信息中的开关量和电气量进行筛选重组,最后运用贝叶斯网络对筛选重组后的故障信息进行建模分析,得出故障诊断结果。具体介绍了故障信息中电气量和开关量提取过程,针对现有智能建筑供配电系统的故障特点,给出了相应恢复策略,以IEEE-39多节点复杂电力故障系统为例进行仿真研究。结果表明,所提方法的故障诊断结果快速性和准确性更高。研究成果对智能建筑供配电网络的故障诊断研究工作具有重要参考价值。

基于计算统一设备架构的高铁故障诊断方法

为解决传统高铁振动信号故障诊断方法速度慢、难以满足实时处理的要求,提出一种基于计算统一设备架构(CUDA)加速的高铁振动信号故障诊断方法。首先利用CUDA架构对高铁数据进行经验模态分解(EMD),进而计算分解所得到的各个分量的模糊熵,最后利用最近邻分类(KNN)算法对多个模糊熵特征组成的特征空间进行故障分类。实验结果表明,该方法能高效地对高铁振动信号进行故障分类,运行速度较传统方法有明显提高。

面向分布式应用管理的混合故障诊断模型

由于分布式应用的动态性、复杂性,传统的人工管理已经不能做到很好的故障管理,应用自主计算的思想实现管理成为一种解决问题的方法.研究基于故障诊断技术实现系统自感知.首先,根据对分布式应用故障管理的分析,提出一种混合故障诊断模型,将故障诊断的过程分为应用服务故障诊断和网络服务故障诊断2个阶段;其次,由于对网络故障症状的观察存在不确定和不准确的特点,将故障诊断模型映射到贝叶斯网络上进行不确定性推理;最后,重点研究了在多层FPM模型中进行推理的算法,给出一种基于变量消元算法的改进算法,实验证明改进算法可加速推理过程.

改进的贝叶斯算法在智能变电站网络故障诊断系统中的研究

提高智能变电站网络故障诊断能力对于确保电力系统的稳定运行和供电可靠性具有重要意义,故障的分类是目前智能变电站网络故障诊断系统所面临的一个主要问题。常用分类算法存在着训练数据多样化,特征的选择标准具有不确定性,学习潜力匮乏等问题,文章在原有贝叶斯算法的基础上加入了特征的选择标准及学习过程,实验结果表明改进的贝叶斯算法在很大程度上能有效解决故障分类问题,从而提高智能变电站的网络故障诊断能力。

一种基于PCA和贝叶斯分类的气动调节阀故障诊断方法

该文提出一种基于主成分分析(principal component analysis,PCA)和贝叶斯分类的故障诊断方法,并将其应用在气动调节阀的故障诊断中。首先,应用DAMADICS平台仿真气动调节阀多种易发生的故障,监测用于进行故障诊断的信号,采集诊断过程所需要的训练数据集和测试数据集,并对数据集进行主成分分析处理,降低其维度,进而获取数据集的主要特征;然后,利用极大似然估计方法求出训练数据集所满足的多元高斯分布的均值和方差,得到每种故障模式下训练数据集分布的概率密度函数;最后,应用测试数据集进行验证,对于测试数据集中的每个测试数据样本,分别计算测试数据样本属于各种故障类型的后验概率,后验概率越大,对应发生故障的可能性就越大。将该方法与支持向量机(support vector machine,SVM)诊断方法和k-近邻(k-nearest neighbor,k-NN)诊断方法进行对比,诊断准确度整体较高,方法可行。