基于多图卷积神经网络的主汽温系统故障诊断

针对主汽温系统具有大迟延、大惯性、非线性和时变性的特点,提出了一种基于多图融合-图卷积神经网络的故障诊断方法。建立邻接图和相关性图,将机组历史运行数据扩展为非欧式空间的图数据,引入特征权重和截断参数来约束节点间的相关性,对图信息进行融合。同时,利用邻接矩阵建立各运行数据间的拓扑信息,并通过深度图卷积结构融合邻近节点信息,建立系统数据与运行状态间的映射关系。结果表明:相较于概率神经网络(PNN)、长短期记忆神经网络(LTSM)和最小二乘支持向量机(LSSVM),所提MG-GCN模型的故障诊断准确率分别提升了11%、7%和16%,误检率、漏检率均较低,能够对多种系统故障类型进行准确识别,具有良好的故障诊断性能。

电网结构知识表示方法研究与管理系统开发

根据电力系统层次结构的特点，提出网络层拓扑、厂站层拓扑和设备属性知识的框架表示方法。对厂站层拓扑知识给出一种通用的框架表示方法和一种以母线为核心的框架表示方法。通过在故障诊断和恢复专家系统中的应用，表明所提出的知识表示方法是可行的。同时为方便知识库的管理，开发了相应的管理系统。

Petri网在电力系统中的应用

介绍了Petri网的基本原理及其在电力系统中的应用。通过收集和整理国内外相关学术期刊和会议论文集中已发表的数十篇有关Petri网在电力系统中应用研究方面的学术论文,按故障诊断、系统恢复、配电系统重构、机组组合、网络拓扑分析、可靠性分析、继电保护建模与混杂电力系统分析等方面分别进行了分类述评。从现有的研究工作情况来看,Petri网在电力系统中的应用涉及面很广,并受到了比较普遍的重视。

计及可信度的变结构贝叶斯网络电网故障诊断

现有贝叶斯网络电网故障诊断方法受电网结构复杂、保护与断路器动作信息不确定性等影响,存在所建网络模型复杂、诊断结果不准确的不足。提出了一种计及可信度的变结构贝叶斯网络电网故障诊断方法。首先根据故障告警信息、由电网接线分析搜索得到疑似故障元件,根据收集的与疑似元件相关的保护与断路器动作信息,判断疑似元件所属的故障模式,建立该故障模式下的贝叶斯网络模型;其次对模型中各保护与断路器事件的状态和发生时刻分别进行可信度评估,计算出各事件的可信度值,将其代入含可信度的贝叶斯推理公式,计算得到元件的故障概率,判断故障元件、识别误动或拒动的保护与断路器。多组算例验证了所提方法能够准确判断故障元件。

基于多特征选择算法的功率变换器故障分类方法

对综合模块化航电电源转换模块的核心部件进行故障诊断的过程中,选择合适的特征能够有效提高模型的效率和分类准确率,极大地降低学习算法的计算复杂度。设计了典型的Sepic结构DC-DC变换器模型,对DC-DC变换器的典型故障类型进行故障模拟;通过仿真获取相应的原始数据,采用数据进行预处理、特征提取与多特征选择融合;利用BP神经网络方法对DC-DC变换器进行故障诊断分析,仿真验证了该方法的有效性。

基于B/S结构的分布式风电监控系统设计

为解决风力发电系统分布不集中,各品牌的风力发电系统的监控设备不统一的问题,开发了一种基于B/S结构的风力发电监控系统;系统采用三层B/S软件架构思想,由客户端浏览器、Web服务器端以及数据库服务器组成;利用ASP.NET技术实现对风电现场的实时监控和利用小波神经网络实现对风机的故障诊断等功能;该监控系统具备跨平台运行能力,降低了监控系统对客户端的要求,对不同风电现场具有整合监控能力,同时该监控系统诊断功能能提高风机维护针对性,有效的减少维护时间。

基于GNN的电网动态特性评估及其知识图谱应用

提出了一种基于图神经网络(GNN)的电网故障检测方法,辅助解决网络运维领域的故障问题.通过构建电网特征抽取模型以及知识图谱,将所提出图神经网络应用于电网的故障节点定位;通过引入时间维度信息,将前后时刻的节点状态辅助当前时刻的故障检测;将图神经网络层的各个节点输出特征进行相关性分析,验证图神经网路对节点特征抽取的有效性.结果表明:所提出的图神经网络能够有效地定位电网故障节点,在仿真故障场景上获得了99.53%的定位准确率,图神经网路对节点的特征建模可以定性观测节点故障扰动传播情况,对故障节点分析起到了重要辅助作用.