基于CNN的电力变压器故障诊断方法

针对电力系统运行中对于电力变压器进行高效、准确的故障诊断需要,文中提出了一种基于卷积神经网络的电力变压器故障诊断方法。利用电力变压器油中溶解气体分析法得到特征气体并重新对其进行二进制编码,对编码后的数据进行预处理从而得到特征向量。以特征向量为基础,构建相应的卷积神经网络模型,实现对电力变压的故障诊断。实验结果表明,相较于其他传统机器学习算法,文中所提出的卷积神经网络模型在电力变压器故障诊断时的诊断准确性与诊断效率均有显著优势,能够有效保障电力系统运行的可靠性。

基于人工智能技术的电力信息系统访问自动控制模型

针对传统基于角色的访问控制模型效率低、控制性能差、访问控制困难的问题,设计了一种基于人工智能技术的电力信息系统访问控制模型。给出电力信息系统访问控制模型总体结构。通过人工智能技术,结合人工神经网络与人工免疫算法设计检测器,为检查访问请求模块提供依据。通过检查访问请求模块找出是否有和访问请求匹配的检测器,以判断访问请求是否合法。经验证,设计模型可有效支持合法用户的访问与修改,防止非法用户访问,控制精度高。

考虑邻近效应的变压器线圈多故障诊断方法研究

传统离线检测方法,无法对变压器线圈情况进行在线检测,为此,提出一种新的考虑邻近效应的变压器线圈多故障诊断方法。在考虑邻近效应的情况下,对变压器线圈进行谐波分析,构建特征包络线,以体现谐波振幅改变情况,针对变压器谐波波形含有的时域信号与频域信号两层特征,利用傅里叶变化把信号置于纯频域进行分析,在此基础上,依据能量熵对故障特征进行提取,添加幅值一致,但相位角差180°的辅助噪声,将傅里叶转换中的剩余辅助噪声进行滤除,得到变压器线圈多故障特征。依据多故障特征构建考虑邻近效应的变压器线圈故障诊断模型,实现故障诊断。进行实验时,计算故障能量熵,和正常运行情况下能量熵进行比较,发现熵值可作为诊断变压器线圈故障的依据。对三种故障特征进行提取,通过支持向量机分类模型对变压器线圈多故障进行诊断,和文献[5]方法与文献[8]方法相比,所提方法诊断准确率最高,可靠性最强。