检索结果-南通市图书馆

基于改进隐马尔可夫模型的金属氧化物避雷器劣化监测方法

在线全文

学校读者我要写书评

暂无评论

浙江电力 2022年第6期41卷 69-75页

作者：方逸越方文田李涛朱育钊陈晓彬广东电网有限责任公司揭阳供电局广东揭阳522000

针对MOA(金属氧化物避雷器)劣化监测问题,提出一种基于改进HMM(隐马尔可夫模型)的监测方法。该方法通过获取变电站内MOA泄漏电流数据,建立应用于MOA劣化监测的改进HMM模型;根据变电站内连接于同一母线的MOA泄漏电流的谐波含量,应用D-S... 详细信息

针对MOA(金属氧化物避雷器)劣化监测问题,提出一种基于改进HMM(隐马尔可夫模型)的监测方法。该方法通过获取变电站内MOA泄漏电流数据,建立应用于MOA劣化监测的改进HMM模型;根据变电站内连接于同一母线的MOA泄漏电流的谐波含量,应用D-S证据融合理论与粒子群算法得出HMM观测概率矩阵。通过MATLAB仿真分析了电网电压谐波对该模型的影响,结果表明,在电压谐波的干扰下,MOA非线性特性系数a与k的最大误差分别为0.21%与0.02%,证明了该模型可以有效消除电网电压谐波的影响,提升MOA劣化在线监测的准确性。

关键词：金属氧化物避雷器隐马尔可夫模型劣化监测谐波干扰在线监测

基于电流谐波特征的矿用电缆劣化监测与故障诊断

在线全文

学校读者我要写书评

暂无评论

工矿自动化 2023年第10期49卷 35-42页

作者：卢润戈徐涛周卓蓓李茂黄潮灿中国南方电网有限责任公司电缆系统安全与运维保障重点实验室广东广州510623 广东电网有限责任公司广州供电局广东广州510013

矿用电缆受煤矿恶劣环境影响,容易发生绝缘劣化、护套受损等情况,传统的矿用电缆检测多采用低压脉冲法、局放法等离线诊断方式,操作复杂,准确度低,难以满足现代煤矿生产需求。而现有基于谐波的电缆故障诊断方法存在检测装置笨重、检测... 详细信息

矿用电缆受煤矿恶劣环境影响,容易发生绝缘劣化、护套受损等情况,传统的矿用电缆检测多采用低压脉冲法、局放法等离线诊断方式,操作复杂,准确度低,难以满足现代煤矿生产需求。而现有基于谐波的电缆故障诊断方法存在检测装置笨重、检测精确低、难以在煤矿应用等问题。针对上述问题,提出一种基于电流谐波特征的矿用电缆劣化监测与故障诊断方法。提取电缆中高次谐波含量信息作为故障特征向量,对特征向量进行归一化处理后导入极限梯度提升树(XGBoost)模型,结合已知电缆故障劣化度数据,形成训练样本集,训练XGBoost模型,最后通过构建的XGBoost模型对电缆劣化度进行实时监测和故障诊断。仿真结果表明:针对电缆不同部位提取的高次谐波向量的相对能量有明显不同,表明提取的高次谐波向量可表征电缆不同部位的运行状态;XGBoost模型的拟合优度参数R2高达0.93,且误差较小。案例分析结果验证了基于电流谐波特征的矿用电缆劣化监测与故障诊断方法可对矿用电缆运行状态及劣化故障进行实时、准确的监测和诊断。

关键词：矿用电缆故障诊断劣化监测电流谐波特征极限梯度提升树 XGBoost模型

同方期刊数据库博看期刊

基于主成分分析与支持向量回归的MOV劣化状态诊断研究

在线全文

学校读者我要写书评

暂无评论

电瓷避雷器 2023年第2期 41-48页

作者：贺敬安陶世银罗少辉金欣青海省气象灾害防御技术中心西宁810001

基于主成分分析(PCA)和支持向量回归(SVR)构建诊断模型,探索性的预测MOV器件在遭受浪涌后的劣化状态。研究过程:前期分别对数个MOV进行多脉冲冲击实验,记录器件在每次冲击前后的各项电参数,随后通过主成分分析得到每个MOV的劣化数值变... 详细信息

基于主成分分析(PCA)和支持向量回归(SVR)构建诊断模型,探索性的预测MOV器件在遭受浪涌后的劣化状态。研究过程:前期分别对数个MOV进行多脉冲冲击实验,记录器件在每次冲击前后的各项电参数,随后通过主成分分析得到每个MOV的劣化数值变化曲线,并结合对实际器件损伤情况的判断来确定完全损坏阈值点,最后基于支持向量回归算法在实验训练集上构建关于MOV劣化状态的诊断模型并使用测试数据进行检验。检验结果表明,构建的模型在接收一组遭受冲击后的MOV电参数数据作为输入后,可以较为精准的输出表征其劣化状态的数值量(0~1范围内),与实际劣化值相比,计算得到均方根误差为0.081。为在实际电气系统中对MOV器件的劣化监测预警提供了一种新的方法思路。

关键词： MOV 劣化监测多脉冲主成分分析支持向量回归

基于SCADA数据的风电机组发电性能劣化研究

在线全文

学校读者我要写书评

暂无评论

基于SCADA数据的风电机组发电性能劣化研究

作者：刘博嵩华北电力大学(北京)

学位级别：硕士

近年来,风力发电在我国快速发展。实时监测风电机组发电性能对提高机组运行安全性和经济性具有重要意义。风电机组正常稳定运行时记录的SCADA数据即功率主带数据可以准确反映风电机组发电性能和数据特征。但在实际运行中,受到人为限负... 详细信息

近年来,风力发电在我国快速发展。实时监测风电机组发电性能对提高机组运行安全性和经济性具有重要意义。风电机组正常稳定运行时记录的SCADA数据即功率主带数据可以准确反映风电机组发电性能和数据特征。但在实际运行中,受到人为限负荷、传感器故障等影响,实测运行数据中往往存在大量的异常值,不能直接用于发电性能劣化研究。因此,本文从风电机组异常数据识别和发电性能劣化预警两个层面展开研究。(1)分析风电机组在不同工况下的控制策略和数据特征。从风速-功率散点图出发,对风电机组功率主带数据和异常数据的分布情况进行展示说明,研究异常数据产生的主要原因,为后续建模提供依据。(2)提出了基于DB-MKIF模型的风电机组异常数据识别和发电性能劣化预警方法。风电机组异常数据识别是发电性能劣化监测预警的基础。DB-MKIF模型使用自适应DBSCAN聚类算法对异常数据执行分区间初步剔除。而后提出基于孤立森林的MKIF算法,定义MKIF异常分数,在三维空间中对运行数据中的全局异常点进行识别和剔除,提取出正常数据组成的功率主带数据,并计算拒绝阈值。使用KNN算法填补监测数据中的缺失值。在监测阶段,计算监测数据的MKIF异常得分,并将异常得分大于拒绝阈值的数据标记为劣化数据。采用滑动窗口方法监测窗口内时间序列数据的劣化率,实现风电机组发电性能劣化预警。以现场实际运行数据为例,DB-MKIF模型能够准确识别异常数据并判断风电机组发电性能劣化情况,并识别出齿轮箱油温异常。(3)提出了基于SHAP特征选择和XGBoost建模方法的回归预测风电机组劣化监测方法。为了在更多维度中监测风电机组工作状态,使用回归预测的方式建立数据模型并监测相关变量偏离模型的程度,进而实现风电机组发电性能劣化预警。通过分析风电机组控制方式和数据特征,确定不同工况下的监测变量。使用SHAP算法执行特征选择,以功率主带数据作为输入,使用XGBoost算法建立风电机组不同工况下各监测变量的数据模型。而后采用序贯概率比检验方法分析预测残差,当模型的预测残差发生异常变化时,发出发电性能劣化预警。本文使用一组叶片结冰数据验证了此发电性能劣化预警方法的有效性。

关键词：风电机组异常数据劣化监测非监督学习孤立森林