电力物联网下智能配电房状态监测及故障防范研究

针对电力物联网环境下的智能配电房,系统探讨了状态监测技术、故障防范与响应策略等方面的内容。通过分析关键监测参数、数据采集与处理技术、实时监测等在配电房中的具体应用,提出了选用合适的传感器和算法的设计思路。在故障防范方面,采用循环神经网络、支持向量机等算法进行故障预测与识别。同时,研究了自动化隔离与修复策略在保障配电房高效运行中的作用机制。研究表明,智能配电房的应用可有效提高电网的稳定性和安全性。     

基于支持向量机的汽车故障预测贝叶斯网络推理系统研究

相较于传统的汽车故障诊断,汽车故障预测通过对汽车运行状态数据的分析,实现对汽车未来发生故障的可能性和故障类型进行预测和分析,充分保证汽车行驶的安全。通过对汽车故障类型和特点的深入研究,在已有的故障预测技术的基础上,设计了一种数据驱动的故障预测推理系统。该系统利用支持向量机完成对汽车不同类型故障的分类,结合贝叶斯推理网络,实现对当前汽车状态的综合分析,得出汽车在未来发生不同类型故障的概率,进而完成对汽车故障的预测。最后,编写软件实现汽车故障预测系统。     

基于神经网络的空调箱故障诊断

针对空调系统中的不同故障,分析了空调箱的故障特性,并讨论了不同故障对空调系统能耗及热舒适性的影响.仿真试验结果表明,送风温度的测量故障会导致系统能耗的增加.根据故障特性,提出了一种基于神经网络的数据处理方法,用以检测和诊断空调箱中的传感器故障.该方法首先选取历史数据对神经网络进行训练,实现对系统运行状态的识别和预测.然后,通过比较测量值与预测值,计算出相对误差,实现对故障的诊断.最后,利用基于TRNSYS的仿真器,对神经网络的故障诊断策略进行了验证.结果表明,神经网络可以有效诊断空调系统中的温度、流量和压力传感器故障.     

神经网络理论在变压器继电保护中的应用(英文)

提出一种用于变压器运行和故障状态识别的神经网络方法．此方法优于传统的变压器保护原理,能正确识别变压器的内部故障、励磁涌流、外部故障及空载合于内部故障等不同状态,具有广泛的实用性和很高的容错能力．大量仿真结果证明了此方法的优越性．     

网络设备故障预测与健康管理系统设计

设备故障与健康预测技术通过对设备运行参数进行分析,预测设备健康趋势,为准确而主动维护设备提供技术基础,是当前设备管理的方向。基于CUSUM算法设计了网络设备故障预测与健康管理系统,包含信息获取、数据处理、故障预测和健康管理4个模块,系统实现了训练学习和诊断预测两大功能。实践表明,该系统能提高网络的安全性和可靠性,提升网络管理效能,减少网络故障带来的损失,满足网络业务发展需求。     

基于ARMA算法的雾霾天绝缘子故障诊断模型

以实验室模拟雾霾环境下污闪得到的大量电流数据为基础,运用ARMA算法建立故障检测模型。研究发现,雾霾天气下的绝缘子污闪与普通闪络有很大差别,且雾霾所含的主要盐分不同,故障特征也不一样。为进一步提取故障特征,提出了两种基于ARMA算法的故障诊断模型:基于ARMA预测误差的雾霾天绝缘子故障诊断模型和基于ARMA预测平均绝对误差的小波能量参数区间模型。前者是套用不同故障模型,通过静态预测误差的大小来判别故障类型;后者结合小波分析方法,克服了ARMA算法在故障特征提取过程中出现低区分度问题,以能量区间的方式区分和表示不同故障,以达到故障识别检测的目的。实验发现,两种模型均具有良好的雾霾天污闪检测识别性能。     

基于绕组函数理论的长定子直线同步电机内部故障仿真计算（英文）

为了保证高速磁浮列车系统安全牵引运行,提出一种基于绕组函数理论的新颖模型并用该模型对长定子直线同步电机进行建模,便于实时计算列车的运行状态.首先在正常运行模型的基础上推导长定子直线同步电机在不同故障状态下的精确耦合数学模型,然后对其运行时存在的主要潜在定子绕组内部故障如单相短路、相间短路和单相开路等进行故障电流、电磁力仿真计算.将计算得到的直线电机运行电磁力随定子电流变化的特性曲线与有限元方法的结果进行对比,验证了所提出的电磁力公式的准确性.通过比较在不同故障类型和故障短路比下故障电流、电磁力仿真结果的变化情况,找出了内部故障规律,同时显示了此解析数学模型在电机故障快速识别中具有可用性.     

纯电动客车荷电状态低故障预测

针对纯电动客车荷电状态(SOC)低故障预测问题,在分析其开始充电SOC序列的周期性波动规律及变化趋势的基础上,构建差分自回归滑动平均模型(ARIMA)进行车辆SOC的短期预测,最后比较预测结果与故障阈值以判断是否发生故障。以某车企的纯电动客车为例进行实证分析,研究结果表明:差分自回归滑动平均模型的故障预测真阳率为96.4%,误诊率为10.3%,说明方法具有良好的预测可行性。     

基于优化BP网络的类矩形盾构偏心刀盘故障预测

为实时监控类矩形盾构偏心刀盘工作状态,提出一种基于遗传算法（GA）优化BP神经网络模型的在线故障预测方法。首先,利用现场检测的相关测量数据,建立“特征—故障”数据集;然后,利用最优权值与阈值由遗传算法获取的BP神经网络对数据集进行自我学习,构建工作期故障预测模型;最后,开发偏心刀盘监控系统,对刀盘工作状态进行在线预测。实验结果表明,GA-BP网络模型预测准确率达到93.3%,与传统BP网络模型相比提高6%。基于GA-BP网络的偏心刀盘在线故障预测方法可精准预测刀盘工作状态,满足应用设计要求,为盾构施工安全提供有力保障。     

基于FP-Growth的电力系统故障预测方法

为了提高电力系统中故障预测效率及便捷性,提出一种基于FP-Growth算法的电力系统故障预测方法,无需先验知识及人工标注,便可从海量历史日志数据中快速提取出故障信息模式,并基于实时日志数据对未来可能发送的系统故障进行预测。该方法首先根据电力系统不同类型的日志特征对原始数据进行预处理,然后基于FP-Growth算法挖掘日志中与故障事件相关的关联规则,并使用关联规则进行故障匹配,从而达到预测效果。算法经过真实电力系统日志数据集测试,结果表明该故障预测方法平均准确率为89.5%,平均召回率为79.8%,且执行效率较高,节省了业务人员50%以上的时间。