神经网络的电网故障诊断资料

基于新型神经网络的电网故障诊断方法

1引言

快速事故后恢复系统正常运行是减少电能中断时间和增强供电可靠性的必要条件。作为事故恢复的第一步,应实现快速、准确的故障诊断以隔离故障元件并采取相应措施以恢复电能供应。然而在线快速、准确地故障诊断仍是一个悬而未决的难题,尤其在保护和断路器不正常动作或多重故障的情况下,故障诊断更为困难。

故障诊断一般基于SCADA系统所提供的保护和断路器信息来判别电力系统中的故障元件。多种人工智能技术已用于解决此问题,如专家系统[1~4],随机优化技术[5~10]和人工神经网络[11~14]等等。其中基于专家系统的方法得到了广泛的注意和研究。这种方法能够提供强有力的推理并具解释能力,然而专家系统中知识的获取、组织、校核和维护等都非常困难,并成为其应用的瓶颈。而且,专家系统必须搜索庞大的知识库以得到最终的诊断结论,这使得它不能满足故障诊断实时的要求。另外,当系统中存在保护和断路器不正常动作时,专家系统可能会因缺乏识别错误信息的能力而导致错误的诊断结论。

用于故障诊断的另一种较有潜力的方法是基于工程随机优化的方法。这种方法的主要原则是将故障诊断表述为一个整数优化问题,随后使用全局优化方法,如波尔兹曼机[5]、遗传算法[6~8]、仿蚂蚁系统[9]或tabu搜索[10]等,去求解该优化问题。这种方法在实际应用过程中也出现了一些问题:如何确定这些随机优化方法的参数以实现快速正确的故障诊断;如何使这些方法适用于保护和断路器不正常动作的情况等等。

近年来,人工神经网络[11~14]引起了研究工作者的兴趣,因为它具有学习、泛化和容错能力。并且神经元的计算是并行的,这有利于实现实时应用。在神经网络的各种模型中,应用得最为广泛的模型就是BP(Back-Propagation)神经网络。标准的BP模型使用梯度下降算法训练,因此BP神经网络的结构必须是事先已知的,而且该学习算法收敛速度很慢,并有可能收敛于局部最小点。这些不利因素限制了BP模型在故障诊断中的应用。

本文提出使用径向基函数(Radial basis function,RBF)神经网络[15~16]解决电力系统中的故障诊断问题。理论上讲RBF神经网络具有任意函数逼近能力[17]。

并且RBF网络的学习时间远小于前向神经网络其它学习算法的训练时间。另外,RBF网络的隐藏神经元数目可以在参数优化过程中自动确定。这些特性使其在实际应用中受到欢迎。建立一个RBF神经网络的关键问题就是在训练过程中优化其参数。本文对正交最小二乘(Orthogonalleast square)算法[18]进行扩展,用于优化RBF神经网络参数。为了评估RBF神经网络在故障诊断问题中的有效性,文中还使用一个传统的BP神经网络解决同样的问题,并将它们的计算结果进行比较。在4母线测试系统中的仿真结果证明:RBF神经网络优于BP神经网络模型,能够更有效地解决故障诊断问题。

2用于故障诊断的RBF神经网络

2.1RBF神经网络的结构

RBF神经网络由输入层、隐藏层和输出层构成,其中隐藏层由径向基函数神经元组成。输入空间可以采用实际或归一化的表示方式。输入信号被传送至隐藏层,即径向基函数神经元层。隐藏层中第i个神经元将计算输入矢量x和它的权重矢量ui之间的距离,并把它作为径向基函数φi(x)的输入,进而计算得到隐藏层的输出。研究表明径向基函数类型的选择对RBF神经网络的行为影响不大。研究中采用高斯函数作为径向基函数[15、16],

即:φi(x)=exp(-[x-ui]T[x-ui]/2σ2i)(i=1,…,nh)(1)式中φi(x)为隐藏层中第i个神经元的输出;nh为隐藏神经元的数目;x为输入矢量;ui和σi分别为相应高斯函数的中心(或称权重)和概率散度。

显然,径向基函数神经元i起探测器的作用,当输入矢量x与权重矢量ui相同时,其输出为1。概率散度σi(>0)表示径向基函数神经元所能响应的输入空间中‖x-ui‖的范围。一般来讲,概率散度应不大于输入矢量与径向基函数中心之间可能的最大距离,具体数值可由试验决定。

输出层对径向基函数隐藏层的输出进行线性组合以生成预期的输出。输出层第j个神经元的输出为dj=∑nhi=1νij·φi(x)(j=1,…,no)(2)

式中no为输出神经元的总数;νij为第i个隐层神经元到第j个输出神经元的权重。

由此可见,根据给定的训练样本,快速有效地确定径向基函数的中心{ui}和输出层权重{νij}是训练RBF神经网络的关键任务。事实上一旦确定了径向基函数

的中心{ui},则对于所有的训练样本而言{φi(x)}nhi=1和相应的预期输出{dj}noj=1是已知的,输出权重{vij}可由式(2)经最小二乘法求出。所以,建立RBF 神经网络的关键问题是根据给定的训练样本确定径向基函数的中心。这个问题将在后面予以详细分析。

2.2RBF神经网络的训练算法

假设RBF神经网络的输入层有ni个神经元,对于故障诊断问题来讲,ni等于电力网络中所有保护继电器和断路器的总数,这些保护和断路器的状态(0或1)就是神经网络的输入。如果共有N个训练样本,那么训练样本集合可以表示为x(t)∈Rni,t=1,…,N。假设所考虑的电力网络中共有M个元件,如输电线路、母线和变压器等,确定这些元件的状态为故障或正常是诊断的最终目的,则RBF神经网络输出层的神经元数目为no=M。确定隐藏层神经元数目nh及其中心的最简单的方法是精确设计(Exact design)法[16]。对于这种方法生成的RBF神经网络,当输入为训练样本x时,计算得到的输出将等于预期的输出,没有误差。这种方法产生与训练样本总数N相同数目的隐藏层神经元,并令相应的权重为ui=x(i),i=1,…, N。然而如果训练样本的数目N过大,将导致相应的RBF神经网络因隐藏层神经元的数目过多而难以接受。为了解决这个问题,本文对文[18]提出的正交最小二乘(Orthogonal Least Squares,OLS)算法进行了扩展并用于训练RBF神经网络。文[18]中的OLS算法只适用于优化单输出的RBF网络参数,而本文将其扩展至优化多输出网络的隐层神经元数目、相应的径向基函数中心和输出层权重。

在OLS方法中,RBF神经网络被看作一个特殊的线性回归模型。RBF网络中的2个映射可以用矩阵形式表示为D=Φ·V+E(3)

式中矩阵Φ对应于网络中的第1个映射关系,被称为回归矩阵。可写作Φ(N ×nh)=[φ1…φl…φnh]=[φ(1)…φ(t)…φ(N)]T,即该矩阵的l列t行元素φl(x(t))是网络中第l个隐层神经元关于第t个输入矢量x(t)的输出;矩阵V(nh×no)对应于网络中的第2个映射关系,是式(2)所定义的权重矩阵;矩阵D(N×no)=[d1…dm…dno]=[d(1)…d(t)…d(N)]T是所有训练样本的预期输出,它的结构与Φ类似。误差矩阵E(N×no)=[ε1…εm…εno]表示RBF神经网络的计算输出与训练样本预期输出D之间的偏差。假设E与Φ不相关,并且在完成RBF网络的训练后应尽可能小。OLS算法的目的就是确定Φ和V的最优值及最小化误差矩阵E,从而保证

诊断的精度。

Φ可以被分解为Φ=W·A(4)

式中A为一个nh×nh的上三角阵

A=1α12α13…α1nh01α23…α2nh…………00…1α(nh-1)nh00…01(5)而W(N×nh)=[w1…wl…wnh]是一个正交矩阵,即WT·W=H(6)或wTl·wl=∑Nt=1wl(t)·wl(t)=hlwTl·wj=01≤l≤nh(l≠j)(7)式中H(nh×nh)为一个对角阵;hl为它的第l个对角元素。若把式(4)代入式(3),并定义A·V=G(nh×n0)(8)根据正交矩阵W的性质,可得到矩阵G的理想(即误差矩阵E为0)的正交最小二乘解为G^=H-1·WT·D(9)

该矩阵元素可由下式计算获得:g^lm=wTl·dm/(wTl·wl),1≤l≤nh,1≤m≤no(10)

则式(3)可表示为

D=W·G+E(11)

式中G上的‘^’略。

或写作矢量形式

dm=W·gm+εm,1≤m≤no(12)

因为当l≠p时,矢量wl和wp是彼此正交的,并且矢量εm与它们不相关,所以第m个输出神经元的能量函数(dTm·dm)可以定义为

dTm·dm=∑nhl=1g2lmwTlwl+εTm·εm(13)

对于所有训练样本总的平均输出能量为

N-1·∑nom=1(dTm·dm)=N-1∑nom=1∑nhl=1g2lmwTlwl+εTm·εm

(14)

显而易见,N-1∑nom=1∑nhl=1g2lmwTlwl是式(14)等式右边的主控项,所以关于第l个回归矢量wl相应的输出能量贡献因子[out—con]l可定义为[out—con]l=∑nom=1g2lmwTlwl/∑nom=1(dTm·dm)1≤l≤nh

(15)

此比率为从给定的训练样本集{x(t)}Nt=1中选择重要的回归矢量子集提供了一个有效的量化指标,当∑nhl=1[out—con]l→1时,训练收敛。

基于上述概念,OLS算法的整个训练算法是一个迭代过程,在每一次迭代中隐

藏层都将增加一个径向基函数神经元,它的中心由可以产生最大输出能量贡献因子的输入矢量决定。随后计算并检查新神经网络的输出误差。当误差足够小时迭代终止。

由上述训练过程可知,如果隐层神经元的数目等于训练样本的数目,则OLS 算法建立的RBF神经网络将与精确设计法得到的神经网络相同。因此精确设计法可看作是OLS算法的一个特例。显然OLS算法的最大迭代次数将不超过训练样本的数目,而其收敛速度很快,且理论上可以对训练样本达到零误差。故RBF神经网络对于实现实时故障诊断系统非常有吸引力。

2.3RBF神经网络与BP神经网络的比较

在故障诊断中,RBF神经网络优于BP神经网络[16],尽管后者在很多方面有成功的应用。这两种基于新型神经网络的电网故障诊断方法神经网络均为多层前向网络。概括地说,RBF神经网络将某一知识存储于局部神经元中,而BP神经网络则将知识蕴含于全体神经元中。对于RBF神经网络,隐层神经元的最优数目可以在训练过程中获得;而BP神经网络则要求隐层神经元数目在训练开始之前必须是已知的,并且隐层神经元的最优数目很难确定。此外,训练RBF神经网络的最大迭代次数将不超过训练样本的数目,当隐层神经元的数目等于训练样本的数目时,输出可以实现零误差;而BP神经网络使用梯度下降法最小化误差,误差可能收敛得很慢,而且残余误差可能不能达到容许偏差的要求。梯度下降法甚至可能收敛于没有意义的局部最优点。总之,RBF神经网络可以在比BP神经网络训练时间短的时间内学习完毕,同时保证学习的精度,所以对于电力系统内的故障诊断问题来说,RBF神经网络优于BP神经网络。

3计算机仿真结果

3.1RBF神经网络的训练和诊断行为分析

将一个简单的4母线电力系统用作测试系统,见图1。系统共有9个元件:4条母线B1~B4,一台变压器T1和4条输电线路L1~L4。在仿真过程中,只考虑简化的保护配置系统,即包括输电线路主保护MLP和后备保护BLP,母线主保护MBP和变压器主保护MTP。

测试电力系统图1The test power system

在计算机仿真计算中,N=40,即有40种典型的故障情况用作训练样本集。对每种故障情况,所有保护和断路器的状态(0或1)作为神经网络的输入,即ni=33。9个系统元件的状态是神经网络的输出,即no=9。如果神经网络的某个输出接近1,则认为相应元件是故障元件。

对于经OLS算法得到的RBF神经网络,当概率散度σ=2及容许偏差分别为ρ=10-2和10-3时,其隐层神经元数目和训练迭代次数分别为37和39,相应的训练时间为1.54s和1.62s。应该指出:对于给定的测试系统,由精确设计法和OLS算法所获得的隐层神经元数目差别不大,这主要是由于训练样本重复知识少造成的。另外,当ρ增加时,学习精度要求低,隐层神经元的数目将减少,所以ρ的取值需平衡诊断精度和训练时间要求2个因素来确定。本文使用ρ=10-2。

以一个训练样本为例来说明RBF神经网络的诊断输出。假设母线4故障,如果母线4的主保护MBP4拒动,相应的后备保护BLP2和BLP8正确动作,进而跳开断路器CB2和CB8以隔离母线4,则基于OLS算法的RBF神经网络计算输出和预期输出之间的偏差为1.5×10-28。由此可见,这2个输出非常接近。对于所有其它训练样本均可得到类似的结果。

为了检验设计神经网络的泛化能力,选取不存在于训练样本集的故障情况作为测试样本。表1仅给出了其中的12个测试样本。所有的测试样本均为较严重的故障情况,最严重的故障多至2个保护和断路器同时不正常动作或双重故障。相应的诊断结果列于表2,其中每一行对应于1个故障情况的输出。如果输出矢量的某一个分量大于0.5(表2、表4中用下划线表示),则相应的元件被判定为故障元件。从这些输出矢量可以得出RBF神经网络对所有的测试样本均可得到正确诊断的结论。而且当概率散度σ从2~10变化时,RBF神经网络均可正确诊断,即RBF神经网络对概率散度的变化不敏感。仿真结果表明:基于OLS算法的RBF 神经网络具有很好的故障诊断能力。

3.2与BP神经网络的比较

设计并实现一个基于传统BP神经网络的故障诊断系统以便于和RBF神经网络进行比较。令该BP神经网络具有相同的最大容许偏差ρ=10-2,且学习率和动量因子分别为η=0.09和α=0.8。当BP神经网络的隐层神经元数目等于37即与RBF神经网络的隐层神经元数目相同时,表3表明了其训练过程经过5326次迭代才能达到相同的误差要求:ρ=10-2,这远远大于RBF神经网络的迭代次数,总

体训练时间也大大增加。

同样,将12个严重故障情况用作测试样本以检验BP神经网络的泛化能力,诊断结果列于表4中。

数字的物理意义与表2类似。由表4可看出,BP神经网络在故障1的情况下给出错误的诊断结论,同时对于故障7、9、11和12未能给出明确的诊断结果(表4中用双下划线表示),因此BP神经网络的泛化能力远比RBF神经网络的泛化能力差。由仿真结果可知,在同样的训练误差下,RBF神经网络的故障诊断能力远比BP神经网络的故障诊断能力好。

4结论

本文对RBF神经网络在电力系统故障诊断中的应用进行了研究,并将正交最小二乘算法经扩展后用于优化RBF神经网络的参数。RBF神经网络在故障诊断方面有很多优越的特性。计算机仿真结果表明:正交最小二乘法用于优化RBF神经网络参数十分有效。试验结果还表明:RBF神经网络训练速度快,故障诊断能力也优于BP神经网络,尤其是对于存在保护和断路器不正常动作或多重故障的严重故障情况下,效果更为明显。根据我们的最新研究结果,RBF神经网络还可以和网络分割技术相结合,可有效地解决大规模电力系统的故障诊断问题。

参考文献：

[1]Fukui C,Kawakami J.An expert system for fault section estima-tion using information from protective relays and circuit breakers[J].IEEE Transaction on Power Delivery,1986,1(4):83-90.

[2]Yang C L,Okamoto H,Yokoyama A,Sekine Y.Expert system forfault section estimation of power system using time sequence informa-tion[J].Electrical Power& Energy Systems,1992,14:225-232.

[3]Ernesto Vazquez M,Oscar L,Chacon M,et al..An on line expertsystem for fault section diagnosis in power system[J].IEEETransac-tions on Power Systems,1997,12(1):357-362.

[4]Xu K L,Zhou M,Ren J W.An objectoriented power system fault diag-nosis expert system[C].International Conference on Electrical Engi-neering(ICEE’99), Hong Kong:1999.223-226.

[5]Oyama T.Fault section estimation in power system using Boltz-mann machine[C].Proceedings of the Second International Forumon Application of Neural Networks to Power Systems(ANNPS’93),1993,3-8.

[6]Wen F.S.and Han Z.X.,Fault section estimation in power sys-tems using a genetic algorithm[J].Electric Power Systems Re-search,1995,34(3):165-172.

[7]Wen F S,Han Z X.A refined genetic algorithm for fault sectionestimation in power systems using the time sequence informationof circuit breakers[J].Electric Machines and Power Systems,1996,24(8):801-815.

[8]Lai L L,Sichanie A G,Gwyn B https://www.wendangku.net/doc/5018339564.html,parison between evolution-ary programming and a genetic algorithm for fault-section estima-tion[J].IEE Proceedings: Generation,Transmission and Distri-bution,1998,145(5):616-620.

[9]Chang C S,Tian L,Wen F S.Anew approach to fault section esti-mation in power systems using ant system[J].Electric Power Sys-tem Research,1999,41:63-70. [10]Wen F S,Chang C S.Possibilistic-diagnosis theory for fault-sectionestimation and state identification of unobserved protective relaysusing Tabu-search method[J].IEE Proceedings on Generation,Transmissions and Distribution,1998,145(6):722-730.

[11]Tanaka H,Matsuda S,Izui Y,et al..Design and evaluation ofneural network for fault diagnosis[C].Proceedings of second sym-posium on Expert system application to power systems(ESAP’89),Seattle,1989.378-384.

[12]Navarro V da,Silva A L,de Carvalho L A V,et al..Artificialneural networks for power systems diagnosis[C].1994IEEE In-ternational Conference on Neural Networks,1994.3738-3743.

[13]Sun Y,Jiang H,Wang D.Fault synthetic recognition for an EHVtransmission line using a group of neural networks with a time-space property[J].IEE Proceedings: Generation,Transmissionand Distribution,1998,145(3):265-270.

[14]Aygen Z E,Seker S,Bagriyanik M,et al..Fault section estima-tion in electrical power systems using artificial neural network ap-proach[C].1999IEEE Transmission and Distribution Confer-ence,1999.466-469.

[15]Simon Haykin,Neural networks.A comprehensive foundation[M].New York, Prentice Hall,1999,256-318.

[16]Schalkoff,Robert J.Artificial neural networks[M].New York:McGrawHill,1997.

[17]Park J,Sandberg I W.Universal approximation using radialbasis-function networks[J].Neural Computation,1991,3:246-257.

[18]Chen S,Cowan C F N,Grant P M.Orthogonal least squares learn-ing algorithm for radial basis function networks[J].IEEE Trans-actions on Neural Networks,1991,2(2):302-309.

基于神经网络的故障诊断

神经网络工具箱应用于故障诊断 1.问题描述 电力系统的安全运行具有十分重要的意义。当高压变压器或其他类似设备在运行中出现局部过热、不完全放电或电弧放电等故障时，其内部绝缘油、绝缘纸等绝缘材料将分解产生多种气体，包括短链烃类气体（C2H2、CH4等）和H2、CO2等，这些气体称作特征气体。而特征气体的含量与故障的严重程度有着很密切的关系，如下图1所示。将BP神经网络应用于变压器故障诊断对大型变压器的运行有着非常重要的意义。 2.神经网络设计 (1)输入特征向量的确定 变压器的故障主要与甲烷（CH4）、氢气（H2）、总烃（C1＋C2）以及乙炔（C2H2）4 种气体的浓度有关，据此可以设定特征向量由这 4 种气体的浓度组成，即CH4、H2、C1＋C2（总烃）和C2H2，同时也设定了网络输入层的节点数为4个。 (2) 输出特征向量的确定 输出量代表系统要实现的功能目标，其选择确定相对容易一些。只要问题确定了，一般输出量也就确定了。在故障诊断问题中，输出量就代表可能的故障类型。变压器的典型故障类型有：一般过热故障、严重过热故障、局部放电故障、火花放电故障以及电弧放电故障等5种类型，因此这里选择 5 个向量作为网络的输出向量，即网络输出节点确定为 5 个。根据Sigmoid 函数输出值在0 到1 之间的特点，这里设定以0 到1 之间的数值大小表示对应的故障程度，也可以理解为发生此类故障的概率，数值越接近 1 表示发生此类故障的几率越大或说对应的故障程度越大。针对本系统，

设定输出值大于等于0．5 时认为有此类故障，小于0．5 时认为无此类故障。 (3)样本的收集 输入、输出向量确定好以后就可以进行样本的收集。 数据归一化处理时，注意：在归一化处理的时候，因考虑到各气体浓度值相差较大，如总烃的浓度比H2的浓度值高出几个数量级，因此在归一化处理的时候，分别对各个气体浓度值进行处理，即最大值和最小值取的是各气体的最值，而不是所有样本值中的最值。 在本实例中采用：MATLAB利用归一化公式 u=(x-min(min(x)))./(max(max(x))-min(min(x))) （1） 在公式1中x表示所需归一化处理的数据，u表示归一化后的结果 处理结果如下：

趋势分析之深度神经网络

趋势分析之深度神经网络 深度神经网络（Deepl Neural Networks, DNN）从字面上理解就是深层次的神经网络。自从Hinton和Salakhutdinov在《Science》上发表的论文解决了多层神经网络训练的难题后，随着研究的深入，各种深度神经网络模型如雨后春笋般涌现出来。 2012年Krizhevsky等人设计的包含5个卷积层和3个全连接层的AlexNet，并将卷积网络分为两个部分在双CPU上进行训练；2014年Google研发团队设计的22层GoogleNet；同年牛津大学的Simonyan和Zisserman设计出深度为16-19层的VGG网络；2015年微软亚洲研究院的何凯明等人提出了152层的深度残差网络ResNet，最新改进后的ResNet网络深度可达1202层；2016年生成式对抗网络GAN获得广泛关注。 深度神经网络热度变化图 下面我们将用Trend analysis分析深度神经网络领域内的研究热点。 （点击链接即可进入Deep Neural Networks Trend Analysis: https://https://www.wendangku.net/doc/5018339564.html,/topic/trend?query=Deep%20Neural%20Network%20) 通过Trend analysis的分析挖掘结果我们可以看到，当前该领域的热点研究话题有feature

extraction、speech recognition、face recognition、information retrieval、object recognition、cell cycle等。近年来，深度神经网络由于优异的算法性能，已经广泛应用于图像分析、语音识别、目标检测、语义分割、人脸识别、自动驾驶、生物医学等领域，而根据分析结果可知语音识别是该领域热门研究话题top 1。 深度神经网络在工业界也得到了广泛的应用，Google、Facebook、Microsoft、IBM、百度、阿里巴巴、腾讯、科大讯飞等互联网巨头也纷纷开展深度神经网络的研究工作，并且成功应用于谷歌Now、微软OneNote手写识别、Cortana语音助手、讯飞语音输入法等。 附一. 深度神经网络领域5位代表学者 Dong Yu (俞栋) Tara N. Sainath

500kV输电线路故障诊断方法综述_魏智娟

2012年第2期 1 500kV 输电线路故障诊断方法综述 魏智娟1 李春明2 付学文1 （1.内蒙古工业大学电力学院，呼和浩特 010080；2.内蒙古工业大学信息学院，呼和浩特 010080） 摘要 对近几年国内外具有代表的中外文献进行了学习研究，重点论述了输电线路故障诊断的四种方法：阻抗法，神经网络和模糊理论等智能算法，小波理论，行波法。综合输电线路的四种故障诊断方法，建议采用小波熵原理对输电线路故障模型进行故障类型识别，运用基于小波熵的单端行波测距方法实现故障定位。 关键词：故障诊断；阻抗法；智能算法；小波理论；行波法 The Survey on Fault Diagnosis in the 500kV Power Transmission Lines Wei Zhijuan 1 Li Chunming 2 Fu Xuewen 1 （1.The Power College of Inner Mongolia University of Technological, Inner Mongolia, Hohhot 010080; 2.The Information College of Inner Mongolia University of Technological, Inner Mongolia, Hohhot 010080） Abstract Based on the overview of typical literatures at home and abroad, this research focused on the four methods of failure diagnosis of transmission lines, namely, Impedance method, Intelligent method such as Neural Network Theory and Fuzzy Theory, Wavelet Theory and Traveling Wave method. And based on the synthesis of the four methods, this research suggested that simulation should be conducted to the failure models of transmission line by applying Wavelet Entropy Principle and the results of the simulation should be analyzed in order to identify the failure types; and the failure simulation should be conducted by the single traveling wave distance-testing method of wavelet entropy, and the results of the simulation should be analyzed in order to realize failure location. Key words ：failure diagnosis ；impedance method ；intelligent algorithm ；the Wavelet Theory ；the traveling wave method 超高压输电线路是电力系统的命脉，它担负着传送电能的重任，其安全可靠运行是电网安全的根本保证。输电线路在实际运行中经常发生各种故障，如输电线路的鸟害故障[1]、输电线路的风偏故障等[2]，及时准确地对输电线路进行故障诊断就显得非常重 要。国家电网公司架空送电线路运行规程明确规定 “220kV 及以上架空送电线路必须装设线路故障测 距装置”[3-4]。由于我国幅员辽阔，地形地貌的多样 性致使输电线路工作环境极为恶劣，输电线路发生 故障导致线路跳闸、电网停电，对电力系统安全运 行造成了很大威胁，所以，在线路发生故障后迅速 准确地进行故障诊断，减少因故障引起的停电损失， 降低寻找故障点的劳动强度，尽最大可能降低对整 个电力系统的扰动程度，确保电力系统的安全可靠稳定运行具有十分重要的意义。本文在总结前人的基础上，重点论述了超高压输电线路的4种故障诊断方法，建议采用小波熵原理对输电线路故障类型 进行故障识别，利用基于小波熵的单端行波测距方法实现故障定位。 1 输电线路故障诊断 当输电线路发生故障时，早先的故障定位通常是由经验丰富的运行人员在阅读故障录波图的基础上，综合电力用户提供的信息，进行预测、判断可能出现的故障位置，然后派巡线人员通过查线确认故障位置并及时排除故障。在电力市场竞争日渐激

电力系统故障诊断算法概述

电力系统故障诊断算法概述 摘要：本文概述了目前电力系统故障诊断的算法研究现状，总结了当前的主流研究算法——专家系统法、模糊理论法、人工神经网络法、遗传算法、petri 网的方法、粗糙集理论、多代理系统、贝叶斯网络法以及近似熵算法，并对他们在电力系统故障诊断应用中存在的一些缺点做出了概括。 关键词：申力系统；故障诊断；专家系统；人工神经网络；溃传算法； 0引言 当前，电力系统在国民经济中的地位越来越突出，因而对电力系统的安全性、可靠性提出了更高的要求。现在电网的规模庞大，结构趋于复杂，区域之间的联系密切，对电力系统故障诊断的研究意义重大。电力系统故障诊断是通过各类保护装置产生的信息，基于一定的理论和经验来对故障发生的区段、故障元器件、故障性质作出快速、准确的处理。虽然国家电网的SCAD/EMS系统在电力系统故障的获取方面起到了一定的作用，但是电网故障时大量的信息远远超出了运行人员的能力，所以迫切的需要一套更加完整的智能电力系统故障诊断系统，实现对电网故障的自动快速诊断。 但是，电力系统中电力设备的种类繁多品种不一，保护装置配合的复杂性、电网结构的变化不确定性，导致了电网故障诊断是一个复杂的综合问题。近年来国内外许多学者提出了多种故障诊断的技术和方法，主要包括：专家系统法ES （Expert System）、模糊理论法ET（Fuzzy Theory）、人工神经网络法ANN （Artificial Neural Network）、遗传算法GA（Genetic Algorithms）、petri网法、粗糙集理论RST（Rough Set Theory）、多代理系统MAS（Multi-agentSystem）、贝叶斯法BN（belief network）以及近似熵算法。本文对上述方法归纳总结，阐述了各自在电力网中的故障诊断的应用，分析各种方法的特点，并对一些相关技术和方法的发展进行简要的介绍。 1电力系统故障诊断国内外研究发展现状 1.1基于专家系统的方法ES 专家系统ES(Expert System)是目前发展最早相对比较成熟的一种智能技术。它是一个智能计算机程序系统，内部含有大量的某个领域专家水平的知识与经验，具有大量的专业知识与经验的程序系统，利用人类专家的知识和解决问题的方法

(完整版)深度神经网络全面概述

深度神经网络全面概述从基本概念到实际模型和硬件基础 深度神经网络(DNN)所代表的人工智能技术被认为是这一次技术变革的基石(之一)。近日，由IEEE Fellow Joel Emer 领导的一个团队发布了一篇题为《深度神经网络的有效处理：教程和调研(Efficient Processing of Deep Neural Networks: A Tutorial and Survey)》的综述论文，从算法、模型、硬件和架构等多个角度对深度神经网络进行了较为全面的梳理和总结。鉴于该论文的篇幅较长，机器之心在此文中提炼了原论文的主干和部分重要内容。 目前，包括计算机视觉、语音识别和机器人在内的诸多人工智能应用已广泛使用了深度神经网络(deep neural networks，DNN)。DNN 在很多人工智能任务之中表现出了当前最佳的准确度，但同时也存在着计算复杂度高的问题。因此，那些能帮助DNN 高效处理并提升效率和吞吐量，同时又无损于表现准确度或不会增加硬件成本的技术是在人工智能系统之中广泛部署DNN 的关键。 论文地址：https://https://www.wendangku.net/doc/5018339564.html,/pdf/1703.09039.pdf 本文旨在提供一个关于实现DNN 的有效处理(efficient processing)的目标的最新进展的全面性教程和调查。特别地，本文还给出了一个DNN 综述——讨论了支持DNN 的多种平台和架构，并强调了最新的有效处理的技术的关键趋势，这些技术或者只是通过改善硬件设计或者同时改善硬件设计和网络算法以降低DNN 计算成本。本文也会对帮助研究者和从业者快速上手DNN 设计的开发资源做一个总结，并凸显重要的基准指标和设计考量以评估数量快速增长的DNN 硬件设计，还包括学界和产业界共同推荐的算法联合设计。 读者将从本文中了解到以下概念：理解DNN 的关键设计考量;通过基准和对比指标评估不同的DNN 硬件实现;理解不同架构和平台之间的权衡;评估不同DNN 有效处理技术的设计有效性;理解最新的实现趋势和机遇。 一、导语 深度神经网络(DNN)目前是许多人工智能应用的基础[1]。由于DNN 在语音识别[2] 和图像识别[3] 上的突破性应用，使用DNN 的应用量有了爆炸性的增长。这些DNN 被部署到了从自动驾驶汽车[4]、癌症检测[5] 到复杂游戏[6] 等各种应用中。在这许多领域中，DNN 能够超越人类的准确率。而DNN 的出众表现源于它能使用统计学习方法从原始感官数据中提取高层特征，在大量的数据中获得输入空间的有效表征。这与之前使用手动提取特征或专家设计规则的方法不同。 然而DNN 获得出众准确率的代价是高计算复杂性成本。虽然通用计算引擎(尤其是GPU)，已经成为许多DNN 处理的砥柱，但提供对DNN 计算更专门化的加速方法也越来越热门。本文的目标是提供对DNN、理解DNN 行为的各种工具、有效加速计算的各项技术的概述。 该论文的结构如下：

故障诊断理论方法综述

故障诊断理论方法综述 故障诊断的主要任务有：故障检测、故障类型判断、故障定位及故障恢复等。其中：故障检测是指与系统建立连接后，周期性地向下位机发送检测信号，通过接收的响应数据帧，判断系统是否产生故障；故障类型判断就是系统在检测出故障之后，通过分析原因，判断出系统故障的类型；故障定位是在前两部的基础之上，细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备；故障恢复是整个故障诊断过程中最后也是最重要的一个环节，需要根据故障原因，采取不同的措施，对系统故障进行恢复一、基于解析模型的方法 基于解析模型的故障诊断方法主要是通过构造观测器估计系统输出，然后将它与输出的测量值作比较从中取得故障信息。它还可进一步分为基于状态估计的方法和基于参数估计的方法，前者从真实系统的输出与状态观测器或者卡尔曼滤波器的输出比较形成残差，然后从残差中提取故障特征进而实行故障诊断；后者由机理分析确定系统的模型参数和物理元器件之间的关系方程，由实时辨识求得系统的实际模型参数，然后求解实际的物理元器件参数，与标称值比较而确定系统是否发生故障及故障的程度。基于解析模型的故障诊断方法都要求建立系统精确的数学模型，但随着现代设备的不断大型化、复杂化和非线性化，往往很难或者无法建立系统精确的数学模型，从而大大限制了基于解析模型的故障诊断方法的推广和应用。 二、基于信号处理的方法 当可以得到被控测对象的输入输出信号，但很难建立被控对象的解析数学模型时，可采用基于信号处理的方法。基于信号处理的方法是一种传统的故障诊断技术，通常利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，识别和评价机械设备所处的状态。基于信号处理的方法又分为基于可测值或其变化趋势值检查的方法和基于可测信号处理的故障诊断方法等。基于可测值或其变化趋势值检查的方法根据系统的直接可测的输入输出信号及其变化趋势来进行故障诊断，当系统的输入输出信号或者变化超出允许的范围时，即认为系统发生了故障，根据异常的信号来判定故障的性质和发生的部位。基于可测信号处理的故障诊断方法利用系统的输出信号状态与一定故障源之间的相关性来判定和定位故障，具体有频谱分析方法等。 三、基于知识的方法 在解决实际的故障诊断问题时，经验丰富的专家进行故障诊断并不都是采用严格的数学算法从一串串计算结果中来查找问题。对于一个结构复杂的系统，当其运行过程发生故障时，人们容易获得的往往是一些涉及故障征兆的描述性知识以及各故障源与故障征兆之间关联性的知识。尽管这些知识大多是定性的而非定量的，但对准确分析故障能起到重要的作用。经验丰富的专家就是使用长期积累起来的这类经验知识，快速直接实现对系统故障的诊断。利用知识，通过符号推理的方法进行故障诊断，这是故障诊断技术的又一个分支——基于知识的故障诊断。基于知识的故障诊断是目前研究和应用的热点，国内外学者提出了很多方法。由于领域专家在基于知识的故障诊断中扮演重要角色，因此基于知识的故障诊断系统又称为故障诊断专家系统。如图1.1

电力系统故障的智能诊断综述

智能电网技术及装备专刊·2010年第8期 21 电力系统故障的智能诊断综述 李再华1 刘明昆2 （1.中国电力科学研究院，北京 100192；2.北京供电公司海淀供电分公司，北京 100086） 摘要 电力系统是人类制造的最复杂的系统，故障诊断是现代复杂工程技术系统中保障其可靠运行的非常重要的手段，故障的智能诊断是该领域的热点和难点。本文综述了电力系统故障的智能诊断技术的发展现状，总结了几种常用的智能技术在故障诊断应用中存在的若干问题以及解决这些问题的相关新技术。最后，展望了智能诊断技术的发展趋势：以专家系统为基础，融合其他先进的智能技术，以提高诊断的速度和准确度，及其对电力系统发展的适应性，逐步实现在线诊断。 关键词：电力系统；智能故障诊断；专家系统；发展趋势 Review of Intelligence Fault Diagnosis in Power System Li Zaihua 1 Liu Mingkun 2 （1.China Electric Power Research Institute ，Beijing 100192； 2. Haidian branch Company, Beijing Power Supply Company, Beijing 100086） Abstract Power system is the most complex system by man-made in the world, fault diagnosis is a kind of very important methods to ensure the reliable operation of modern complex engineering system. Intelligence fault diagnosis (IFD) is the hot and difficult subject in this field. The paper reviews the actual state of development of IFD in power system, and then summarizes some existing problems in application and new relation technology to resolve these problems. IFD technologies include expert system (ES), artificial neural network (ANN), decision-making tree (DT), data mining (DM), fuzzy theory (FT), Petri network (PN), support vector machine(SVM), bionic theory (BT), etc. To adopt these kinds of methods synthetically is very helpful to improve the intelligence of ES. At last, development trends of IFD are expected: based on ES, integrates with other advanced intelligence technologies, to heighten the speed and accuracy of fault diagnosis, and the adaptability to the development of power system, so as to realize online IFD gradually. Key words ：power system ；intelligence fault diagnosis ；expert system ；development trend 1 引言 电网的发展和社会的进步都对电网的运行提出了更高的要求，加强对电网故障的诊断处理显得尤为重要。随着计算机技术、通信技术、网络技术等的发展，采用更为先进的智能技术来改善故障诊断系统的性能，具有重要的研究价值和实际意义。 故障的智能诊断技术也被称为智能故障诊断技 术，包括专家系统（Expert System ，ES ）、人工神 经网络（Artificial Neural Network ，ANN ）、决策树（Decision Tree ，DT ）、数据挖掘（Data Mining ， DM ）、模糊论（Fuzzy Theory ，FT ）、Petri 网理论（Petri Network Theory ，PNT ）、支持向量机（Support Vector Machine ，SVM ）、仿生学理论（Bionics Theory ，BT ）的应用等，其中前四种技术得到了较多的研究，相对比较成熟和常用。本文对电力系统故障诊断领域的智能诊断技术的发展现状以及存在的问题进行综述，并对解决相关问题的方法进行了总结。 2 智能故障诊断技术发展现状 美国是对故障诊断技术进行系统研究最早的国家之一，1961年美国开始执行阿波罗计划后，出现了一系列设备故障，促使美国航天局和美国海军积

人工神经网络在设备故障诊断中的应用

人工神经网络在设备故障诊断中的应用 程瑞琪 (西南交通大学　成都　610031) 摘　要　介绍了神经网络技术在设备故障诊断中应用的2个主要方向———故障模式识别和诊断专家系统,对应用的方法、特点及存在的问题也 作了概略分析。 关键词　神经网络　故障诊断　模式识别　专家系统中图分类号　TP 18 近年来人工神经网络(Artificial neural network -ANN )的研究发展迅速,ANN 以其诸多优点在设备状态监测与故障诊断中受到了愈来愈广泛的重视,为设备故障诊断的研究开辟了一条新途径。 ANN 具有以下主要特征:①实现了并行处理机制,可提供高速的信息处理能力;②分布式信息存储,可提供联想与全息记忆的能力;③网络的拓扑结构具有非常大的可塑性,使系统有很高的自适应和自学习能力;④具有超巨量的联接关系,形成高度冗余,使系统具有很强的容错能力;⑤是一类大规模非线性系统,提供了系统自组织与协同的潜力。本文作者仅就ANN 用于故障模式识别及诊断专家系统这两个方面应用的主要方法、特点及存在的问题作概括介绍。 1　神经网络与故障模式识别 模式识别是ANN 应用的一个较成功的领域,诊断问题实质上就是一种模式分类,是将系统的状态区分为正常状态或某一种故障状态的问题。通常故障模式的分布是非常不规则的,故要求所用模式分类方法能在模式空间里形成各种非线性分割平面,ANN 的特性使其可以作为一类性能良好的非线性分类器。1.1　方法及特点 ANN 故障模式识别可用图1所示BP 模型来说明 。 图1　BP 网模型 其中网络输入节点对应故障征兆,输出节点对应故障原因。进行故障模式识别时,先用一批故障样本 对模型进行训练,以确定网络结构(隐层及其节点数)和参数(节点间的联接权);网络训练好后,故障的模式分类就是根据给定的一组征兆,实现征兆集到故障集之间非线性映射的过程。 用ANN 作故障模式识别的特点有:①可用于系统模型未知或系统模型较复杂及非线性系统的故障模式识别;②兼有故障信号的模式变换与特征提取功能;③对系统含有不确定因素、噪声及输入模式不完备的情况不太敏感;④可用于复杂多模式的故障诊断;⑤可用于离线诊断,也能适应实时监测的要求。1.2　模型 用于故障模式识别的ANN 模型按学习方式可分有监督学习模型和无监督学习模型两大类,前者主要包括B P 网和径向基函数(RB F )网;后者主要包括自适应共振(ART )网和自组织特征映射(SOM )网。1.2.1　有监督学习模型 BP 网是目前故障诊断中应用最多且较成熟的一种模型,其神经元的非线性映射函数采用Sigmoid 函数,网络训练采用误差反向传播(Back pr opagation )学习算法。BP 网的结构及学习算法简单,但应用中还存在2个问题:一是关于网络的学习,因BP 算法是自适应最小均方(LMS )算法的推广,故网络的学习速度较慢,且可能陷入局部极小值点,针对这一问题已有许多改进的BP 算法;二是关于网络的结构设计,即如何选取隐层及隐层节点数,目前尚无确定的理论和方法。根据Hecht -Nilson 的映射定理:对任何闭区间上的一个连续函数,总可以用含一层隐单元的感知器网来映射;目前应用中多采用含一层隐单元的BP 网。关于隐层节点下限的确定已有一些研究结果,鉴于问题的复杂性,此处不作说明。选择较多的隐层及隐层节点虽可加快学习速度,但使网络的结构变得复杂,网络的推广能力也会变差。实际应用中,通常用对测试样本与学习样本的误差进行交叉评价的试错 法来选择隐层及隐层节点数。 RB F 网是一种较新颖的ANN 模型,只有一层隐含层,输出节点是线性的,隐单元采用对称的高斯基 · 13·第12卷第1期 《机械研究与应用》 ME CHANICAL RESE ARCH &APPLICATION Vol 12No .1　1999

深度神经网络及目标检测学习笔记

深度神经网络及目标检测学习笔记 ｈｔｔps://youtu.bｅ/MPU2ＨistivI 上面是一段实时目标识别的演示，计算机在视频流上标注出物体的类别,包括人、汽车、自行车、狗、背包、领带、椅子等。 今天的计算机视觉技术已经可以在图片、视频中识别出大量类别的物体，甚至可以初步理解图片或者视频中的内容，在这方面,人工智能已经达到了３岁儿童的智力水平。这是一个很了不起的成就,毕竟人工智能用了几十年的时间，就走完了人类几十万年的进化之路,并且还在加速发展。 道路总是曲折的，也是有迹可循的。在尝试了其它方法之后，计算机视觉在仿生学里找到了正确的道路(至少目前看是正确的)。通过研究人类的视觉原理,计算机利用深度神经网络(ＤｅeｐＮｅuｒal Nｅtwork，NＮ)实现了对图片的识别,包括文字识别、物体分类、图像理解等。在这个过程中,神经元和神经网络模型、大数据技术的发展，以及处理器(尤其是GPU）强大的算力，给人工智能技术的发展提供了很大的支持。 本文是一篇学习笔记,以深度优先的思路,记录了对深度学习(Deｅp Learning）的简单梳理,主要针对计算机视觉应用领域。 一、神经网络 １．1 神经元和神经网络 神经元是生物学概念,用数学描述就是:对多个输入进行加权求和,并经过激活函数进行非线性输出。 由多个神经元作为输入节点,则构成了简单的单层神经网络（感知器),可以进行线性分类。两层神经网络则可以完成复杂一些的工作,比如解决异或问题，而且具有非常好的非线性分类效果。而多层(两层以上)神经网络,就是所谓的深度神经网络。 神经网络的工作原理就是神经元的计算，一层一层的加权求和、激活，最终输出结果。深度神经网络中的参数太多（可达亿级），必须靠大量数据的训练来设置。训练的过程就好像是刚出生的婴儿，在父母一遍遍的重复中学习“这是苹

工程机械故障诊断方法综述

工程机械故障诊断方法综述 谢祺 机0801-1 20080534 【摘要】：机械设备的检测诊断技术在现代工业生产中的作用不可忽视,从设备诊断的基本方法、内容和技术手段等多方面对我国机械设备诊断技术的现状进行了综述,并在此基础上分析并提出了该技术在今后的发展趋势。 【关键字】：机械设备诊断技术发展趋势 引言 随着科学技术的发展,机械设备越来越复杂,自动化水平越来越高,机械设备在现代工业生产中的作用和影响越来越大,与其有关的费用越来越高,机器运行中发生的任何故障或失效不仅会造成重大的经济损失,甚至还可能导致人员伤亡。通过对设备工况进行检测,对故障发展趋势进行早期诊断,找出故障原因,采取措施避免设备的突然损坏,使之安全经济地运转,在现代工业生产中起着重要的作用。开展机械设备故障检测与诊断技术的研究具有重要的现实意义。本文试图对机械设备故障监测诊断的内容、方法的现状及发展趋势进行探讨。 1机械故障诊断技术的历史 早在60年代末，美国国家宇航局(NASA)就创立美国机械故障预防MFPG(Machinery Fault Prevention Group)，英国成立了机械保健中心(UK，Machineral Health Monitoring Center)。由于诊断技术所产生的巨大的经济效益，从而得到迅速发展。但各个工程领域对故障诊断的敏感程度和需求迫切性并不相同。例如一台机械设备因故障停机检修并不导致全厂生产过程停顿，或对产品质量产生严重的影响，它对故障诊断的需求性就不那么迫切。反之，就非要有故障诊断技术不可。目前监视诊断技术主要用于连续生产系统或与产品质量有直接关系的关键设备。 机械故障诊断技术发展几十年来，产生了巨大的经济效益，成为各国研究的热点。从诊断技术的各分支技术来看，美国占有领先地位。美国的一些公司，如 Bently，HP等，他们的监测产品基本上代表了当今诊断技术的最高水平，不仅具有完善的监测功能，而且具有较强的诊断功能，在宇宙、军事、化工等方面具有广泛的应用。美国西屋公司的三套人工智能诊断软件（汽轮机TurbinAID，发电机GenAID，水化学ChemAID）对其所产机组的安全运行发挥了巨大的作用。还有美国通用电器公司研究的用于内燃电力机车故障排除的专家系统DELTA；美国NASA研制的用于动力系统诊断的专家系统；Delio Products公司研制的用于汽车发动机冷却系统噪声原因诊断的专家系统ENGING COOLING ADCISOR等。近年来，由于微机特别是便携机的迅速发展，基于便携机的在线、离线监测与诊断系统日益普及，如美国生产的M6000系列产品，得到了广泛的应用[2]。 英国于70年代初成立了机器保健与状态监测协会，到了80年代初在发展和推广设备诊断技术方面作了大量的工作，起到了积极的促进作用。英国曼彻斯特大学创立的沃森工业维修公司和斯旺西大学的摩擦磨损研究中心在诊断技术研究方面都有很高的声誉。英国原子能研究机构在核发电方面，利用噪声分析对炉体进行监测，以及对锅炉、压力容器、管道得无损检测等，起到了英国故障

电网故障诊断

电力变压器过热故障综合诊断 摘要：对电力变压器故障的常用诊断方法, 如油中溶解气体分析、绝缘试验、 油务试验及其它预防性试验等, 进行了全面论述, 重点分析和评价了这些故障诊断方法的有效性, 并对其未来发展方向, 提出了建议。 关键词：电力变压器故障诊断方法分析 引言 电力变压器是工矿企业中配电系统的枢纽设备,其运行可靠性直接关系到企业生产的安全与稳定。但由于电力变压器故障的原因复杂、多样且不明显,使得要准确地判断电力变压器故障类型相当困难。若能在电力变压器运行过程中通过某些检测和试验,及时有效的判断其状态,预先发现早期潜伏性故障,并避免某些重复、无必要的检修, 将对企业配电系统的安全经济运行产生重要的意义。ＤＧＡ(油中溶解气体分析)方法作为一种有效的油浸式电力变压器异常监测手段得到广泛的应用。在1997年颁布执行的《电力设备预防性试验规程》把油中溶解气体色谱分析放到了首位。 变压器易发生的故障基本可分两大类:①电性故障;②热性故障。电力变压器故障，从发展过程上可分两大类，即突发性故障和潜伏性故障，突发性故障发展过程很快，瞬间就会造 成严重后果，如雷击、误操作、负荷突变等，突发性故障具有偶然性，只能通过避雷器、继电保护等手段，使突发性故障被限制在最小的范围内。潜伏性故障一般有三种，即变压器内部局部放电，局部过热和变压器绝缘的老化。故障诊断主要是针对这些潜伏性故障的诊断预测。 1 变压器运行状态的主要测试与监测手段 当前我国变压器运行状态监测在相当程度上主要依据传统的预防性试验来实现，包括:电气试验和油务试验 1.1电气试验 (1)直流电阻的测t:直流电阻虽然是一个测试方法比较简单的实验，但它比较直观地确认绕组、引线、调压开关等导电回路是否正常，能发现绕组导线的焊接质t，引线接头是否拧 紧接触是否良好，调压开关触头接触是否良好等等。 (2)绝缘性能测试:通过绝缘电阻、吸收比、极化指数、介损、电容t(包括电容套管)、泄诵测试等实验可掌握变压器的绕组绝缘水平和铁心对地绝缘。 (3)有载调压开关特性测试:通过有载调压开关切换时间、周期、切换的波形测f可以掌握变压器的有载调压开关的性能是否良好。 (4)绕组变形测试和低电压短路阻抗的测试。可以掌握变压器出口短路后变压器绕组有否变形和移位。 (5)铁心接地电流测试。可判断变压器是否多点接地。 (6)远红外测沮:通过红外线测温可以随时掌握各出线引 线接触是否良好。 1.2油务试验 定期对变压器充油设备的油采样进行油色谱分析，通过油色谱分析判断变压

电力系统故障的智能诊断综述

电力系统故障的智能诊断综述 发表时间：2016-06-30T14:34:41.580Z 来源：《电力设备》2016年第9期作者：李艳君蒋杰李玉玲李飞翔 [导读] 在电力系统中，设备故障诊断和厂站级的故障诊断经过了几十年的发展和改革，现今已经较为成熟，而电力系统层面的故障才刚刚开始。 李艳君蒋杰李玉玲李飞翔 （国网新疆检修公司新疆乌鲁木齐 830000） 摘要：常用的智能故障诊断技术有专家系统、人工神经网络、决策树、数据挖掘等，专家系统技术应用最广，最为成熟，但是也需要结合使用其他智能技术来克服专家系统技术自身的缺点。智能故障诊断技术的发展趋势主要有多信息融合、多智能体协同、多种算法结合等，并向提高智能性、快速性、全局性、协同性的方向发展。基于此，本文就针对电力系统故障的智能诊断进行分析。 关键词：电力系统；故障；智能诊断 引言 文章对电力系统故障的智能诊断进行了详细的阐述，通过对电力系统的简介，和对故障诊断的发展阶段进行了简要的分析，并阐述了电力系统故障的智能诊断实际应用存在的问题及对策，文章最后指出了电力系统故障的智能诊断的发展趋势。望文章的阐述推动电力系统故障的智能诊断的发展。 1电力系统概述 电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。电力系统的主要功能是将自然界中的能源，通过先进的发电动力装置，将能源转换为电能。在通过输电线路和变压系统，将电能传送到各个用户。为了实现这一功能，电力系统在各个环节和不同层次还具有相应的信息与控制系统，对电能的生产过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。 2电力系统故障智能诊断技术及发展现状 2.1智能故障诊断技术 传统的故障诊断方法分为基于信号处理和基于数据模型，均需要人工进行信息的处理和分析，缺乏自主学习能力。随着人工智能技术这一新方法的产生及发展，为故障诊断提供了初步的自动分析和学习的途径。人工智能技术能够存储和利用故障诊断长期积累的专家经验，通过模拟人大脑的逻辑思维进行推理，从而解决复杂的诊断问题。 目前在电网故障诊断领域出现了包括专家系统、人工神经网络、决策树理论、数据挖掘、模糊理论、粗糙集理论、贝叶斯网络、支持向量机及多智能体系统等技术以及上述方法的综合应用。 目前，在对电网故障智能诊断领域的研究中，依靠单一智能技术的系统多，信息的综合利用研究较少，协同技术的研究应用更少；投入运行的诊断系统多为专家系统，但是离线运行的多，在线运行的很少。即使广泛投入使用的专家系统也同样存在着：（1）知识的获取和管理问题，难以获取较高适应度和准确度的知识。（2）推理的效率问题。（3）故障诊断的在线应用问题，目前仅限于离线故障诊断，该结论不能指导对电网的实际控制。（4）故障诊断的动态分析问题，缺乏故障的动态分析，从而屏蔽了很多有用的细节，尤其是各元件之间的相互关联关系等。基于以上问题，采用决策树方法可以对系统信息进行归类梳理，可以提高专家系统的速度；通过粗糙集方法建立清晰的数学模型；采用数据挖掘和关联性规则可以提高故障诊断分析的准确度。这几种方法的结合应用有助于提高故障诊断的智能水平、效率和准确度。 2.2电力系统故障智能诊断发展现状 电力系统连锁故障分析理论与应用中提到，电力系统故障智能诊断是相对传统的故障诊断而言的。在传统的故障诊断方法可划分为两类。其一是关于信号出路的方法。其二是数学模型的方法。这些都需要人为地区判断和分析，这些方法应用是没有自动化的处理能力。故障的智能诊断是将传统的方法，与当下先进的计算机技术有效的结合，形成的人工智能技术的新方法，对电力系统的故障进行智能的诊断，这是故障诊断技术发展的新时期。 3智能故障诊断面临的问题和对策 3.1智能故障诊断面临的问题 知识的获取和管理问题，也可以说是规则的表达和维护问题。知识是专家系统行为的核心，如何根据系统的变化，获取具有较高适应度和准确度的知识（规则）。对知识的一致性、冗余性、矛盾性和完备性进行检验、维护和管理，是专家系统亟需解决的首要问题。 推理的效率问题，也可以说是如何解决规则组合爆炸的问题。规则库的规模增大以后，搜索的运算量迅速增长，尽管人们提出了许多算法，规则组合爆炸的问题还是没有得到满意的解决。 故障诊断的在线应用问题。以往的故障诊断离线运行，只能告诉调度员已有故障是如何发展的，因为运行方式的多变性，离线故障诊断结论不一定能够指导调度员对电网的实际控制；只有做到在线运行，才能及时帮助调度员进行控制决策。 故障诊断的动态分析问题。以往的故障诊断只能进行静态分析，忽略了故障动态过程的大量有用的细节，尤其是采用了高速保护的大型电网，更加需要分析动态过程，例如快速相继开断过程中的顺序和相互关系、复杂故障中各元件之间的相互影响、电压崩溃的动态过程、运行方式切换或调度控制过程对电网的影响等。 3.2智能故障诊断面临问题的解决对策 对于知识的获取和管理问题，可以采用提高故障诊断系统的学习能力的方法，如 ANN、数据挖掘、仿生学方法等。这些智能方法都有其优点和局限性，需要有针对性地应用。 对于推理的效率问题，可以采用计算速度更快的计算机硬件和软件算法，通信速度更快的数据采集和传输手段；数据挖掘是从各种复杂故障中发现最常见的故障或分解出简单故障的有力手段；建立系统的故障案例库，可以降低决策分析的计算量，提高诊断推理的效率。 对于故障诊断的在线应用和动态分析问题，可以采用更能够反映电网实时运行状态的信息，如广域量测系统、高速保护信息系统和故障录波信息系统、稳定控制系统等提供的动态数据；实时进行电网的灵敏度分析，动态分析电网的健康状况；增量挖掘技术只处理实时的

基于BP神经网络的故障诊断方法

基于BP神经网络的故障诊断方法

《智能控制基础》 研究生课程设计报告 题目基于BP神经网络的故障诊断方法学院机械与汽车工程学院 专业班级车辆工程 学号221601852020 学生姓名李跃轩 指导教师武晓莉 完成日期2016年12月10日

目录 1 设计概述 (2) 1.1研究对象介绍 (2) 1.2设计内容及目标 (2) 2 设计原理、方法及步骤 (3) 2.1基于BP算法的神经网络模型 (3) 2.2 神经网络信息融合故障诊断步骤 (4) 3 结果及分析 (6) 3.1数据仿真 (6) 3.2 结果分析 (9) 4 设计小结 (10) 参考文献 (10) 附录程序 (11)

1 设计概述 1.1研究对象介绍 信息融合是多源信息综合处理的一项新技术，是将来自某一目标(或状态)的多源信息加以智能化合成，产生比单一信息源更精确、更完全的估计和判决。信息融合所处理的多传感器信息具有更为复杂的形式，可以在不同的信息层次上出现。多传感器信息融合的优点突出地表现在信息的冗余性、容错性、互补性、实时性和低成本性。 神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，从而可以替代复杂耗时的传统算法，使信号处理过程更接近人类思维活动。 柴油机故障具有相似性，故障与征兆的关系不明确，具有较强的模糊性，故障特征相互交织，柴油机故障诊断是一个复杂的问题。综合柴油机故障的特点以及神经网络的优势，采用基于BP神经网络的多传感器信息融合技术对柴油机机械故障进行诊断。 1.2设计内容及目标 设计内容：针对传统故障诊断方法存在的诊断准确性不高的问题，提出了BP神经网络信息融合的方法，实现对柴油机的机械故障诊断。由多个传感器采

齿轮故障诊断方法综述

齿轮故障诊断方法综述 摘要齿轮就是机械设备中常用得部件,而齿轮传动也就是机械传动中最常见得方式之一。在许多情况下,齿轮故障又就是导致设备失效得主要原因。因此对齿轮进行故障诊断具有非常重要得意义。介绍了故障得特点与几种诊断方法,并比较了基于粒子群优化得小波神经网络,基于相关分析与小波变换,基于小波包与BP神经网络与基于小波分析等故障诊断方法得优缺点,并提出了齿轮故障诊断得难点与发展方向。 关键字齿轮故障诊断诊断方法分析比较发展

目录 第一章齿轮故障诊断发展及故障特点 (1) 1、1 齿轮故障诊断得发展 (1) 1、 2齿轮故障形式与震动特征 (1) 第二章齿轮传动故障诊断得方法 (2) 2、 1高阶谱分析 (2) 2、1、1参数化双谱估计得原理 (3) 2、1、2试验装置与信号获取 (3) 2、1、3 故障诊断 (4) 2、1、4 应用双谱分析识别齿轮故障 (4) 2、2基于边频分析得齿轮故障诊断 (6) 2、2、1分析原理 (6) 2、2、2铣床振动测试 (6) 2、2、3 边频带分析 (7) 2、2、4 故障诊断 (8) 2、 3时域分析 (10) 2、3、1 时域指标 (10) 2、3、2非线性时间分析 (10)

第一章齿轮故障诊断发展及故障特点 1、1 齿轮故障诊断得发展 齿轮故障诊断始于七十年代初,早期得齿轮故障诊断仅限于在旋转式机械上测量一些简单得振动参数,用一些简单得方法进行诊断。这些简单得参数与诊断方法对齿轮故障诊断反应灵敏度较低,根本无法准确判断发生故障得部位。七十年代末到八十年代中期,旋转式机械中齿轮故障诊断得频域法发展很快,其中R、B、Randall与James1、Taylor等人做好了许多有益得工作,积累了不少故障诊断得成功实例,出现了一些较好得频域分析方法,对齿轮磨损与齿根断裂等故障诊断较为成功。进入九十年代以后,神经网络、模糊推理与网络技术得发展与融合使得齿轮系统故障诊断进入了蓬勃发展得时期。 我国学者在齿轮故障诊断研究方面也做了大量工作。1986年,屈梁生、何正嘉在《机械故障诊断学》中分析了齿轮故障得时频域特点。1988年,颜玉玲、赵淳生对滚动轴承得振动监测及故障诊断进行了分析。1997年,郑州工业大学韩捷等在“齿轮故障得振动频谱机理研究”中对齿轮得故障机理做了探讨。西安交通大学张西宁等在“齿轮状态监测与识别方法得研究”中提出了一种新方法即基于一致度分析。 1、 2齿轮故障形式与震动特征 通常齿轮在运转时,由于制造不良或操作维护不善会产生各种形式得故障。故障形式又随齿轮材料、热处理、运转状态等因素得不同而不同,常见得齿轮故障形式有齿面磨损、齿面胶合与擦伤、齿面接触疲劳与弯曲疲劳与断齿。 在齿轮运转状态下,伴随着内部故障得发生与发展,必然会产生振动上得异常。实践证明,振动分析就是齿轮故障检测中最有效得方法。若齿轮副主轮转速为n1,齿数为z1,频率为f1;从轮转速为n2,齿数为z2,频率为f2,则齿轮啮合频率fC 为:fC=Nf1z1=Nf2z2=Nn160z1=Nn260z2(1) 式中:N=1, 2, 3,…。齿轮处于正常或异常状态下,啮合频率振动成分及其倍频总就是存在得,但两种状态下得振动水平有差异。如果仅仅依靠对齿轮振动信号得啮合频率及其倍频成分得差异来识别齿轮得故障就是不够得,因故障对振动