基于相关向量机的两种电力设备故障预警研究
发布时间：2021-02-22 18:34
电力设备安全可靠是确保电力系统安全稳定运行的重要前提,加强对电力设备运行状态的监测,实现电力设备的早期故障预警和诊断具有重要意义。与传统电力设备故障诊断方法不同,基于数据挖掘的故障预警技术的实现原理是挖掘数据潜在规律,从样本中学习数据之间内在的函数关系并建立模型,然后基于此模型预测电力设备的运行状态,这样便能够及早发现电力设备故障的早期征兆,进而给出预警信号,阻止电力设备故障的发生。为了进一步提高电力设备故障预警方法的准确性,本文将相关向量机算法引入到电力设备故障预警中去。首先,介绍了相关向量机算法,并对其性能进行分析,说明了基于该算法构建的电力设备模型能够较好解决非线性问题,且具有良好的稀疏性。同时,分析了电力系统数据特点及数据处理方法,为电力设备模型的故障特征提取提供数据基础。然后,针对不同电力设备的数据特点建立了符合现场情况的两类预警模型,模型一对电力设备正常运行参数预测后,根据实际测量值与模型预测值的差值确定是否给出报警信号,模型二对电力设备故障趋势预测后判定是否进行预警;最后,基于风力发电机监控与数据采集（supervisory control and data acquis...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２－１相关向量机回归模型：（ａ）生成数据点；（ｂ）预测曲线；（ｃ）相关向量；（ｄ）相关向量权重??图２－ｌ（ａ）为借助数据生成器生成的１００个数据点，图２－ｌ（ｂ）为一组“高斯”??基函数的基础线性模型的实际曲线与相关向量机回归曲线对比，从图中可以看??
山东大学硕士学位论文??＂＾１?１?￣￣＾?￣春分类?１??１?－?Ｘ?？田？?＊?八－＊分类２??Ｖ?ｘ?％?？?＿?■■分类边界??〇．８‘＞＜＾?：?ｙ?？，？?？?Ｈ２向ｒ??、ｊｓ＾：、？?？?？?？????〇４?？？？？??０２?？？？？？？?ｌ?＃＃Ｎ?＞??ｎ?？?？?％?？?＼??〇?Ｉ?？?＃?．?，?Ｌ＿??－１?－０．５?０?０．５??图２－２相关向量机分类??由图２－２可以看出，基于高斯核函数的相关向量机算法一共产生了?４个相关??向量代表数据特征，体现出该算法具有更好的稀疏性。实际上，支持向量机算法??需要更多位于超平面周围的支持向量来形成分类器，而相关向量机算法的相关向??量是每个类别中的典型样本，它们都远离超平面，这一特点保证了相关向量机算??法算法的稀疏性，而这主要是由于相关向量机算法采用了高斯分布的权重值。??通过分类准确率和误判率可进一步定量表征算法的分类效果，其中：??分类准确率＝正确分类的样本数／总样本数??误判率＝错误分类的样本数／总样本数??经计算，算例中分类准确率为９１．４０％。误判率为８．６０％。由此可见，相关．??向量机算法的分类准确性的确较高。??２．３本章小结??本章主要介绍了相关向量机的理论知识。首先介绍了相关向量机回归和分类??理论，并给出了相应的模型设定及学习推理过程；然后，通过算例分析了相关向??量机的回归性能和分类性能，进一步证明了相关向量机模型的稀疏性，本章所做??的工作表明相关向量机稀疏性好，准确率较高，具有良好的推广能力。??１５??
山东大学硕士学位论文??ｍｍ??〇??１??—１?■?１?：???Ｏ?１０００?２０００?３０００?４０００?５０００?６０００?７０００??数４Ｗ点??图３－１轴温与功率归一化趋势??°?°?Ｊ?｜｜?Ｉ?Ｉ－?—?［、??＊０４?＇?－??０３??０?２?－?－??Ｏ?１??Ｏ???１?１?１????Ｏ?１０００?２０００?３０００?４０００?ＳＯＯＯ?６０００?７０００??数扼点．??图３－２轴温与舱温归一化趋势??Ｉ１ＷＩ??０．３?ｐ?－??０．２?Ｌ?－??０．１?卜?－??０???１?１?１?１?：?；???０?１０００?２０００?３０００?４０００?５０００?６０００?７０００??数把点??图３－３灰色关联系数??３．３异常数据检测??异常数据检测是指在使用各种学习方法建立电力设备正常行为的模型后，分??析电力设备的实时测量数据与模型预测数据，用以检测电力设备是否有发生故障??的趋势。在电力设备出现故障之前，往往伴随着异常测量数据的显现。因此，分??２０??
【参考文献】：
期刊论文
[1]采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法[J]. 陈俊生,李剑,陈伟根,孙鹏. 电工技术学报. 2020(02)
[2]基于贝叶斯网络的水电机组振动故障诊断研究[J]. 刘东,王昕,黄建荧,张晓静,肖志怀. 水力发电学报. 2019(02)
[3]基于概率输出支持向量机和证据理论的变压器故障诊断技术[J]. 陈程,聂德鑫,冯振新,张学龙,赵坤,石悠旖. 变压器. 2018(07)
[4]基于高斯过程回归和双滑动窗口残差处理的风电机组主轴状态监测[J]. 郭鹏,王兆光. 电力自动化设备. 2018(06)
[5]电力设备状态大数据分析的研究和应用[J]. 江秀臣,盛戈皞. 高电压技术. 2018(04)
[6]基于油中气体分析的变压器故障诊断ReLU-DBN方法[J]. 代杰杰,宋辉,杨祎,陈玉峰,盛戈皞,江秀臣. 电网技术. 2018(02)
[7]基于动态柯西蜂群算法优化支持向量机的风机叶片故障诊断[J]. 王宇鹏,王致杰,刘琦,徐莉莉,王鸿,程亚丽. 电气工程学报. 2018(01)
[8]神经网络技术在风电机组SCADA数据分析中的应用研究[J]. 杜勉,易俊,郭剑波,程林,马士聪,贺庆. 电网技术. 2018(07)
[9]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[10]基于工况辨识和变分模态分解的风电机组滚动轴承故障诊断[J]. 刘长良,闫萧. 动力工程学报. 2017(04)
博士论文
[1]基于相关向量机的油浸式电力变压器故障诊断方法研究[D]. 尹金良.华北电力大学 2013
[2]数据驱动的大型电力变压器故障诊断和预测研究[D]. 唐勇波.中南大学 2013
[3]支持向量机在变压器状态评估中的应用研究[D]. 肖燕彩.北京交通大学 2008
本文编号：3046396
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２－１相关向量机回归模型：（ａ）生成数据点；（ｂ）预测曲线；（ｃ）相关向量；（ｄ）相关向量权重??图２－ｌ（ａ）为借助数据生成器生成的１００个数据点，图２－ｌ（ｂ）为一组“高斯”??基函数的基础线性模型的实际曲线与相关向量机回归曲线对比，从图中可以看??
山东大学硕士学位论文??＂＾１?１?￣￣＾?￣春分类?１??１?－?Ｘ?？田？?＊?八－＊分类２??Ｖ?ｘ?％?？?＿?■■分类边界??〇．８‘＞＜＾?：?ｙ?？，？?？?Ｈ２向ｒ??、ｊｓ＾：、？?？?？?？????〇４?？？？？??０２?？？？？？？?ｌ?＃＃Ｎ?＞??ｎ?？?？?％?？?＼??〇?Ｉ?？?＃?．?，?Ｌ＿??－１?－０．５?０?０．５??图２－２相关向量机分类??由图２－２可以看出，基于高斯核函数的相关向量机算法一共产生了?４个相关??向量代表数据特征，体现出该算法具有更好的稀疏性。实际上，支持向量机算法??需要更多位于超平面周围的支持向量来形成分类器，而相关向量机算法的相关向??量是每个类别中的典型样本，它们都远离超平面，这一特点保证了相关向量机算??法算法的稀疏性，而这主要是由于相关向量机算法采用了高斯分布的权重值。??通过分类准确率和误判率可进一步定量表征算法的分类效果，其中：??分类准确率＝正确分类的样本数／总样本数??误判率＝错误分类的样本数／总样本数??经计算，算例中分类准确率为９１．４０％。误判率为８．６０％。由此可见，相关．??向量机算法的分类准确性的确较高。??２．３本章小结??本章主要介绍了相关向量机的理论知识。首先介绍了相关向量机回归和分类??理论，并给出了相应的模型设定及学习推理过程；然后，通过算例分析了相关向??量机的回归性能和分类性能，进一步证明了相关向量机模型的稀疏性，本章所做??的工作表明相关向量机稀疏性好，准确率较高，具有良好的推广能力。??１５??
山东大学硕士学位论文??ｍｍ??〇??１??—１?■?１?：???Ｏ?１０００?２０００?３０００?４０００?５０００?６０００?７０００??数４Ｗ点??图３－１轴温与功率归一化趋势??°?°?Ｊ?｜｜?Ｉ?Ｉ－?—?［、??＊０４?＇?－??０３??０?２?－?－??Ｏ?１??Ｏ???１?１?１????Ｏ?１０００?２０００?３０００?４０００?ＳＯＯＯ?６０００?７０００??数扼点．??图３－２轴温与舱温归一化趋势??Ｉ１ＷＩ??０．３?ｐ?－??０．２?Ｌ?－??０．１?卜?－??０???１?１?１?１?：?；???０?１０００?２０００?３０００?４０００?５０００?６０００?７０００??数把点??图３－３灰色关联系数??３．３异常数据检测??异常数据检测是指在使用各种学习方法建立电力设备正常行为的模型后，分??析电力设备的实时测量数据与模型预测数据，用以检测电力设备是否有发生故障??的趋势。在电力设备出现故障之前，往往伴随着异常测量数据的显现。因此，分??２０??
【参考文献】：
期刊论文
[1]采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法[J]. 陈俊生,李剑,陈伟根,孙鹏. 电工技术学报. 2020(02)
[2]基于贝叶斯网络的水电机组振动故障诊断研究[J]. 刘东,王昕,黄建荧,张晓静,肖志怀. 水力发电学报. 2019(02)
[3]基于概率输出支持向量机和证据理论的变压器故障诊断技术[J]. 陈程,聂德鑫,冯振新,张学龙,赵坤,石悠旖. 变压器. 2018(07)
[4]基于高斯过程回归和双滑动窗口残差处理的风电机组主轴状态监测[J]. 郭鹏,王兆光. 电力自动化设备. 2018(06)
[5]电力设备状态大数据分析的研究和应用[J]. 江秀臣,盛戈皞. 高电压技术. 2018(04)
[6]基于油中气体分析的变压器故障诊断ReLU-DBN方法[J]. 代杰杰,宋辉,杨祎,陈玉峰,盛戈皞,江秀臣. 电网技术. 2018(02)
[7]基于动态柯西蜂群算法优化支持向量机的风机叶片故障诊断[J]. 王宇鹏,王致杰,刘琦,徐莉莉,王鸿,程亚丽. 电气工程学报. 2018(01)
[8]神经网络技术在风电机组SCADA数据分析中的应用研究[J]. 杜勉,易俊,郭剑波,程林,马士聪,贺庆. 电网技术. 2018(07)
[9]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[10]基于工况辨识和变分模态分解的风电机组滚动轴承故障诊断[J]. 刘长良,闫萧. 动力工程学报. 2017(04)
博士论文
[1]基于相关向量机的油浸式电力变压器故障诊断方法研究[D]. 尹金良.华北电力大学 2013
[2]数据驱动的大型电力变压器故障诊断和预测研究[D]. 唐勇波.中南大学 2013
[3]支持向量机在变压器状态评估中的应用研究[D]. 肖燕彩.北京交通大学 2008
本文编号：3046396
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3046396.html
