一种新型变压器差动保护起动元件

在电力变压器中,励磁涌流会引起变压器差动保护误动作。针对这一问题,提出一种新型的变压器差动保护起动元件———基于小波变换的行波识别起动元件,并且通过MATLAB中的simulink和wavemenu进行仿真。仿真结果表明,该起动元件可以正确识别励磁涌流与内部故障电流,从而能有效避免差动保护误动作。     

基于模型的阻抗匹配平衡牵引变压器的保护

为解决励磁涌流的识别问题，将基于变压器模型的保护原理应用于阻抗匹配平衡牵引变压器．根据对该类变压器的电磁特性分析，导出了电压平衡方程，通过分析电压平衡方程等号两边的差值可以确定保护动作．在此基础上，提出了基于变压器模型的阻抗匹配平衡变压器保护的动作特性和动作方程；考虑电流互感器、电压互感器和保护装置自身的误差，提出了相应的整定原则．最后，进行了数值仿真，以验证动作方程和整定原则的正确性．     

船舶岸电变压器励磁涌流动态特性研究

船舶变压器是港口岸基供电系统中重要的电力设备,相较于传统变压器励磁涌流的影响,船舶变压器励磁涌流不仅会导致变压器本身继电保护装置发生误动,还会致使变频电源过流跳闸以及岸电系统自身保护发生误动。为了研究岸电系统励磁涌流产生的影响因素及其抑制办法,文中分别详细地推导了船舶变压器二次侧为Y接和△接时的励磁涌流数学解析表达式。并基于此,搭建了船舶变压器仿真平台,从铁芯剩磁、电阻等变量因素对励磁涌流动态特性的影响进行了深入研究,提出了抑制励磁涌流的建议方法。结果验证了理论分析的正确性,并为解决实际工程问题提供了理论依据。     

参数优化VMD对变压器声音信号的故障诊断

变压器内部局放声音信号包含了设备故障特征信息,但是局放声音信号的非线性、非平稳性使得故障特征难以提取,因此现有基于声音信号识别变压器内部故障识别率低.为此,提出模拟退火优化变分模态分解—样本熵的特征提取方法,并与支持向量机结合进行变压器内部局放故障诊断.首先,基于模拟退火算法实现变分模态分解(variational mode decomposition, VMD)的参数寻优;然后,采用最优参数设定VMD并对故障声音信号进行分解,得到包含故障特征的本征模态函数,进而求取各本征模态函数的样本熵作为对应样本的特征向量;最后,利用支持向量机实现特征向量的识别与分类.模拟实验结果表明,所提出的方法可以有效提取局放故障声音信号的特征,具有较好的故障识别率.     

变压器差动保护中励磁涌流非线性鉴别技术的发展

分析了变压器产生的励磁涌流的非线性特征,介绍了几种非线性鉴别方法的构成原理与特点.包括基于人工神经网络、小波变换和模糊理论的励磁涌流鉴别,并对近年来各非线性鉴别的原理、优缺点、技术关键及研究和应用现状进行了较详细的分析与客观评价。根据国内外电力变压器励磁涌流非线性鉴别技术的对比分析,指出了这些非线性鉴别技术在未来变压器差动保护应用中可能的发展方向。     

阻抗匹配平衡变压器差动保护动作方程与整定

用原边相电流构成阻抗匹配平衡变压器的差动保护，当阻抗匹配系数K2≠√3 1时产生固有的不平衡电流，易引起误动作．按变压器原边相电流差构成电流差动保护解决上述问题．针对3段折线的动作特性，给出了阻抗匹配平衡变压器差动保护整定计算原则与公式，其中考虑了正常运行的不平衡电流、电流互感器饱和及最大励磁涌流对差动保护动作的影响．     

电压暂降对单相V/V牵引变压器的影响

基于EMTDC/PSCAD中UMEC变压器模型,研究电压暂降对V/V接线牵引变压器的影响机理,结果表明,电压暂降使变压器产生励磁涌流,电压暂降的时刻决定非周期分量磁通的大小,该值决定铁心的饱和与否,从而决定变压器励磁涌流是否发生.该时刻磁通的正负将影响涌流的正负.电压暂降持续时间对涌流的大小产生一定的影响,其值在1.2~1.8 p.u.之间变化.变压器有载运行时,电压暂降也将激发出变压器励磁涌流.     

基于支持向量分类机和回归机的综合评价方法

采用支持向量多值分类机和回归机进行综合评价排序,以提高机器学习方法的综合评价排序能力,并以管理信息系统综合评价为例,与人工神经网络（ANN）方法进行了对比研究.试验结果表明,基于支持向量多值分类机综合评价得分之间的差异比ANN更明显,而且基于支持向量回归机综合评价得分的相对误差明显小于ANN.     

直流制动法在计算机变压器纵联差动保护中的应用

本文通过对电力变压器空载投入励磁涌流进行频谱分析，提出在计算机变压器纵联差动保护中利用直流分量进行制动，以避开变压器空载投入励磁涌流，提高了保护的响应速度，简化了保护算法。     

基于V-支持向量分类机的交通事件检测方法研究

基于支持向量机在解决分类问题的优势，本文提出基于V-支持向量分类机的交通事件检测方法。首先把交通事件是否发生看成是一个特殊的分类问题，选取V-支持向量分类机和核函数，根据以往的交通事件是否发生的检测数据，即分别在发生交通事件和不发生交通事件两种情况下的上下游车道占有率，计算出其当前时段的上下游车道占有率的绝对差、相对差，以及下游前两时段与当前时段车道占有率的相对差，以此作为V-支持向量分类机的输入，对其进行训练，然后输入现阶段检测到的相应车道占有率统计结果，利用训练完成的V-支持向量分类机来判别是否发生交通事件。最后，本文以微观交通模拟的数据验证模型的效果。     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型．采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优．实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的．     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

基于支持向量机的船舶柴油机层次故障诊断的研究

文章介绍了支持向量机的原理和算法,分析了层次分析法及其在故障诊断中的应用,并在上述理论下,建立了柴油机的故障模型。仿真结果表明,SVM能够在小样本的情况下解决柴油机故障诊断的分类问题,在实际的机械故障诊断的分类中具有广泛的应用前景．     

FAULT IDENTIFICATION IN HETEROGENEOUS NETWORKS USING TIME SERIES ANALYSIS

Fault management is crucial to provide quality of service grantees for the future networks, and fault identification is an essential part of it. A novel fault identification algorithm is proposed in this paper, which focuses on the anomaly detection of network traffic. Since the fault identification has been achieved using statistical information in management information base, the algorithm is compatible with the existing simple network management protocol framework. The network traffic time series is verified to be non-stationary. By fitting the adaptive autoregressive model, the series is transformed into a multidimensional vector. The training samples and identifiers are acquired from the network simulation. A k-nearest neighbor classifier identifies the system faults after being trained. The experiment results are consistent with the given fault scenarios, Which prove the accuracy of the algorithm. The identification errors are discussed to illustrate that the novel fault identification algorithm is adaptive in the fault scenarios with network traffic change.     

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.      

基于收敛趋势变分模式分解的齿轮箱故障诊断方法

从中心频率的角度出发,深入分析变分模式分解算法中不同初始中心频率的分解特性;利用分解特性对变分模式分解中使用的初始中心频率进行合理更新,在没有先验知识的情况下自适应分解信号的整个分析频带;根据峭度准则,从分解的子信号中选取包含故障信息最丰富的故障分量;对选出的最佳故障分量进行平衡参数优化和稀疏编码收缩处理,并进行包络分...     

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

大规模训练集的快速缩减

为了进一步减少支持向量机的训练时间,提出了一种基于类别质心的训练集缩减算法.该算法根据样本的几何分布去除训练集中大部分非支持向量.对样本规模在104数量级的数据集进行了训练实验,结果显示,在基本不损失分类精度的情况下,训练时间比直接用SMO(序贯最小优化)算法减少30%,说明该算法能有效地提高支持向量机的训练速度.