CN106981873A - 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法 - Google Patents

一种基于动力学行为的孤岛式电力系统潜隐故障预测方法 Download PDF

Info

Publication number
CN106981873A
CN106981873A CN201710279276.1A CN201710279276A CN106981873A CN 106981873 A CN106981873 A CN 106981873A CN 201710279276 A CN201710279276 A CN 201710279276A CN 106981873 A CN106981873 A CN 106981873A
Authority
CN
China
Prior art keywords
failure
power system
separation
hidden
isolated island
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710279276.1A
Other languages
English (en)
Other versions
CN106981873B (zh
Inventor
王荣杰
周海峰
蒋德松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jimei University
Fishery Machinery and Instrument Research Institute of CAFS
Original Assignee
Jimei University
Fishery Machinery and Instrument Research Institute of CAFS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jimei University, Fishery Machinery and Instrument Research Institute of CAFS filed Critical Jimei University
Priority to CN201710279276.1A priority Critical patent/CN106981873B/zh
Publication of CN106981873A publication Critical patent/CN106981873A/zh
Application granted granted Critical
Publication of CN106981873B publication Critical patent/CN106981873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种基于动力学行为的孤岛式电力系统潜隐故障预测方法，包括如下两大步骤：步骤1、利用电力系统演变发展的分岔动力学行为特征来辨识潜隐故障的实现步骤；步骤2、电力系统潜隐故障预测步骤。与现有技术相比，本发明提供的本发明的基于动力学行为的孤岛式电力系统潜隐故障预测方法，能识别电力系统正在发展演变的潜隐故障并预测其可能发生的概率，使移动载体(飞机或船舶)能在有利的工作环境中实现隐患系统或设备的修复，为避免破坏性故障的发生提供条件。

Description

一种基于动力学行为的孤岛式电力系统潜隐故障预测方法
技术领域
本发明涉及电力系统领域，确切地说是指一种基于动力学行为的孤岛式电力系统潜隐故障预测方法。
背景技术
孤岛式电力系统的运行情况从安全到故障的渐进演变过程如图1所示，潜隐故障是介于安全和故障之间的状态。
目前，国外关于船舶故障预测有多种方法，比如：1、将拓扑学习规则的自组织映射网络和均值聚类算法相结合来辨识船舶主机潜在的故障和故障位置；2、通过整合不确定的船体生命周期性能来评估船体结构健康状态，其首先将与船体第一次和最近一次发生故障相关的可靠性量化为生命周期性能，然后利用复合的Latin立体抽样技术计算故障发生的概率，从而评估出船体结构可能出现的“病态”；3、根据美国军方提出的面向新一代武器装备的健康状态管理思想构建了针对船舶主推进系统的齿轮箱、传动轴和调距桨等关键设备故障预测的健康管理系统；4、采用了一种基于统计过程控制的故障预测模型对船舶柴油机失效前的磨损类故障进行预测，并评估其引起柴油机健康退化的程度等。
国外关于飞机故障预测也有多种方法，比如：1、基于广义线性模型的飞机发动机故障预测模型；2、利用逻辑回归分析计算飞机发动机故障发生的概率；3、将具有模糊逻辑的数据融合技术应用于预测飞机发动机轴承的故障和将概率断裂学应用于预测飞机发动机的机械故障；4、采用一种基于可靠性分析的贝叶斯预测模型来评估飞机机身结构疲劳性健康退化程度，并预测其引起的结构件故障；5、利用基于支持向量机回归预测模型对飞机水平尾翼裂纹的故障进行预测；6、构建一种基于累积损伤效应、结构动力学和因果诊断性三者组合的飞机健康状态预测模型用于飞机起落架健康状态评估和故障预测；7、分别利用灰色预测理论模型对飞机燃油供油系统和飞机空调系统故障进行预测等。
目前，无论国外关于船舶故障预测的方法，还是国外关于飞机故障预测的方法，仅适应于处理它们各自预设的特殊应用对象，它们不适合预测如飞机和船用的负载突变和孤岛式移动电力系统潜隐故障。
发明内容
针对上述缺陷，本发明解决的技术问题在于提供一种基于动力学行为的孤岛式电力系统潜隐故障预测方法，能识别电力系统正在发展演变的潜隐故障并预测其可能发生的概率，使移动载体(飞机或船舶)能在有利的工作环境中实现隐患系统或设备的修复，为避免破坏性故障的发生提供条件。
为了解决以上的技术问题，本发明提供的一种基于动力学行为的孤岛式电力系统潜隐故障预测方法，包括如下两大步骤：
步骤1、利用电力系统演变发展的分岔动力学行为特征来辨识潜隐故障的实现步骤；
步骤2、电力系统潜隐故障预测步骤；
其中，步骤1分为如下步骤完成：
Step11、建立孤岛式电力系统健康状态渐进演变的动力学模型
根据动力学理论，电力系统健康状态演变发展的动力学行为可由一系列参数化的微分-代数方程组：描述；式中的β为反映电力系统动态元件的行为性态的状态向量，θ为描述电力系统结构的代数向量，y为传感器采集到的信号。函数f(·)为表示电力系统动态元件的动力学行为的状态微分方程，函数g(·)为表示动态元件之间相互作用的非线性代数方程；
Step12、分界点1和分界点2的确定
设有不动点(β0,θ0)，则其中J就是系统模型的雅可比矩阵，它的元素和由于J4可逆，则可得在不动点(β0,θ0)处，矩阵(J1-J2J4 -1J3)的特征值λ取决于y，反映y和λ之间关系的平面为一个多维超平面，当孤岛式电力系统演变发展为故障潜隐状态后，特征值λ将处于右半超平面；有且仅当孤岛式电力系统工作在分界点1时，λ的值分布为：两个为纯虚数，其余的全部为非负的实数。根据这个原理就可以辨识出分界点1及其相应的工作数据y；
孤岛式电力系统演变发展为故障潜隐状态后，系统将表现出更多的分岔动力学行为，而这些分岔行为体现了电力系统状态向失效故障状态的演变发展，并且分岔点越接近分界点2说明电力系统将更加趋近于失效故障状态。分界点2是一个如分界点1刚度强烈的系统状态改变的分岔点，更是电力系统在故障潜隐阶段最终的分岔点，因此分界点2的确定可以视为要在y与λ关系的右半超平面上寻找与分界点1特征值之间的距离全局最大y的问题；基于此构造求解其的代价函数为：l为母线数，ΔPi为母线i在某分岔点相对于分界点1的有功功率增量，相应的ΔQi为无功功率增量，计算电力系统产生分岔时母线有功功率和无功功率的表达式分别为：和Pi 0、Qi 0和Vi 0分别为稳态时的有功功率、无功功率和负荷电压，li的值由母线负荷的性质决定，y为y的元素；ΔPi和ΔQi是沿着故障潜隐阶段的分岔点特征值与分界点1特征值之间距离相同的方向变化的。综上，求解分界点2相应工作数据的表达式为：以DLM作为目标函数，利用人工蜂群算法在y与λ关系的多维超平面上寻找满足DLM代价函数全局最优的分岔点来获得分界点2及其相应的工作数据；
Step13、潜隐故障数据集的辩识
假设分界点1的工作数据ε1和分界点2的工作数据ε2之间的距离为DIS(ε1,ε2)，如果传感器采集到的信号ε为潜隐故障信号，那么DIS(ε,ε1)和DIS(ε,ε2)一定同时满足：DIS(ε,ε1)＜DIS(ε1,ε2)和DIS(ε,ε2)＜DIS(ε1,ε2)。因此，利用这个动力学行为的特征就能从安全、故障潜隐和失效三种工作状态中辨识出潜隐故障数据；
其中，步骤2分为如下步骤完成：
Step21、在对传感器采集到时频域信号的统计特性分析中，均方值和二次误差值为互补反映电力系统健康状态的两种测度，借助这两种测度来识别电力系统当前的健康状态和预测正在发展演变的潜隐故障；电力数据的均方值和二次误差值分别根据和两式计算，μi,f和σi,f分别为分离后船舶电力系统源信号在不同频率点的均值和标准方差，i表示第i个采集信号，i＝1,2,…,n。Ω1,Ω2,…,ΩM为M种工作状态的均方值和二次误差值的数据集，而Ω'1,Ω'2,…,Ω'M′为M′类潜隐故障的均方值和二次误差值的数据集；
孤岛式电力系统潜隐故障预测方法模型是通过计算包含实测信号均方值和二次误差值的Ω与Ωi(i＝1,2,…,M)之间的相似度sim(Ωi,Ω)来评估孤岛式电力系统当前时刻t的状态属于M种工作状态的哪一种，即评估孤岛式电力系统当前的健康状态，sim(Ωi,Ω)越大说明Ω与Ωi的相似度越高，反之相似度越低；M种工作状态包括安全状态和各类故障状态，M类工作状态的数据集Ωi是利用聚类分析机理对传感器采集到信号的均方值和二次误差值进行归类得到，M′类潜隐故障的数据集Ω'i也是通过此类方法得到；
Step22、在识别出系统当前健康状态的基础上，利用马尔可夫链分析计算孤岛式电力系统当前的工作状态和故障潜隐状态之间的转移概率预测t+1时刻可能发生的潜隐故障；记向量πk(k＝1,2,…,M′)为描述第k类潜隐故障在前t个时刻的初始化概率分布，Ak为描述第k类潜隐故障和含有它本身的M′类潜隐故障以及“安全”状态之间的转移概率分布，Bk为描述前t个时刻观测序列映射在第k类潜隐故障的概率分布，实现的步骤：首先定量估算实测的孤岛式电力系统工作数据O映射在M′类潜隐故障对应的概率P(O|πk,Ak,Bk)，然后依据概率最大的原则定性做出电力系统在t+1时刻状态的预测结果。
与现有技术相比，本发明的基于动力学行为的孤岛式电力系统潜隐故障预测方法，能识别电力系统正在发展演变的潜隐故障并预测其可能发生的概率，使移动载体(飞机或船舶)能在有利的工作环境中实现隐患系统或设备的修复，为避免破坏性故障的发生提供条件。
附图说明
图1为孤岛式电力系统健康状态的渐进演变过程示意图；
图2为本发明中基于动力学行为的孤岛式电力系统潜隐故障预测方法模型图。
具体实施方式
为了本领域的技术人员能够更好地理解本发明所提供的技术方案，下面结合具体实施例进行阐述。
请参见图2，该图为本发明中基于动力学行为的孤岛式电力系统潜隐故障预测方法模型图。
本发明实施例提供的基于动力学行为的孤岛式电力系统潜隐故障预测方法，包括如下两大步骤：
步骤1、利用电力系统演变发展的分岔动力学行为特征来辨识潜隐故障的实现步骤；
步骤2、电力系统潜隐故障预测步骤；
其中，步骤1分为如下步骤完成：
Step11、建立孤岛式电力系统健康状态渐进演变的动力学模型
根据动力学理论，电力系统健康状态演变发展的动力学行为可由一系列参数化的微分-代数方程组：描述；式中的β为反映电力系统动态元件的行为性态的状态向量，θ为描述电力系统结构的代数向量，y为传感器采集到的信号。函数f(·)为表示电力系统动态元件的动力学行为的状态微分方程，函数g(·)为表示动态元件之间相互作用的非线性代数方程；
Step12、分界点1和分界点2的确定
设有不动点(β0,θ0)，则其中J就是系统模型的雅可比矩阵，它的元素和由于J4可逆，则可得在不动点(β0,θ0)处，矩阵(J1-J2J4 -1J3)的特征值λ取决于y，反映y和λ之间关系的平面为一个多维超平面，当孤岛式电力系统演变发展为故障潜隐状态后，特征值λ将处于右半超平面；有且仅当孤岛式电力系统工作在分界点1时，λ的值分布为：两个为纯虚数，其余的全部为非负的实数。根据这个原理就可以辨识出分界点1及其相应的工作数据y；
孤岛式电力系统演变发展为故障潜隐状态后，系统将表现出更多的分岔动力学行为，而这些分岔行为体现了电力系统状态向失效故障状态的演变发展，并且分岔点越接近分界点2说明电力系统将更加趋近于失效故障状态。分界点2是一个如分界点1刚度强烈的系统状态改变的分岔点，更是电力系统在故障潜隐阶段最终的分岔点，因此分界点2的确定可以视为要在y与λ关系的右半超平面上寻找与分界点1特征值之间的距离全局最大y的问题；基于此构造求解其的代价函数为：l为母线数，ΔPi为母线i在某分岔点相对于分界点1的有功功率增量，相应的ΔQi为无功功率增量，计算电力系统产生分岔时母线有功功率和无功功率的表达式分别为：和Pi 0、Qi 0和Vi 0分别为稳态时的有功功率、无功功率和负荷电压，li的值由母线负荷的性质决定，y为y的元素；ΔPi和ΔQi是沿着故障潜隐阶段的分岔点特征值与分界点1特征值之间距离相同的方向变化的。综上，求解分界点2相应工作数据的表达式为：以DLM作为目标函数，利用人工蜂群算法在y与λ关系的多维超平面上寻找满足DLM代价函数全局最优的分岔点来获得分界点2及其相应的工作数据；
Step13、潜隐故障数据集的辩识
假设分界点1的工作数据ε1和分界点2的工作数据ε2之间的距离为DIS(ε1,ε2)，如果传感器采集到的信号ε为潜隐故障信号，那么DIS(ε,ε1)和DIS(ε,ε2)一定同时满足：DIS(ε,ε1)＜DIS(ε1,ε2)和DIS(ε,ε2)＜DIS(ε1,ε2)。因此，利用这个动力学行为的特征就能从安全、故障潜隐和失效三种工作状态中辨识出潜隐故障数据；
其中，步骤2分为如下步骤完成：
Step21、在对传感器采集到时频域信号的统计特性分析中，均方值和二次误差值为互补反映电力系统健康状态的两种测度，借助这两种测度来识别电力系统当前的健康状态和预测正在发展演变的潜隐故障；电力数据的均方值和二次误差值分别根据和两式计算，μi,f和σi,f分别为分离后船舶电力系统源信号在不同频率点的均值和标准方差，i表示第i个采集信号，i＝1,2,…,n。Ω1,Ω2,…,ΩM为M种工作状态的均方值和二次误差值的数据集，而Ω'1,Ω'2,…,Ω'M′为M′类潜隐故障的均方值和二次误差值的数据集；
孤岛式电力系统潜隐故障预测方法模型是通过计算包含实测信号均方值和二次误差值的Ω与Ωi(i＝1,2,…,M)之间的相似度sim(Ωi,Ω)来评估孤岛式电力系统当前时刻t的状态属于M种工作状态的哪一种，即评估孤岛式电力系统当前的健康状态，sim(Ωi,Ω)越大说明Ω与Ωi的相似度越高，反之相似度越低；M种工作状态包括安全(正常工作)状态和各类故障状态，M类工作状态的数据集Ωi是利用聚类分析机理对传感器采集到信号的均方值和二次误差值进行归类得到，M′类潜隐故障的数据集Ω'i也是通过此类方法得到；
Step22、在识别出系统当前健康状态的基础上，利用马尔可夫链分析计算孤岛式电力系统当前的工作状态和故障潜隐状态之间的转移概率预测t+1时刻可能发生的潜隐故障；记向量πk(k＝1,2,…,M′)为描述第k类潜隐故障在前t个时刻的初始化概率分布，Ak为描述第k类潜隐故障和含有它本身的M′类潜隐故障以及“安全”状态之间的转移概率分布，Bk为描述前t个时刻观测序列映射在第k类潜隐故障的概率分布，实现的步骤：首先定量估算实测的孤岛式电力系统工作数据O映射在M′类潜隐故障对应的概率P(O|πk,Ak,Bk)，然后依据概率最大的原则定性做出电力系统在t+1时刻状态(它为当前时刻t随即的状态)的预测结果。
与现有技术相比，本发明的基于动力学行为的孤岛式电力系统潜隐故障预测方法，能识别电力系统正在发展演变的潜隐故障并预测其可能发生的概率，使移动载体(飞机或船舶)能在有利的工作环境中实现隐患系统或设备的修复，为避免破坏性故障的发生提供条件。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种基于动力学行为的孤岛式电力系统潜隐故障预测方法，其特征在于，包括如下两大步骤：
步骤1、利用电力系统演变发展的分岔动力学行为特征来辨识潜隐故障的实现步骤；
步骤2、电力系统潜隐故障预测步骤；
其中，步骤1分为如下步骤完成：
Step11、建立孤岛式电力系统健康状态渐进演变的动力学模型
根据动力学理论，电力系统健康状态演变发展的动力学行为可由一系列参数化的微分-代数方程组：描述；式中的β为反映电力系统动态元件的行为性态的状态向量，θ为描述电力系统结构的代数向量，y为传感器采集到的信号。函数f(·)为表示电力系统动态元件的动力学行为的状态微分方程，函数g(·)为表示动态元件之间相互作用的非线性代数方程；
Step12、分界点1和分界点2的确定
设有不动点(β0,θ0)，则其中J就是系统模型的雅可比矩阵，它的元素和由于J4可逆，则可得在不动点(β0,θ0)处，矩阵(J1-J2J4 -1J3)的特征值λ取决于y，反映y和λ之间关系的平面为一个多维超平面，当孤岛式电力系统演变发展为故障潜隐状态后，特征值λ将处于右半超平面；有且仅当孤岛式电力系统工作在分界点1时，λ的值分布为：两个为纯虚数，其余的全部为非负的实数。根据这个原理就可以辨识出分界点1及其相应的工作数据y；
孤岛式电力系统演变发展为故障潜隐状态后，系统将表现出更多的分岔动力学行为，而这些分岔行为体现了电力系统状态向失效故障状态的演变发展，并且分岔点越接近分界点2说明电力系统将更加趋近于失效故障状态。分界点2是一个如分界点1刚度强烈的系统状态改变的分岔点，更是电力系统在故障潜隐阶段最终的分岔点，因此分界点2的确定可以视为要在y与λ关系的右半超平面上寻找与分界点1特征值之间的距离全局最大y的问题；基于此构造求解其的代价函数为：l为母线数，ΔPi为母线i在某分岔点相对于分界点1的有功功率增量，相应的ΔQi为无功功率增量，计算电力系统产生分岔时母线有功功率和无功功率的表达式分别为：和Pi 0、和Vi 0分别为稳态时的有功功率、无功功率和负荷电压，li的值由母线负荷的性质决定，y为y的元素；ΔPi和ΔQi是沿着故障潜隐阶段的分岔点特征值与分界点1特征值之间距离相同的方向变化的。综上，求解分界点2相应工作数据的表达式为：以DLM作为目标函数，利用人工蜂群算法在y与λ关系的多维超平面上寻找满足DLM代价函数全局最优的分岔点来获得分界点2及其相应的工作数据；
Step13、潜隐故障数据集的辩识
假设分界点1的工作数据ε1和分界点2的工作数据ε2之间的距离为DIS(ε1,ε2)，如果传感器采集到的信号ε为潜隐故障信号，那么DIS(ε,ε1)和DIS(ε,ε2)一定同时满足：DIS(ε,ε1)＜DIS(ε1,ε2)和DIS(ε,ε2)＜DIS(ε1,ε2)。因此，利用这个动力学行为的特征就能从安全、故障潜隐和失效三种工作状态中辨识出潜隐故障数据；
其中，步骤2分为如下步骤完成：
Step21、在对传感器采集到时频域信号的统计特性分析中，均方值和二次误差值为互补反映电力系统健康状态的两种测度，借助这两种测度来识别电力系统当前的健康状态和预测正在发展演变的潜隐故障；电力数据的均方值和二次误差值分别根据和两式计算，μi,f和σi,f分别为分离后船舶电力系统源信号在不同频率点的均值和标准方差，i表示第i个采集信号，i＝1,2,…,n。Ω1,Ω2,…,ΩM为M种工作状态的均方值和二次误差值的数据集，而Ω'1,Ω'2,…,Ω'M′为M′类潜隐故障的均方值和二次误差值的数据集；
孤岛式电力系统潜隐故障预测方法模型是通过计算包含实测信号均方值和二次误差值的Ω与Ωi(i＝1,2,…,M)之间的相似度sim(Ωi,Ω)来评估孤岛式电力系统当前时刻t的状态属于M种工作状态的哪一种，即评估孤岛式电力系统当前的健康状态，sim(Ωi,Ω)越大说明Ω与Ωi的相似度越高，反之相似度越低；M种工作状态包括安全状态和各类故障状态，M类工作状态的数据集Ωi是利用聚类分析机理对传感器采集到信号的均方值和二次误差值进行归类得到，M′类潜隐故障的数据集Ω'i也是通过此类方法得到；
Step22、在识别出系统当前健康状态的基础上，利用马尔可夫链分析计算孤岛式电力系统当前的工作状态和故障潜隐状态之间的转移概率预测t+1时刻可能发生的潜隐故障；记向量πk(k＝1,2,…,M′)为描述第k类潜隐故障在前t个时刻的初始化概率分布，Ak为描述第k类潜隐故障和含有它本身的M′类潜隐故障以及“安全”状态之间的转移概率分布，Bk为描述前t个时刻观测序列映射在第k类潜隐故障的概率分布，实现的步骤：首先定量估算实测的孤岛式电力系统工作数据O映射在M′类潜隐故障对应的概率P(O|πk,Ak,Bk)，然后依据概率最大的原则定性做出电力系统在t+1时刻状态的预测结果。
CN201710279276.1A 2017-04-25 2017-04-25 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法 Active CN106981873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710279276.1A CN106981873B (zh) 2017-04-25 2017-04-25 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710279276.1A CN106981873B (zh) 2017-04-25 2017-04-25 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法

Publications (2)

Publication Number Publication Date
CN106981873A true CN106981873A (zh) 2017-07-25
CN106981873B CN106981873B (zh) 2019-09-20

Family

ID=59344658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710279276.1A Active CN106981873B (zh) 2017-04-25 2017-04-25 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法

Country Status (1)

Country Link
CN (1) CN106981873B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109992915A (zh) * 2019-04-09 2019-07-09 山东超越数控电子股份有限公司 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质
CN111199252A (zh) * 2019-12-30 2020-05-26 广东电网有限责任公司 一种电力通信网络智能运维系统的故障诊断方法
CN112286088A (zh) * 2020-09-25 2021-01-29 广东邮电职业技术学院 一种动力设备故障预测模型在线应用的方法及应用系统
CN112365022A (zh) * 2020-09-22 2021-02-12 南京航空航天大学 一种基于多阶段的发动机轴承故障预测方法
CN116562693A (zh) * 2023-05-11 2023-08-08 华北电力大学 一种配电网可靠性评估方法及计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100017092A1 (en) * 2008-07-16 2010-01-21 Steven Wayne Butler Hybrid fault isolation system utilizing both model-based and empirical components
CN103412220A (zh) * 2013-08-13 2013-11-27 无锡科技职业学院 一种基于数据融合的船舶电站故障诊断方法
CN103472820A (zh) * 2013-09-18 2013-12-25 哈尔滨工业大学 一种基于偏最小二乘算法的推进系统故障诊断方法
CN105894135A (zh) * 2016-05-24 2016-08-24 哈尔滨工程大学 船舶综合电力推进系统风险预测评估方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100017092A1 (en) * 2008-07-16 2010-01-21 Steven Wayne Butler Hybrid fault isolation system utilizing both model-based and empirical components
CN103412220A (zh) * 2013-08-13 2013-11-27 无锡科技职业学院 一种基于数据融合的船舶电站故障诊断方法
CN103472820A (zh) * 2013-09-18 2013-12-25 哈尔滨工业大学 一种基于偏最小二乘算法的推进系统故障诊断方法
CN105894135A (zh) * 2016-05-24 2016-08-24 哈尔滨工程大学 船舶综合电力推进系统风险预测评估方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何正友: "复杂配电网潜隐性故障预测与健康诊断方法研究", 《学术动态》 *
许奇歆 等: "电力系统故障预测方法研究", 《电工文摘》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109992915A (zh) * 2019-04-09 2019-07-09 山东超越数控电子股份有限公司 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质
CN111199252A (zh) * 2019-12-30 2020-05-26 广东电网有限责任公司 一种电力通信网络智能运维系统的故障诊断方法
CN112365022A (zh) * 2020-09-22 2021-02-12 南京航空航天大学 一种基于多阶段的发动机轴承故障预测方法
CN112365022B (zh) * 2020-09-22 2024-07-23 南京航空航天大学 一种基于多阶段的发动机轴承故障预测方法
CN112286088A (zh) * 2020-09-25 2021-01-29 广东邮电职业技术学院 一种动力设备故障预测模型在线应用的方法及应用系统
CN116562693A (zh) * 2023-05-11 2023-08-08 华北电力大学 一种配电网可靠性评估方法及计算机设备
CN116562693B (zh) * 2023-05-11 2024-02-06 华北电力大学 一种配电网可靠性评估方法及计算机设备

Also Published As

Publication number Publication date
CN106981873B (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN106981873B (zh) 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法
Zhang et al. Data-driven methods for predictive maintenance of industrial equipment: A survey
Yu et al. A radically data-driven method for fault detection and diagnosis in wind turbines
CN110410282B (zh) 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法
CN108520080B (zh) 船舶柴油发电机故障预测与健康状态在线评估系统及方法
Chen et al. Automated on‐line fault prognosis for wind turbine pitch systems using supervisory control and data acquisition
CN111597682B (zh) 预测风力机齿轮箱轴承剩余寿命的方法
Phillips et al. A knowledge driven approach to aerospace condition monitoring
CN103455658B (zh) 一种基于加权灰靶理论的容错电机健康状态测定方法
Peng et al. Icing prediction of fan blade based on a hybrid model
Remadna et al. An overview on the deep learning based prognostic
Baltazar et al. A review on neurocomputing based wind turbines fault diagnosis and prognosis
Cui et al. Intelligent health management of fixed-wing UAVs: A deep-learning-based approach
Liu et al. Remaining useful life prediction of aircraft auxiliary power unit with on-wing sensing data
Feng et al. Research on intelligent diagnosis method for large-scale ship engine fault in non-deterministic environment
Maher et al. Survey on deep learning applied to predictive maintenance
CN112560252A (zh) 一种航空发动机剩余寿命预测方法
Long et al. Wind turbine anomaly identification based on improved deep belief network with SCADA data
Zhao et al. Remote intelligent expert system for operation state of marine gas turbine engine
Wang et al. A new class of fault recognition method for wind turbine systems based on deep learning
Liu et al. An adjustable feature weighted bayesian model for hybrid satellite telemetry variables anomaly detection under multi-operating conditions
Peng et al. Semi-Supervised CNN-Based SVDD Anomaly Detection for Condition Monitoring of Wind Turbines
Zhang et al. Research of fault diagnosis in flight control system based on fuzzy neural network
Dou et al. Fault detection for wind turbines via long short-term memory network
Kong et al. A new integrated health management for quadrotors based on deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant