CN108898182A - 一种基于核主元分析与支持向量机的mmc故障诊断方法 - Google Patents
一种基于核主元分析与支持向量机的mmc故障诊断方法 Download PDFInfo
- Publication number
- CN108898182A CN108898182A CN201810707513.4A CN201810707513A CN108898182A CN 108898182 A CN108898182 A CN 108898182A CN 201810707513 A CN201810707513 A CN 201810707513A CN 108898182 A CN108898182 A CN 108898182A
- Authority
- CN
- China
- Prior art keywords
- support vector
- element analysis
- vector machines
- pivot element
- matrix
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于核主元分析与支持向量机的MMC故障诊断方法,涉及柔性直流输电故障诊断技术,包括以下步骤:(Ⅰ)采集MMC三相各相电压信号Ui,其中,i=a、b、c,代表abc三相,得到离散输出电压信号X(n);(Ⅱ)进行快速傅里叶变换(Fast Fourier Transform,FFT),计算FFT中前半部分和后半部分的频谱能量;并选取前若干次明显的谐波,得到谐波数据矩阵;(Ⅲ)利用核主元分析对谐波数据进行特征降维和故障的特征提取,得到核主元分析降维后的谐波矩阵;(Ⅳ)建立一对一SVM多分类故障诊断模型,并定位得到具体的故障桥臂;本发明MMC故障诊断方法运行速度快,分类精度高,不需要构建数学模型,而且所需传感器的数量少,灵活性强,提高了MMC故障诊断的效率和准确性。
Description
技术领域
本发明涉及柔性直流输电故障诊断技术,具体为一种基于核主元分析与支持向量机的MMC故障诊断方法。
背景技术
模块化多电平换流器(modular multilevel converter,MMC)作为一种新型电压源换流器,具有很强的整体性和灵活性,其模块化程度高,开关频率低,扩展性强,运行损耗小,输出波形质量高,广泛运用于高压直流输电、静止无功补偿等领域
MMC拥有很多级联的子模块和功率开关器件,每个功率开关器件都是潜在的故障点,当功率开关器件发生开路故障时,子模块的电容,电压,桥臂间的环流,上桥臂电流,电压,都将偏离正常运行的值。当故障长时间没有被检测出来,并进行处理,会导致子模块电容电压过大,环流、桥臂电流过大。如果没有及时保护,还有可能造成设备或者组件的损坏。对于严重瞬时性故障或者永久性故障,不仅会强迫柔性直流输电退出运行,甚至会损坏换流站中最为昂贵的全控电力电子器件及其他重要部件,由此造成系统不能快速恢复运行,给用户造成巨大的经济损失。现有的MMC故障诊断方法需要大量传感器,计算数据多,而且桥臂电流容易受突加负载的影响产生波动,影响故障检测的精度。
发明内容
本发明的目的在于提供一种基于核主元分析与支持向量机的MMC故障诊断方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于核主元分析与支持向量机的MMC故障诊断方法,包括以下步骤:
(Ⅰ)采集MMC三相各相电压信号Ui,其中,i=a、b、c,代表abc三相,得到离散输出电压信号X(n);
(Ⅱ)进行快速傅里叶变换(Fast Fourier Transform,FFT),计算FFT 中前半部分和后半部分的频谱能量;并选取前若干次幅值明显的谐波,得到谐波数据矩阵;
(Ⅲ)利用核主元分析对谐波数据进行特征降维和故障的特征提取,得到核主元分析降维后的谐波矩阵;
(Ⅳ)建立一对一支持向量机多分类故障诊断模型,并定位得到具体的故障类型。
进一步的,所述步骤(Ⅲ)中,得到核主元分析降维后的谐波矩阵的具体步骤如下:
(Ⅲa)计算高维空间中的核矩阵;
(Ⅲb)将高维空间中的核矩阵经中心化处理,得到中心化核矩阵;
(Ⅲc)计算中心化核矩阵的特征值和所对应的特征向量,将所述特征值按照从小到大依次排列,并选取合适的a的值与前a个特征值和所对应的特征向量,使所述前a个特征值满足设定的约束条件;
(Ⅲd)计算原始谐波数据的核主元,并得到核主元分析降维后的谐波矩阵。
进一步的,所述步骤(Ⅲa)中,将所述谐波数据矩阵映射到高维空间得到原始谐波矩阵,且所述核矩阵按照如下公式计算得到:
式中,为核矩阵,K为高斯径向基核函数,且
进一步的,所述步骤(Ⅲc)中,所述约束条件如下:
式中,为中心化核矩阵的第i个特征值(i=1,2,…,a),m为所述中心化核矩阵的特征值的总个数。
进一步的,所述步骤(Ⅳ)中,定位得到具体的故障桥臂的具体步骤如下:
(Ⅳa)将谐波数据集与设定好的标签值一同建立训练样本集;
(Ⅳb)根据所需类别数量,建立多个支持向量机子分类器,并对所述多个支持向量机子分类器进行训练;由所述多个支持向量机子分类器建立一对一支持向量机多分类故障诊断模型;
(Ⅳc)将谐波数据矩阵输入一对一支持向量机多分类故障诊断模型;样本所属的类别得分加1,累计各类别的得分,选择得分最高者所对应的类别为测试数据的类别。确定决策输出值Y,进而索引故障标签,即可完成故障的分类与定位。
进一步的,所述步骤(Ⅳb)中,每个所述支持向量机子分类器均为一般二类分类器。
进一步的,该模块化多电平换流器由三相六个桥臂构成,每相包含上下两个桥臂,每个桥臂由一个电感和至少1个结构相同的子模块级联而成,每个子模块包括两个电力电子开关和一个电容器。
与现有技术相比,本发明的有益效果是:首先通过对比各种故障信号,确定了故障特征信号,并采用FFT-KPCA方法对故障数据经行处理,降低了故障数据维度和复杂度,解决了时域信号故障特征难以提取的问题,同时采用“一对一”多分类支持向量机进行故障的分类,运行速度快,分类精度高,不需要构建数学模型,而且所需传感器的数量少,灵活性强,提高了MMC 故障诊断的效率和准确性。
附图说明
图1是三相模块化多电平换流器的及子模块的等效电路图;
图2是本发明基于核主元分析与支持向量机的MMC故障诊断方法的算法流程图;
图3是本发明核主元分析的帕累托图;
图4是本发明正常情况下的标签输出结果;
图5是本发明A相上桥臂故障情况下的标签输出结果;
图6是本发明A相上桥臂故障情况下的标签输出结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于核主元分析与支持向量机的MMC故障诊断方法,如图1所示,该MMC由三相六个桥臂构成,每相包含上下两个桥臂,每个桥臂由一个电感L 和至少1个结构相同的子模块SM串联而成。每个子模块包括第一电力电子开关T1、第二电力电子开关T2、第一二极管D1、第二二极管D2及电容器C组成;第一电力电子开关T1的发射极连接第二电力电子开关T2的集电极,电容器C 一端连接第一电力电子开关T1的集电极,另一端连接第二电力电子开关T2的发射极;第一二极管D1反相并联于第一电力电子开关T1;第二二极管D2反相并联于第二电力电子开关T2。测得流过上、下桥臂的电流分别为ipj、inj,其中 j=a,b,c,分别代表a,b,c三相,p表示上桥臂,n表示下桥臂。
如图2所示,本发明基于核主元分析与支持向量机的MMC故障诊断方法包括如下步骤:
(Ⅰ)采集MMC三相各相电压信号Ui,其中,i=a、b、c,代表abc三相,在本实施例中,共取500组数据,得到离散输出电压信号xn,其中, n=1,2,…,500。
(Ⅱ)进行快速傅里叶变换(Fast Fourier Transform,FFT),按照如下公式计算FFT中前半部分和后半部分的频谱能量:
式中,Wb=e-j2π/b;k=0,1,…,b/2-1;b为采样点个数;
选取前10次幅值明显的谐波,得到谐波数据矩阵X500×10。
(Ⅲ)利用核主元分析对谐波数据矩阵X进行特征降维和故障的特征提取,得到核主元分析降维后的谐波矩阵H;具体步骤如下:
(Ⅲa)将谐波数据矩阵X映射到高维空间,得到原始谐波矩阵Φ,并通过原始谐波矩阵Φ选取高斯径向基核函数K;本实施例中,高斯径向基核函数K 选取如下:
高维空间中的核矩阵按照如下公式计算:
(Ⅲb)将高维空间中的核矩阵经中心化处理,得到中心化核矩阵KΦ。
(Ⅲc)计算中心化核矩阵KΦ的特征值λΦ和所对应的特征向量v;将所述特征值λΦ按照从小到大依次排列,并选取合适的a的值与前a个特征值和所对应的特征向量vi,使所述前a个特征值满足设定的约束条件其中,m为所述中心化核矩阵的特征值的总个数,为中心化核矩阵的第i个特征值,i=1,2,…,a。
(Ⅲd)按照如下公式计算原始谐波数据的核主元:
式中,pi为高维空间中的负荷向量;可由核矩阵进行特征分解得到;
通过核主元分析,得到降维后的谐波矩阵H;如图3所示,原始谐波矩阵Φ有10次谐波,经核主元分析后,得到三个主元以及对应的特征向量矩阵,将原始数据投影至特征向量矩阵,即可得到降维后的谐波矩阵H500×3。
(Ⅳ)建立一对一支持向量机多分类故障诊断模型,并定位得到具体的故障桥臂,具体步骤如下:
(Ⅳa)将谐波数据矩阵H作为一对一支持向量机多分类故障诊断模型的输入样本,并与设定好的标签值Y一同建立训练样本集(H,Y),标签值Y的不同取值代表MMC的不同故障类型;本实施例中,设定的标签值Y=1,2,3,4,5,6,其中,Y=1代表A项上桥臂开路故障,Y=2代表A项下桥臂开路故障,Y=3代表B项上桥臂开路故障,Y=4代表B项下桥臂开路故障,Y=5代表C项上桥臂开路故障,Y=6代表C项下桥臂开路故障。
(Ⅳb)根据所需类别数量,建立多个支持向量机子分类器;对于k个类别,需要建立(k*(k-1)/2)个支持向量机子分类器,本实施例中共有6种类别,需要建立15个支持向量机子分类器;然后将训练样本集(H,Y)输入多个支持向量机子分类器中,对多个支持向量机子分类器进行训练,并由所述多个支持向量机子分类器建立一对一支持向量机多分类故障诊断模型。
(Ⅳc)将谐波数据矩阵输入一对一支持向量机多分类故障诊断模型;样本所属的类别得分加1,累计各类别的得分,选择得分最高者所对应的类别为测试数据的类别。确定输出的标签值Y,进而根据输出的标签值Y确定MMC的故障类型,完成故障的分类与定位。
步骤(Ⅳb)中每个支持向量机子分类器均为一般二类分类器,其原理如下:
(a)对于已知样本集T={(x1,y1),(x2,y2),…,(xi,yi)}∈(X×Y)i,其中, xi∈(+1,-1);i=1,2,…,n,X为采样得到的离散输出电压信号,Y为设定的标签值。
(b)构造二次规划最优问题,所述二次规划最优问题如下:
式中,K(xi,xj)为核函数,选用高斯核函数;C为惩罚因子,本实施例中取值为0.2;
求解构造二次规划最优问题,得到最优解后选取α*的一个正分量并根据此计算阈值b*。
(c)构造决策函数f(x),由决策函数f(x)的正负即可判定样本xi所属的类别;构造决策函数f(x)按照如下公式计算:
本发明基于核主元分析与支持向量机的MMC故障诊断方法首先通过对比各种故障信号,确定了故障特征信号,并采用FFT-KPCA方法对故障数据经行处理,降低了故障数据维度和复杂度,解决了时域信号故障特征难以提取的问题,同时采用“一对一”多分类支持向量机进行故障的分类,运行速度快,分类精度高,不需要构建数学模型,所需传感器的数量少,灵活性强,提高了MMC故障诊断的效率和准确性。且本发明基于核主元分析与支持向量机的 MMC故障诊断方法对数据样本的处理能力更强,诊断率更高,训练时间更短,能够快速且精确地11电平MMC开路故障进行诊断。
通过仿真仿真实验验证,验证结果如下:
在正常运行情况下取150组相电压输出数据作为测试集1;在A相上桥臂开路故障时取150组相电压输出数据作为测试集2;在A相下桥臂开路故障时取150组相电压输出数据作为测试集3,将各组测试数据送入训练完成的SVM 分类器,得到各个情况下输出的标签值Y。如图4所示,在正常运行情况下,标签输出结果为0,正确率100%;如图5所示,在A相上桥臂开路故障时,标签输出结果为1,正确率100%;如图6所示,在A相下桥臂开路故障时,标签输出结果为2,正确率100%。由此可见,本发明基于核主元分析与支持向量机的MMC故障诊断方法可以有效地进行故障检测。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于核主元分析与支持向量机的MMC故障诊断方法,其特征在于,包括以下步骤:
(Ⅰ)采集MMC三相各相电压信号Ui,其中,i=a、b、c,代表abc三相,得到离散输出电压信号X(n);
(Ⅱ)进行快速傅里叶变换(Fast Fourier Transform,FFT),计算FFT中前半部分和后半部分的频谱能量;并选取前若干次幅值明显的谐波,得到谐波数据矩阵;
(Ⅲ)利用核主元分析对谐波数据进行特征降维和故障的特征提取,得到核主元分析降维后的谐波矩阵;
(Ⅳ)建立一对一支持向量机多分类故障诊断模型,并定位得到具体的故障类型。
2.根据权利要求1所述的一种基于核主元分析与支持向量机的MMC故障诊断方法,其特征在于:所述步骤(Ⅲ)中,得到核主元分析降维后的谐波矩阵的具体步骤如下:
(Ⅲa)计算高维空间中的核矩阵;
(Ⅲb)将高维空间中的核矩阵经中心化处理,得到中心化核矩阵;
(Ⅲc)计算中心化核矩阵的特征值和所对应的特征向量,将所述特征值按照从小到大依次排列,并选取合适的a的值与前a个特征值和所对应的特征向量,使所述前a个特征值满足设定的约束条件;
(Ⅲd)计算原始谐波数据的核主元,并得到核主元分析降维后的谐波矩阵。
3.根据权利要求2所述的一种基于核主元分析与支持向量机的MMC故障诊断方法,其特征在于,所述步骤(Ⅲa)中,将所述谐波数据矩阵映射到高维空间得到原始谐波矩阵,且所述核矩阵按照如下公式计算得到:
式中,为核矩阵,K为高斯径向基核函数,且
4.根据权利要求2所述的一种基于核主元分析与支持向量机的MMC故障诊断方法,其特征在于,所述步骤(Ⅲc)中,所述约束条件如下:
式中,为中心化核矩阵的第i个特征值(i=1,2,…,a),m为所述中心化核矩阵的特征值的总个数。
5.根据权利要求1所述的一种基于核主元分析与支持向量机的MMC故障诊断方法,其特征在于,所述步骤(Ⅳ)中,定位得到具体的故障桥臂的具体步骤如下:
(Ⅳa)将谐波数据集与设定好的标签值一同建立训练样本集;
(Ⅳb)根据所需类别数量,建立多个支持向量机子分类器,并对所述多个支持向量机子分类器进行训练;由所述多个支持向量机子分类器建立一对一支持向量机多分类故障诊断模型;
(Ⅳc)将谐波数据矩阵输入一对一支持向量机多分类故障诊断模型;样本所属的类别得分加1,累计各类别的得分,选择得分最高者所对应的类别为测试数据的类别。确定决策输出值Y,进而索引故障标签,即可完成故障的分类与定位。
6.根据权利要求5所述的一种基于核主元分析与支持向量机的MMC故障诊断方法,其特征在于,所述步骤(Ⅳb)中,每个所述支持向量机子分类器均为一般二类分类器。
7.根据权利要求1所述的一种基于核主元分析与支持向量机的MMC故障诊断方法,其特征在于,该模块化多电平换流器由三相六个桥臂构成,每相包含上下两个桥臂,每个桥臂由一个电感和至少1个结构相同的子模块级联而成,每个子模块包括两个电力电子开关和一个电容器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810707513.4A CN108898182A (zh) | 2018-07-02 | 2018-07-02 | 一种基于核主元分析与支持向量机的mmc故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810707513.4A CN108898182A (zh) | 2018-07-02 | 2018-07-02 | 一种基于核主元分析与支持向量机的mmc故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898182A true CN108898182A (zh) | 2018-11-27 |
Family
ID=64347083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810707513.4A Pending CN108898182A (zh) | 2018-07-02 | 2018-07-02 | 一种基于核主元分析与支持向量机的mmc故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898182A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209951A (zh) * | 2020-01-02 | 2020-05-29 | 深圳市汉德网络科技有限公司 | 一种实时车载称重方法 |
CN111382809A (zh) * | 2020-06-01 | 2020-07-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于电机输出功率的隔离开关机械故障诊断方法 |
CN112415350A (zh) * | 2020-12-16 | 2021-02-26 | 辽宁工程技术大学 | 一种串联电弧故障在线检测方法及装置 |
CN112990257A (zh) * | 2021-01-08 | 2021-06-18 | 中海油能源发展装备技术有限公司 | 基于主成分分析与支持向量机的往复压缩机故障诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060085854A1 (en) * | 2004-10-19 | 2006-04-20 | Agrawal Subhash C | Method and system for detecting intrusive anomalous use of a software system using multiple detection algorithms |
CN102889987A (zh) * | 2012-07-20 | 2013-01-23 | 华南理工大学 | 一种齿轮故障诊断平台及齿轮故障诊断方法 |
CN104237777A (zh) * | 2014-08-14 | 2014-12-24 | 国家电网公司 | 基于核主元分析的支持向量机高压断路器故障诊断方法 |
CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
US20170010760A1 (en) * | 2009-02-13 | 2017-01-12 | Northwest Analytics, Inc. | System for applying privacy settings in connection with creating, storing, distributing, and editing mixed-media collections |
CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN107095671A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶疲劳识别方法及系统 |
CN107832705A (zh) * | 2017-11-08 | 2018-03-23 | 天津大学 | 一种基于典型相关分析的非侵入式负荷识别方法 |
-
2018
- 2018-07-02 CN CN201810707513.4A patent/CN108898182A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060085854A1 (en) * | 2004-10-19 | 2006-04-20 | Agrawal Subhash C | Method and system for detecting intrusive anomalous use of a software system using multiple detection algorithms |
US20170010760A1 (en) * | 2009-02-13 | 2017-01-12 | Northwest Analytics, Inc. | System for applying privacy settings in connection with creating, storing, distributing, and editing mixed-media collections |
CN102889987A (zh) * | 2012-07-20 | 2013-01-23 | 华南理工大学 | 一种齿轮故障诊断平台及齿轮故障诊断方法 |
CN104237777A (zh) * | 2014-08-14 | 2014-12-24 | 国家电网公司 | 基于核主元分析的支持向量机高压断路器故障诊断方法 |
CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
CN107095671A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶疲劳识别方法及系统 |
CN107832705A (zh) * | 2017-11-08 | 2018-03-23 | 天津大学 | 一种基于典型相关分析的非侵入式负荷识别方法 |
Non-Patent Citations (2)
Title |
---|
李翠等: "模块化多电平换流器的子模块开路故障检测方法", 《中国电机工程学报》 * |
潘明清: "基于支持向量机的机械故障模式分类研究", 《中国优秀博硕士学位论文全文数据库 (博士)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209951A (zh) * | 2020-01-02 | 2020-05-29 | 深圳市汉德网络科技有限公司 | 一种实时车载称重方法 |
CN111382809A (zh) * | 2020-06-01 | 2020-07-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于电机输出功率的隔离开关机械故障诊断方法 |
CN112415350A (zh) * | 2020-12-16 | 2021-02-26 | 辽宁工程技术大学 | 一种串联电弧故障在线检测方法及装置 |
CN112415350B (zh) * | 2020-12-16 | 2022-12-20 | 辽宁工程技术大学 | 一种串联电弧故障在线检测方法及装置 |
CN112990257A (zh) * | 2021-01-08 | 2021-06-18 | 中海油能源发展装备技术有限公司 | 基于主成分分析与支持向量机的往复压缩机故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107340456B (zh) | 基于多特征分析的配电网工况智能识别方法 | |
CN108898182A (zh) | 一种基于核主元分析与支持向量机的mmc故障诊断方法 | |
CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
CN106682303B (zh) | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 | |
CN110503004A (zh) | 一种开关电源运行状态的在线判别方法 | |
CN106093678B (zh) | 一种快速准确诊断柔性直流输电系统换流器故障的方法 | |
CN108717149A (zh) | 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法 | |
CN110068776A (zh) | 基于优化支持向量机的三电平逆变器开路故障诊断方法 | |
Zheng et al. | Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost-SVM | |
CN113030789A (zh) | 一种基于卷积神经网络的串联型电弧故障诊断及选线方法 | |
CN113341345A (zh) | 一种基于特征提取和随机森林的mmc开关管开路故障诊断方法 | |
CN110824297B (zh) | 一种基于svm支持向量机的单相接地故障判别方法和装置 | |
CN114021671B (zh) | 一种有源配电网在线故障处理方法和系统 | |
Fu et al. | PowerCog: A practical method for recognizing power quality disturbances accurately in a noisy environment | |
CN113702767B (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
CN111400966A (zh) | 一种基于改进AdaBoost的电力系统静态电压稳定评估方法 | |
Chen et al. | Machine learning based one-terminal fault areas detection in HVDC transmission system | |
CN116125199A (zh) | 一种低压配电网线路故障预警方法及系统 | |
Xing et al. | An open-circuit fault detection and location strategy for MMC with feature extraction and random forest | |
Ren et al. | Application of RBF neural network optimized based on K-means cluster algorithm in fault diagnosis | |
CN108647275A (zh) | 孤岛检测状态的识别方法及装置、存储介质、处理器 | |
CN108802493A (zh) | 一种电压跌落智能检测方法 | |
CN110245617B (zh) | 基于暂态录波波形的人工智能分析方法 | |
Dehghani et al. | Distribution feeder classification based on self organized maps (case study: Lorestan province, Iran) | |
Bisoi et al. | A hybrid Hilbert Huang transform and improved fuzzy decision tree classifier for assessment of power quality disturbances in a grid connected distributed generation system |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |