CN112380762A - 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 - Google Patents
一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 Download PDFInfo
- Publication number
- CN112380762A CN112380762A CN202011203746.4A CN202011203746A CN112380762A CN 112380762 A CN112380762 A CN 112380762A CN 202011203746 A CN202011203746 A CN 202011203746A CN 112380762 A CN112380762 A CN 112380762A
- Authority
- CN
- China
- Prior art keywords
- lssvm
- transmission line
- woa
- power transmission
- fault
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 230000005540 biological transmission Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000012843 least square support vector machine Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000000489 vacuum metal deposition Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 28
- 241000283153 Cetacea Species 0.000 description 10
- 230000007423 decrease Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241001643392 Cyclea Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000062804 prey Species 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于VMD‑WOA‑LSSVM的输电线路短路故障诊断方法,输电线路短路故障诊断技术领域,包括以下步骤:基于Simulink建立输电线路模型,模拟短路故障,获取原始故障电压数据;通过中心频率确定VMD的分解个数,采用VMD样本熵进行故障特征提取,组成故障样本库;建立基于LSSVM输电线路短路模型,选用径向基核函数作为LSSVM的核函数;采用WOA对LSSVM的惩罚因子和核函数进行优化并对输电线路短路故障进行诊断。本发明利用WOA优化LSSVM的参数,建立WOA‑LSSVM模型来识别线路短路故障,提高了LSSVM故障诊断模型的诊断精度,WOA‑LSSVM模型具有良好的适应性与鲁棒性,对保障电力系统稳定运行具有重要意义。
Description
技术领域
本发明涉及输电线路短路故障诊断技术领域,具体为一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法。
背景技术
随着智能电网的飞速发展,输电线路的建设也输电线路的建设也得到了繁荣的发展,输电线路作为故障率最高的部分,威胁着电力系统的安全稳定运行。在输电线路的短路点,短路电流幅值增大、短路温度升高,严重危害电力系统稳定性,有时甚至会造成系统解列。目前的信号分析方法大多为傅里叶变换、小波变换、经验模态分解(Empirical ModeDecomposition,EMD)。然而上述方法都存在一定的缺陷,傅里叶变换在非线性型号的局部特征信息提取上有一定缺陷;小波变换需要人为选定小波基和分解尺度,易造成故障信号特征的遗失;EMD能对信号进行自适应分解,但易出现模态混叠,无法辨别故障信号微弱的特征信息。而在故障类型识别方面,如BP神经网络(Back Propagation Neural Network,BPNN)模型、支持向量机(Support Vector Machine,SVM)模型都取得了一些成果,但这些方法也存在局限性,BPNN收敛速度慢,学习效率不高,容易陷入局部极小值;SVM实现多分类问题较困难,需构造多个复合分类器,需要大量的时间对参数进行调整和训练,效率较低。
发明内容
有鉴于背景技术中上述缺陷,本发明提供一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法以解决背景技术中的问题之一。
为实现上述目的,本发明提供一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法,包括以下步骤:
S1、基于MATLAB Simulink建立输电线路短路故障诊断模型,设置不同短路故障类型包括正常状态,改变其初相角、故障点电阻、故障时间进行仿真,得到三相电压原始数据;
S2、采用VMD对故障电压数据进行分解,通过中心频率确定VMD的分解个数,并计算各分量的样本熵值作为故障诊断模型的输入特征量,完成故障特征提取,组成故障样本库;
S3、建立基于最小二乘支持向量机输电线路短路模型,选用径向基核函数作为LSSVM的核函数;采用WOA对LSSVM惩罚因子c和核函数σ2进行优化,对输电线路短路故障进行诊断;
S4、采用遗传算法(Genetic Algorithm,GA)、粒子群优化算法(Particle SwarmOptimization,简称PSO)优化LSSVM的参数,并对输电线路短路故障进行诊断,与S3中的诊断性能进行对比。
在本发明的优选实施例中,VMD分解故障电压的数学模型为:
其中,uk为被分解后的分量,k为分解个数,{uk}={u1,u2,…,uk};f为原始故障电压信号f=f(t),{ωk}={ω1,ω2,…,ωk}为每个分量uk的中心频率,为对本征模态信号混合的一个预估中心频率,δ(t)为狄利克雷函数,t是时间序列,j为虚数单位,为函数对时间t的偏导数,s.t.表示约束条件。
在本发明的优选实施例中,所述基于最小二乘支持向量机输电线路短路模型为:
其中,y为模型输出,αi为第i个样本数据对应的拉格朗日乘子,K(x,xi)为核函数矩阵,b为偏置量,i是序号(i=1,2,...n),xi为第i个样本数据。
在本发明的优选实施例中,所述采用WOA对LSSVM惩罚因子c和核函数σ2进行优化包括:环绕式包围捕食、螺旋泡网攻击和捕食猎物三个阶段。
在本发明的优选实施例中,所述采用WOA优化的LSSVM对输电线路短路故障进行诊断包括:
a.对样本数据集进行归一化处理;
b.设置WOA的种群数目、迭代次数、变量数目、变量的上限和下限;
c.初始化种群数目;
d.定义适应度函数,将诊断正确率作为适应度函数;
e.WOA算法对核函数σ2和惩罚因子c进行寻优;
f.将寻优得到的核函数σ2和惩罚因子c代入LSSVM中,得到输电线路短路故障诊断结果。
本发明的有益效果是:本发明采用VMD对故障电压信号进行分解,提取出能反映故障特征的分量,然后利用样本熵量化经VMD分解后的分量,作为LSSVM模型的特征输入量;利用鲸鱼优化算法优化最小二乘支持向量机的参数,建立WOA-LSSVM模型来识别线路短路故障,提高了LSSVM故障诊断模型的诊断精度。仿真表明,本发明采用的WOA-LSSVM故障诊断方法与LSSVM、GA-LSSVM、PSO-LSSVM方法相比,具有更好的识别精度,并且WOA-LSSVM模型具有良好的适应性与鲁棒性,对保障电力系统稳定运行具有重要意义。
附图说明
图1是本发明一具体实施方式中基于VMD-WOA-LSSVM的输电线路短路故障诊断方法示意图。
图2是本发明一具体实施方式中几种优化算法适应度对比图。
具体实施方式
本发明提供一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法,利用变分模态分解(Variational Mode Decomposition,VMD)样本熵完成故障特征提取,采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)搜索最优的最小二乘支持向量机(LeastSquares Support Veotor Maohine,LSSVM)的参数,建立线路短路故障诊断模型,使得模型具有良好的适应性和较好的诊断精度,以符合实际需求。
如图1所示,基于VMD-WOA-LSSVM的输电线路短路故障诊断方法具体实施步骤如下:
(1)利用MATLAB Simulink建立输电线路短路故障诊断模型,设置不同故障类型包括正常状态共11种状态,改变其初相角、故障点电阻、故障时间进行仿真,得到三相电压原始数据。每类故障包括正常状态数据共50组,共550组原始电压故障数据。
(2)采用VMD对故障电压数据进行分解,并通过中心频率确定VMD的分解个数,确定好分解个数后,使用VMD分解故障电压数据,然后计算各分量的样本熵值作为故障诊断模型的输入特征量,完成故障特征提取。VMD分解故障电压的数学模型为:
其中,uk为被分解后的分量,k为分解个数,{uk}={u1,u2,…,uk};f为原始故障电压信号f=f(t),{ωk}={ω1,ω2,...,ωk}为每个分量uk的中心频率,为对本征模态信号混合的一个预估中心频率,δ(t)为狄利克雷函数,t是时间序列,j为虚数单位,为函数对时间t的偏导数,s.t.表示约束条件。
上式引入增广拉格朗日函数变为:
其中,α为惩罚因子,λ为拉格朗日乘法算子。
采用交替方向乘子法求取上式的最优解,即通过不断交替更新得到上式的‘鞍点’,为第n+1次循环中的第k个分量,为第n+1次循环中uk对应的根据功率谱中心估计的中心频率,为第n+1次循环中的拉格朗日乘子。其中,的表达式为:
VMD分解的具体步骤为:
b.迭代更新uk、ωk、λ;
(3)建立基于最小二乘支持向量机输电线路短路故障诊断模型,LSSVM的函数表达式和约束条件为:
引入拉格朗日乘子αi,构造拉格朗日函数:
对上式进行偏微分的:
将w和ξi消去后的矩阵形式为:
其中,y为模型输出,αi为第i个样本数据对应的拉格朗日乘子,K(x,xi)为核函数矩阵,b为偏置量,i是序号(i=1,2,...n,n为正整数),xi为第i个样本数据。
(4)WOA算法优化LSSVM输电线路短路故障诊断模型。
从步骤3可以看出,惩罚因子C和核函数σ2是影响LSSVM输电线路短路故障诊断模型性能的两个参数,采用WOA优化LSSVM模型中的惩罚因子C和核函数σ2。WOA算法通过模拟座头鲸捕食猎物的过程来寻找最优解,此过程主要包括三个阶段:环绕式包围捕食、螺旋泡网攻击和捕食猎物。
a.环绕式包围捕食
座头鲸能识别猎物并包围猎物,其行为的数学模型为:
D=|C·X*(t)-X(t)|
X(t+1)=X*(t)-A·D
式中,D为当前个体与最优鲸鱼(猎物)间的距离,t为当前的迭代次数;X为位置向量,X*为当前的位置向量;A、C为系数,可由下式求得:
b.螺旋泡网攻击猎物
在螺旋气泡网攻击猎物阶段,有两种方法对气泡网建模,一种是收缩包围机制,一种是螺旋更新位置。
螺旋更新位置:模拟座头鲸螺旋更新的数学模型为:
X(t+1)=D'·ebl·cos(2πl)+X*(t)
其中,X(t+1)表示更新后的位置,D'=|X*(t)-X(t)|表示第i条鲸鱼与猎物的距离;b是定义螺旋形状的常数;l为[-1,1]间的任意数值。
需要注意的是,收缩包围和螺旋更新在座头鲸捕食猎物的过程中是同时发生的,因此,假设选择这两种行为的概率都为0.5,其数学表达式为:
当p<0.5,X(t+1)=X*(t)+A·D,当p≥0.5,X(t+1)=D'·ebl·cos(2πl)+X*(t)。
c.捕食猎物
座头鲸能够随机更新个体位置捕食猎物,具体数学模型为:
D=|C·Xrand-X|
X(t+1)=Xrand-A·D
其中,Xrand为当前群体中随机选择的个体位置。
建立WOA-LSSVM输电线路短路故障诊断模型步骤为:
a.对样本数据集进行归一化处理;
b.设置WOA的种群数目、迭代次数、变量数目、变量的上限和下限。
c.初始化种群数目;
d.定义适应度函数,将诊断正确率作为适应度函数;
e.WOA算法对核函数σ2和惩罚因子c进行寻优;
f.将寻优得到的核函数σ2和惩罚因子c代入LSSVM中,得到输电线路短路故障诊断结果。
为了证明本发明WOA优化算法的有效性,因此采用了GA、PSO方法优化LSSVM算法来与WOA算法进行比较,图2是三种优化算法的适应度对比图。
表1几种算法的诊断性能对比
采用LSSVM、GA-LSSVM、PSO-LSSVM、WOA-LSSVM对故障电压数据进行诊断,其诊断结果见表1。本发明所采用的WOA-LSSVM诊断正确个数最多,诊断正确率均高于LSSVM、GA-LSSVM、PSO-LSSVM。利用WOA优化LSSVM的参数,寻优得到的LSSVM的σ2和c为6.74和381.64。通过仿真表明,本方法在诊断精度、计算复杂度、模型的适应性和鲁棒性上均具有一定的优势,在工程实践中具有重要作用。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (5)
1.一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法,其特征是,包括以下步骤:
S1、基于MATLAB Simulink建立输电线路短路故障诊断模型,设置不同短路故障类型包括正常状态,改变其初相角、故障点电阻、故障时间进行仿真,得到三相电压原始数据;
S2、采用VMD对故障电压数据进行分解,通过中心频率确定VMD的分解个数,并计算各分量的样本熵值作为故障诊断模型的输入特征量,完成故障特征提取,组成故障样本库;
S3、建立基于最小二乘支持向量机输电线路短路模型,选用径向基核函数作为LSSVM的核函数;采用WOA对LSSVM惩罚因子c和核函数σ2进行优化,对输电线路短路故障进行诊断;
S4、采用遗传算法、粒子群优化算法优化LSSVM的参数,并对输电线路短路故障进行诊断,与S3中的诊断性能进行对比。
4.如权利要求1所述的基于VMD-WOA-LSSVM的输电线路短路故障诊断方法,其特征是,所述采用WOA对LSSVM惩罚因子c和核函数σ2进行优化包括:环绕式包围捕食、螺旋泡网攻击和捕食猎物三个阶段。
5.如权利要求1所述的基于VMD-WOA-LSSVM的输电线路短路故障诊断方法,其特征是,所述采用WOA优化的LSSVM对输电线路短路故障进行诊断包括:
a对样本数据集进行归一化处理;
b.设置WOA的种群数目、迭代次数、变量数目、变量的上限和下限;
c.初始化种群数目;
d.定义适应度函数,将诊断正确率作为适应度函数;
e.WOA算法对核函数σ2和惩罚因子c进行寻优;
f.将寻优得到的核函数σ2和惩罚因子c代入LSSVM中,得到输电线路短路故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203746.4A CN112380762A (zh) | 2020-11-02 | 2020-11-02 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203746.4A CN112380762A (zh) | 2020-11-02 | 2020-11-02 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112380762A true CN112380762A (zh) | 2021-02-19 |
Family
ID=74576614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011203746.4A Pending CN112380762A (zh) | 2020-11-02 | 2020-11-02 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380762A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113063314A (zh) * | 2021-03-23 | 2021-07-02 | 哈尔滨工程大学 | 基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 |
CN113281620A (zh) * | 2021-07-22 | 2021-08-20 | 广东电网有限责任公司惠州供电局 | 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 |
CN113866614A (zh) * | 2021-07-02 | 2021-12-31 | 国网河北省电力有限公司雄安新区供电公司 | 一种多场景用户侧低压直流开关电弧故障诊断方法及装置 |
CN113960412A (zh) * | 2021-10-20 | 2022-01-21 | 南方电网科学研究院有限责任公司 | 一种配电网故障行波信号处理方法及装置 |
CN114062845A (zh) * | 2021-11-11 | 2022-02-18 | 国网北京市电力公司 | 线路故障的检测方法、装置以及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 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 |
CN108845250A (zh) * | 2018-06-01 | 2018-11-20 | 国网江苏省电力有限公司南京供电分公司 | 基于振动信号特征提取的有载分接开关故障识别方法 |
CN111062533A (zh) * | 2019-12-16 | 2020-04-24 | 国家能源集团谏壁发电厂 | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 |
CN111239588A (zh) * | 2020-01-20 | 2020-06-05 | 哈尔滨工业大学 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
-
2020
- 2020-11-02 CN CN202011203746.4A patent/CN112380762A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 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 |
CN108845250A (zh) * | 2018-06-01 | 2018-11-20 | 国网江苏省电力有限公司南京供电分公司 | 基于振动信号特征提取的有载分接开关故障识别方法 |
CN111062533A (zh) * | 2019-12-16 | 2020-04-24 | 国家能源集团谏壁发电厂 | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 |
CN111239588A (zh) * | 2020-01-20 | 2020-06-05 | 哈尔滨工业大学 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
周志朋等: "风电齿轮箱复合故障诊断方法研究", 《河南科技》, no. 17, 15 June 2020 (2020-06-15), pages 72 - 75 * |
赵磊等: "基于VMD样本熵和LS-SVM的滚动轴承故障诊断", 《军事交通学院学报》, vol. 19, no. 04, 25 April 2017 (2017-04-25), pages 43 - 47 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113063314A (zh) * | 2021-03-23 | 2021-07-02 | 哈尔滨工程大学 | 基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 |
CN113063314B (zh) * | 2021-03-23 | 2022-03-22 | 哈尔滨工程大学 | 基于svm和ga-svm支持向量机的火炮发射系统故障诊断方法 |
CN113866614A (zh) * | 2021-07-02 | 2021-12-31 | 国网河北省电力有限公司雄安新区供电公司 | 一种多场景用户侧低压直流开关电弧故障诊断方法及装置 |
CN113281620A (zh) * | 2021-07-22 | 2021-08-20 | 广东电网有限责任公司惠州供电局 | 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 |
CN113960412A (zh) * | 2021-10-20 | 2022-01-21 | 南方电网科学研究院有限责任公司 | 一种配电网故障行波信号处理方法及装置 |
CN114062845A (zh) * | 2021-11-11 | 2022-02-18 | 国网北京市电力公司 | 线路故障的检测方法、装置以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380762A (zh) | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 | |
CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
CN113553755B (zh) | 电力系统状态估计方法、装置及设备 | |
CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
CN113065704B (zh) | 一种非侵入式负荷分解模型的超参数优化和后处理方法 | |
CN116316591A (zh) | 基于混合双向门控循环的短期光伏功率预测方法及系统 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
CN113240105B (zh) | 一种基于图神经网络池化的电网稳态判别方法 | |
CN109855875B (zh) | 一种滚动轴承运行可靠度预测方法 | |
CN114548532A (zh) | 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备 | |
CN114036850A (zh) | 一种基于vecgm的径流预测方法 | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
CN115238980A (zh) | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 | |
Li et al. | Efficient bitwidth search for practical mixed precision neural network | |
CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
CN113408336B (zh) | 一种基于鲸鱼优化算法的小波去噪最优阈值整定方法 | |
CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
CN117609768A (zh) | 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 | |
CN114003900A (zh) | 变电站二次系统网络入侵检测方法、装置及系统 | |
Almazini et al. | Heuristic Initialization Using Grey Wolf Optimizer Algorithm for Feature Selection in Intrusion Detection | |
CN116299219A (zh) | 一种干扰深度特征距离度量联合检测与抑制方法 | |
CN116721327A (zh) | 一种基于泛化界的神经网络架构搜索方法 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
CN109903181A (zh) | 基于压缩感知的缺失数据集下的线损预测方法 | |
Ji et al. | Fast progressive differentiable architecture search based on adaptive task granularity reorganization |
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: 20210219 |