本文中作者提出了基于FedAVG-SA-BP方法的变压器油中气体分析(Dissolved Gas Analysis, DGA)故障诊断模型,采用Self-attention(SA)机制捕捉气体特征间的相关性,以及Federated Averaging(FedAVG)解决变压器DGA故障诊断中训练样本缺失的...本文中作者提出了基于FedAVG-SA-BP方法的变压器油中气体分析(Dissolved Gas Analysis, DGA)故障诊断模型,采用Self-attention(SA)机制捕捉气体特征间的相关性,以及Federated Averaging(FedAVG)解决变压器DGA故障诊断中训练样本缺失的问题。试验结果表明,与传统的BP网络DGA故障诊断方法相比,该方法能够显著提高电力变压器故障诊断的准确性。展开更多
以某西南电网变电站出现的4种故障的实测数据作为数据集,针对高压直流输电(high voltage direct-current,HVDC)系统的故障诊断设计出一种基于集成学习(ensemble learning, EM)的故障诊断方法,显著提升了故障诊断的速度、精度和鲁棒性。...以某西南电网变电站出现的4种故障的实测数据作为数据集,针对高压直流输电(high voltage direct-current,HVDC)系统的故障诊断设计出一种基于集成学习(ensemble learning, EM)的故障诊断方法,显著提升了故障诊断的速度、精度和鲁棒性。首先,对4类故障数据进行数据预处理,同时对故障数据的特征进行提取并完成训练,使用故障数据标签对故障数据集进行均分权重。然后,计算当前弱分类器对带权重数据集的分类误差,并计算当前分类器在强分类器中的权重。最后,更新训练样本权值的分布得到强分类器,根据训练好的模型对不同数据集下的故障类型进行辨识实验。通过与BP神经网络故障诊断模型对比,所提出的方法在多组测试中可以达到89%以上的诊断准确率,错误率较低并且鲁棒性强,有利于HVDC系统的故障识别和快速诊断。展开更多
为加快电力系统数字化转型,保证高压直流输电(high voltage direct current,HVDC)系统高质量安全运行,有必要通过智能技术充分挖掘、提炼HVDC系统日常调控、运维等阶段积累的海量数据和丰富管理经验,从而构建知识图谱辅助工作人员对故...为加快电力系统数字化转型,保证高压直流输电(high voltage direct current,HVDC)系统高质量安全运行,有必要通过智能技术充分挖掘、提炼HVDC系统日常调控、运维等阶段积累的海量数据和丰富管理经验,从而构建知识图谱辅助工作人员对故障进行诊断和处理。提出了一种基于小波变换和深度学习的HVDC系统故障诊断方法。首先,采用小波变换将换流站的故障录波数据(单相接地、相间短路和阀组短路)转换为二维时频图像,并采用数据增强技术来进一步扩充样本数据集。然后,利用ResNet50网络来实现HVDC系统的故障诊断。根据实验结果,所提方法在训练集的分类精度为93%,在测试集的分类精度为82%,证明了该方法的有效性,为HVDC系统的故障诊断提供了一种新的可行性路线。为了进一步验证所提方法,将其与GoogleNet、VGG16、AlexNet、SVM、决策树和KNN等方法进行对比,对比实验结果表明,所提方法在HVDC系统故障诊断中的表现更加出色。展开更多
文摘本文中作者提出了基于FedAVG-SA-BP方法的变压器油中气体分析(Dissolved Gas Analysis, DGA)故障诊断模型,采用Self-attention(SA)机制捕捉气体特征间的相关性,以及Federated Averaging(FedAVG)解决变压器DGA故障诊断中训练样本缺失的问题。试验结果表明,与传统的BP网络DGA故障诊断方法相比,该方法能够显著提高电力变压器故障诊断的准确性。
文摘以某西南电网变电站出现的4种故障的实测数据作为数据集,针对高压直流输电(high voltage direct-current,HVDC)系统的故障诊断设计出一种基于集成学习(ensemble learning, EM)的故障诊断方法,显著提升了故障诊断的速度、精度和鲁棒性。首先,对4类故障数据进行数据预处理,同时对故障数据的特征进行提取并完成训练,使用故障数据标签对故障数据集进行均分权重。然后,计算当前弱分类器对带权重数据集的分类误差,并计算当前分类器在强分类器中的权重。最后,更新训练样本权值的分布得到强分类器,根据训练好的模型对不同数据集下的故障类型进行辨识实验。通过与BP神经网络故障诊断模型对比,所提出的方法在多组测试中可以达到89%以上的诊断准确率,错误率较低并且鲁棒性强,有利于HVDC系统的故障识别和快速诊断。
文摘为加快电力系统数字化转型,保证高压直流输电(high voltage direct current,HVDC)系统高质量安全运行,有必要通过智能技术充分挖掘、提炼HVDC系统日常调控、运维等阶段积累的海量数据和丰富管理经验,从而构建知识图谱辅助工作人员对故障进行诊断和处理。提出了一种基于小波变换和深度学习的HVDC系统故障诊断方法。首先,采用小波变换将换流站的故障录波数据(单相接地、相间短路和阀组短路)转换为二维时频图像,并采用数据增强技术来进一步扩充样本数据集。然后,利用ResNet50网络来实现HVDC系统的故障诊断。根据实验结果,所提方法在训练集的分类精度为93%,在测试集的分类精度为82%,证明了该方法的有效性,为HVDC系统的故障诊断提供了一种新的可行性路线。为了进一步验证所提方法,将其与GoogleNet、VGG16、AlexNet、SVM、决策树和KNN等方法进行对比,对比实验结果表明,所提方法在HVDC系统故障诊断中的表现更加出色。
