狀態(tài)檢修可以提高設(shè)備的利用率,還可以減少檢修費用,提高了電網(wǎng)運行的經(jīng)濟性和安全性。采用數(shù)據(jù)分析方法可以充分合理地挖掘可能影響電力設(shè)備狀態(tài)的多種有效信息進行設(shè)備狀態(tài)精細化評價,有著廣闊的應(yīng)用前景。目前應(yīng)用的設(shè)備狀態(tài)預(yù)測模型應(yīng)用單一或少量狀態(tài)變量進行數(shù)據(jù)分析和狀態(tài)判別,且大部分限制在于閾值診斷的類別內(nèi),未能夠充分利用設(shè)備與電網(wǎng)運行大量狀態(tài)信息之間蘊含的內(nèi)在規(guī)律和關(guān)聯(lián)關(guān)系進行綜合分析。將設(shè)備的多個參數(shù)之間的關(guān)聯(lián)規(guī)則引入可以顯著提高狀態(tài)預(yù)測和故障診斷的精確度。本文將概率圖模型引入對設(shè)備狀態(tài)進行關(guān)聯(lián)規(guī)則挖掘提出一種新的關(guān)聯(lián)規(guī)則挖掘算法,該算法首先利用Apriori算法找出所有的頻繁二項集,然后利用概率圖模型找出所有關(guān)聯(lián)規(guī)則。該方法利用概率圖分析關(guān)聯(lián)規(guī)則,避免了搜索各階頻繁項集都需要循環(huán)掃描所有數(shù)據(jù)項。結(jié)果表明利用該關(guān)聯(lián)規(guī)則可以使基于徑向基神經(jīng)網(wǎng)絡(luò)的狀態(tài)預(yù)測結(jié)果準確度更高。如何在設(shè)備狀態(tài)預(yù)測信息基礎(chǔ)上而做出檢修決策,確保設(shè)備可靠性的同時提高經(jīng)濟性,其決策在很大程度上還是依賴決策者的經(jīng)驗積累,缺少定量的輔助決策方法。電力設(shè)備的老化屬于隨機過程的一種,因此在檢修策略制定中,應(yīng)用隨機過程理論考慮設(shè)備狀態(tài)... 

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景及意義
    1.2 課題國內(nèi)外研究現(xiàn)狀
        1.2.1 設(shè)備狀態(tài)預(yù)測方法
        1.2.2 設(shè)備的馬爾可夫模型表示
    1.3 論文主要內(nèi)容
第二章 基于概率圖模型的關(guān)聯(lián)規(guī)則挖掘算法
    2.1 關(guān)聯(lián)規(guī)則挖掘
        2.1.1 關(guān)聯(lián)規(guī)則挖掘的基本概念
        2.1.2 Apriori算法
    2.2 基于概率圖模型的關(guān)聯(lián)規(guī)則挖掘算法
        2.2.1 概率圖模型
        2.2.2 算法內(nèi)容
    2.3 仿真驗證
    2.4 本章小結(jié)
第三章 基于關(guān)聯(lián)規(guī)則挖掘的電力設(shè)備狀態(tài)預(yù)測
    3.1 基于徑向基神經(jīng)網(wǎng)絡(luò)的狀態(tài)預(yù)測
        3.1.1 RBF網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 數(shù)據(jù)預(yù)處理與RBF網(wǎng)絡(luò)參數(shù)選取
    3.2 基于關(guān)聯(lián)規(guī)則和RBF神經(jīng)網(wǎng)絡(luò)的狀態(tài)預(yù)測
    3.3 實測數(shù)據(jù)驗證
        3.3.1 設(shè)備狀態(tài)關(guān)聯(lián)規(guī)則挖掘
        3.3.2 關(guān)聯(lián)規(guī)則挖掘結(jié)果用于狀態(tài)預(yù)測
    3.4 本章小結(jié)
第四章 基于馬爾可夫決策過程的電力設(shè)備最佳檢修決策
    4.1 基礎(chǔ)理論
        4.1.1 馬爾可夫過程
        4.1.2 馬爾可夫決策過程
        4.1.3 最優(yōu)決策的求解
    4.2 基于馬爾可夫過程的電力設(shè)備檢修模型
        4.2.1 檢修模型狀態(tài)劃分
        4.2.2 各類檢修模型
        4.2.3 CBM和 IBM模型
    4.3 實測數(shù)據(jù)驗證
        4.3.1 模型數(shù)據(jù)
        4.3.2 電力設(shè)備穩(wěn)態(tài)概率的求解
        4.3.3 求解電力設(shè)備的檢修決策模型
    4.4 結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文
致謝


【參考文獻】：
期刊論文
[1]基于馬爾可夫鏈模型的輸電線路運行狀態(tài)及其風(fēng)險評估[J]. 蔣樂,劉俊勇,魏震波,龔輝,雷成,李成鑫.  電力系統(tǒng)自動化. 2015(13)
[2]基于小波變換的風(fēng)電場短期風(fēng)速組合預(yù)測[J]. 田中大,李樹江,王艷紅,高憲文.  電工技術(shù)學(xué)報. 2015(09)
[3]基于大數(shù)據(jù)分析的輸變電設(shè)備狀態(tài)數(shù)據(jù)異常檢測方法[J]. 嚴英杰,盛戈皞,陳玉峰,江秀臣,郭志紅,杜修明.  中國電機工程學(xué)報. 2015(01)
[4]面向智能電網(wǎng)應(yīng)用的電力大數(shù)據(jù)關(guān)鍵技術(shù)[J]. 彭小圣,鄧迪元,程時杰,文勁宇,李朝暉,牛林.  中國電機工程學(xué)報. 2015(03)
[5]基于D-S證據(jù)理論的輸變電設(shè)備狀態(tài)檢修多目標群決策[J]. 敖蕾蕾,王慧芳,張弛,李一泉,何奔騰.  電網(wǎng)技術(shù). 2014(06)
[6]一種基于多層人工神經(jīng)網(wǎng)絡(luò)的感知頻譜預(yù)測策略[J]. 龐博,謝卓辰,馬陸,劉會杰.  遙測遙控. 2014(01)
[7]基于樣本熵和極端學(xué)習(xí)機的超短期風(fēng)電功率組合預(yù)測模型[J]. 張學(xué)清,梁軍,張熙,張峰,張利,徐兵.  中國電機工程學(xué)報. 2013(25)
[8]一種適用于狀態(tài)檢修的電力設(shè)備時變停運模型[J]. 汲國強,吳文傳,張伯明,劉順桂,江偉.  中國電機工程學(xué)報. 2013(25)
[9]一種基于概率圖模型的關(guān)聯(lián)規(guī)則更新方法[J]. 蔡鵬飛,岳昆,李雪,劉惟一.  云南大學(xué)學(xué)報(自然科學(xué)版). 2013(02)
[10]一種基于小波分析和Elman動態(tài)神經(jīng)網(wǎng)絡(luò)的中長期電力負荷預(yù)測方法[J]. 趙智勇,黃偉,尉揚.  山西電力. 2013(01)

碩士論文
[1]變電站電氣設(shè)備狀態(tài)檢修系統(tǒng)的研究與開發(fā)[D]. 呂國鍇.山東大學(xué) 2014
[2]基于馬爾科夫過程的電力設(shè)備檢修優(yōu)化決策[D]. 姜學(xué)蕾.山東大學(xué) 2013
[3]基于模糊神經(jīng)網(wǎng)絡(luò)的信息融合在配電網(wǎng)故障診斷中的應(yīng)用[D]. 王俊芳.重慶大學(xué) 2013
[4]風(fēng)速預(yù)測的研究與應(yīng)用[D]. 王曉稱.華北電力大學(xué) 2012



本文編號：3700739