電力設(shè)備安全可靠是確保電力系統(tǒng)安全穩(wěn)定運行的重要前提,加強對電力設(shè)備運行狀態(tài)的監(jiān)測,實現(xiàn)電力設(shè)備的早期故障預(yù)警和診斷具有重要意義。與傳統(tǒng)電力設(shè)備故障診斷方法不同,基于數(shù)據(jù)挖掘的故障預(yù)警技術(shù)的實現(xiàn)原理是挖掘數(shù)據(jù)潛在規(guī)律,從樣本中學習數(shù)據(jù)之間內(nèi)在的函數(shù)關(guān)系并建立模型,然后基于此模型預(yù)測電力設(shè)備的運行狀態(tài),這樣便能夠及早發(fā)現(xiàn)電力設(shè)備故障的早期征兆,進而給出預(yù)警信號,阻止電力設(shè)備故障的發(fā)生。為了進一步提高電力設(shè)備故障預(yù)警方法的準確性,本文將相關(guān)向量機算法引入到電力設(shè)備故障預(yù)警中去。首先,介紹了相關(guān)向量機算法,并對其性能進行分析,說明了基于該算法構(gòu)建的電力設(shè)備模型能夠較好解決非線性問題,且具有良好的稀疏性。同時,分析了電力系統(tǒng)數(shù)據(jù)特點及數(shù)據(jù)處理方法,為電力設(shè)備模型的故障特征提取提供數(shù)據(jù)基礎(chǔ)。然后,針對不同電力設(shè)備的數(shù)據(jù)特點建立了符合現(xiàn)場情況的兩類預(yù)警模型,模型一對電力設(shè)備正常運行參數(shù)預(yù)測后,根據(jù)實際測量值與模型預(yù)測值的差值確定是否給出報警信號,模型二對電力設(shè)備故障趨勢預(yù)測后判定是否進行預(yù)警;最后,基于風力發(fā)電機監(jiān)控與數(shù)據(jù)采集（supervisory control and data acquis... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

圖２－１相關(guān)向量機回歸模型：（ａ）生成數(shù)據(jù)點；（ｂ）預(yù)測曲線；（ｃ）相關(guān)向量；（ｄ）相關(guān)向量權(quán)重??圖２－ｌ（ａ）為借助數(shù)據(jù)生成器生成的１００個數(shù)據(jù)點，圖２－ｌ（ｂ）為一組“高斯”??基函數(shù)的基礎(chǔ)線性模型的實際曲線與相關(guān)向量機回歸曲線對比，從圖中可以看??

山東大學碩士學位論文??＂＾１?１?￣￣＾?￣春分類?１??１?－?Ｘ?？田？?＊?八－＊分類２??Ｖ?ｘ?％?？?＿?■■分類邊界??〇．８‘＞＜＾?：?ｙ?？，？?？?Ｈ２向ｒ??、ｊｓ＾：、？?？?？?？????〇４?？？？？??０２?？？？？？？?ｌ?＃＃Ｎ?＞??ｎ?？?？?％?？?＼??〇?Ｉ?？?＃?．?，?Ｌ＿??－１?－０．５?０?０．５??圖２－２相關(guān)向量機分類??由圖２－２可以看出，基于高斯核函數(shù)的相關(guān)向量機算法一共產(chǎn)生了?４個相關(guān)??向量代表數(shù)據(jù)特征，體現(xiàn)出該算法具有更好的稀疏性。實際上，支持向量機算法??需要更多位于超平面周圍的支持向量來形成分類器，而相關(guān)向量機算法的相關(guān)向??量是每個類別中的典型樣本，它們都遠離超平面，這一特點保證了相關(guān)向量機算??法算法的稀疏性，而這主要是由于相關(guān)向量機算法采用了高斯分布的權(quán)重值。??通過分類準確率和誤判率可進一步定量表征算法的分類效果，其中：??分類準確率＝正確分類的樣本數(shù)／總樣本數(shù)??誤判率＝錯誤分類的樣本數(shù)／總樣本數(shù)??經(jīng)計算，算例中分類準確率為９１．４０％。誤判率為８．６０％。由此可見，相關(guān)．??向量機算法的分類準確性的確較高。??２．３本章小結(jié)??本章主要介紹了相關(guān)向量機的理論知識。首先介紹了相關(guān)向量機回歸和分類??理論，并給出了相應(yīng)的模型設(shè)定及學習推理過程；然后，通過算例分析了相關(guān)向??量機的回歸性能和分類性能，進一步證明了相關(guān)向量機模型的稀疏性，本章所做??的工作表明相關(guān)向量機稀疏性好，準確率較高，具有良好的推廣能力。??１５??

山東大學碩士學位論文??ｍｍ??〇??１??—１?■?１?：???Ｏ?１０００?２０００?３０００?４０００?５０００?６０００?７０００??數(shù)４Ｗ點??圖３－１軸溫與功率歸一化趨勢??°?°?Ｊ?｜｜?Ｉ?Ｉ－?—?［、??＊０４?＇?－??０３??０?２?－?－??Ｏ?１??Ｏ???１?１?１????Ｏ?１０００?２０００?３０００?４０００?ＳＯＯＯ?６０００?７０００??數(shù)扼點．??圖３－２軸溫與艙溫歸一化趨勢??Ｉ１ＷＩ??０．３?ｐ?－??０．２?Ｌ?－??０．１?卜?－??０???１?１?１?１?：?；???０?１０００?２０００?３０００?４０００?５０００?６０００?７０００??數(shù)把點??圖３－３灰色關(guān)聯(lián)系數(shù)??３．３異常數(shù)據(jù)檢測??異常數(shù)據(jù)檢測是指在使用各種學習方法建立電力設(shè)備正常行為的模型后，分??析電力設(shè)備的實時測量數(shù)據(jù)與模型預(yù)測數(shù)據(jù)，用以檢測電力設(shè)備是否有發(fā)生故障??的趨勢。在電力設(shè)備出現(xiàn)故障之前，往往伴隨著異常測量數(shù)據(jù)的顯現(xiàn)。因此，分??２０??

【參考文獻】：
期刊論文
[1]采用滑動窗口及多重加噪比堆棧降噪自編碼的風電機組狀態(tài)異常檢測方法[J]. 陳俊生,李劍,陳偉根,孫鵬.  電工技術(shù)學報. 2020(02)
[2]基于貝葉斯網(wǎng)絡(luò)的水電機組振動故障診斷研究[J]. 劉東,王昕,黃建熒,張曉靜,肖志懷.  水力發(fā)電學報. 2019(02)
[3]基于概率輸出支持向量機和證據(jù)理論的變壓器故障診斷技術(shù)[J]. 陳程,聶德鑫,馮振新,張學龍,趙坤,石悠旖.  變壓器. 2018(07)
[4]基于高斯過程回歸和雙滑動窗口殘差處理的風電機組主軸狀態(tài)監(jiān)測[J]. 郭鵬,王兆光.  電力自動化設(shè)備. 2018(06)
[5]電力設(shè)備狀態(tài)大數(shù)據(jù)分析的研究和應(yīng)用[J]. 江秀臣,盛戈皞.  高電壓技術(shù). 2018(04)
[6]基于油中氣體分析的變壓器故障診斷ReLU-DBN方法[J]. 代杰杰,宋輝,楊祎,陳玉峰,盛戈皞,江秀臣.  電網(wǎng)技術(shù). 2018(02)
[7]基于動態(tài)柯西蜂群算法優(yōu)化支持向量機的風機葉片故障診斷[J]. 王宇鵬,王致杰,劉琦,徐莉莉,王鴻,程亞麗.  電氣工程學報. 2018(01)
[8]神經(jīng)網(wǎng)絡(luò)技術(shù)在風電機組SCADA數(shù)據(jù)分析中的應(yīng)用研究[J]. 杜勉,易俊,郭劍波,程林,馬士聰,賀慶.  電網(wǎng)技術(shù). 2018(07)
[9]基于深度學習特征提取和粒子群支持向量機狀態(tài)識別的齒輪智能故障診斷[J]. 時培明,梁凱,趙娜,安淑君.  中國機械工程. 2017(09)
[10]基于工況辨識和變分模態(tài)分解的風電機組滾動軸承故障診斷[J]. 劉長良,閆蕭.  動力工程學報. 2017(04)

博士論文
[1]基于相關(guān)向量機的油浸式電力變壓器故障診斷方法研究[D]. 尹金良.華北電力大學 2013
[2]數(shù)據(jù)驅(qū)動的大型電力變壓器故障診斷和預(yù)測研究[D]. 唐勇波.中南大學 2013
[3]支持向量機在變壓器狀態(tài)評估中的應(yīng)用研究[D]. 肖燕彩.北京交通大學 2008



本文編號：3046396