由于我國能源結(jié)構(gòu)的調(diào)整,風(fēng)電、水電等非穩(wěn)定能源應(yīng)用愈加廣泛,隨著此類能源的快速發(fā)展,發(fā)電量增加的同時(shí)電網(wǎng)運(yùn)行的復(fù)雜程度也在增加,因此保障電網(wǎng)安全穩(wěn)定的運(yùn)行尤為重要。水輪機(jī)發(fā)電機(jī)組具有優(yōu)異的調(diào)峰、調(diào)頻以及故障備用等功能,充分發(fā)揮水輪機(jī)組的作用可以有效降低電網(wǎng)的壓力,改善電能的質(zhì)量、緩解電網(wǎng)容易出現(xiàn)的峰谷矛盾等問題,保障并提高電網(wǎng)安全穩(wěn)定運(yùn)行的能力。隨著水輪機(jī)自身結(jié)構(gòu)不斷擴(kuò)大,各個(gè)部分的能量轉(zhuǎn)換關(guān)系也越來越復(fù)雜,運(yùn)行過程中,機(jī)組的某一部分出現(xiàn)故障,極大程度影響整個(gè)水輪機(jī)組的運(yùn)行故障,造成巨大的經(jīng)濟(jì)損失甚至是更為嚴(yán)重的災(zāi)難。因此,保障水輪機(jī)組運(yùn)行過程中的安全、可靠性能,及時(shí)為水輪機(jī)組進(jìn)行故障診斷以及狀態(tài)預(yù)測,是當(dāng)前我國水電站急需解決的重大實(shí)際問題。本文提出一種新型水輪機(jī)運(yùn)轉(zhuǎn)狀態(tài)識別方法,主要通過引入互信息理論深度探究不同參數(shù)在水輪機(jī)狀態(tài)分類中的貢獻(xiàn)度,并提取壓力脈動(dòng)信號的特征參數(shù)融合成特征向量。同時(shí)通過果蠅算法(FOA)優(yōu)化概率神經(jīng)網(wǎng)絡(luò)(PNN)中的平滑因子σ,建立基于FOA-PNN的水輪機(jī)運(yùn)轉(zhuǎn)狀態(tài)分類模型,實(shí)現(xiàn)水輪機(jī)故障的實(shí)時(shí)監(jiān)測。首先,為揭示水輪機(jī)的運(yùn)轉(zhuǎn)狀態(tài)與能量特征之間的關(guān)系,采用小波...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景及意義
    1.2 國內(nèi)外水輪機(jī)壓力脈動(dòng)研究現(xiàn)狀及分析
    1.3 深度學(xué)習(xí)算法應(yīng)用于水輪機(jī)故障診斷的研究現(xiàn)狀
    1.4 本文主要研究內(nèi)容
第2章 水輪機(jī)振動(dòng)信號的處理與分析
    2.1 水輪機(jī)壓力脈動(dòng)信號的采集及工況設(shè)置
    2.2 應(yīng)用小波變換分析壓力脈動(dòng)信號
        2.2.1 小波變換分析方法
        2.2.2 常用的小波函數(shù)
        2.2.3 小波閾值去噪
    2.3 數(shù)據(jù)處理及分析
    2.4 本章小結(jié)
第3章 基于主要工況參數(shù)的水輪機(jī)振動(dòng)趨勢預(yù)測
    3.1 相關(guān)性指標(biāo)
        3.1.1 Pearson相關(guān)系數(shù)
        3.1.2 互信息
    3.2 工況參數(shù)與振動(dòng)變量之間的相關(guān)性分析
    3.3 基于主要相關(guān)工況參數(shù)的水輪發(fā)電機(jī)組振動(dòng)趨勢預(yù)測
        3.3.1 小波神經(jīng)網(wǎng)絡(luò)振動(dòng)趨勢預(yù)測模型
        3.3.2 工程實(shí)例驗(yàn)證
    3.4 基于SVM的水輪機(jī)運(yùn)轉(zhuǎn)狀態(tài)識別研究
        3.4.1 支持向量機(jī)模型
        3.4.2 SVM的數(shù)據(jù)處理過程
        3.4.3 實(shí)驗(yàn)結(jié)果分析
    3.5 本章小結(jié)
第4章 優(yōu)化PNN模型在水輪機(jī)運(yùn)轉(zhuǎn)狀態(tài)識別中的應(yīng)用
    4.1 概率神經(jīng)網(wǎng)絡(luò)原理
        4.1.1 概率神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論
        4.1.2 概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        4.1.3 概率神經(jīng)網(wǎng)絡(luò)重要的參數(shù)——平滑因子σ
    4.2 果蠅優(yōu)化算法
        4.2.1 果蠅算法的生物學(xué)基礎(chǔ)
        4.2.2 果蠅優(yōu)化算法的基本原理
        4.2.3 果蠅優(yōu)化算法參數(shù)分析
        4.2.4 果蠅優(yōu)化算法的特性
    4.3 果蠅優(yōu)化算法的基本框架
        4.3.1 算法描述
        4.3.2 算法流程
    4.4 概率神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化與模型建立
        4.4.1 算法分析
        4.4.2 算法實(shí)現(xiàn)步驟
    4.5 水輪機(jī)故障診斷實(shí)驗(yàn)
        4.5.1 建立網(wǎng)絡(luò)的輸入輸出
        4.5.2 數(shù)據(jù)集設(shè)置
        4.5.3 果蠅優(yōu)化算法構(gòu)建FOA-PNN網(wǎng)絡(luò)模型
        4.5.4 實(shí)驗(yàn)數(shù)據(jù)的結(jié)果與分析
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)成果
致謝



本文編號：3859413