随着高压电缆应用规模的日益扩大及逐步进入老化周期,对其智能化运维成为保障城市电网可靠性的紧迫需求。传统的高压电缆运维模式存在隐蔽缺陷识别难、多故障耦合溯源难及有效案例数据稀少等方面的瓶颈。人工智能(artificial intelligen...随着高压电缆应用规模的日益扩大及逐步进入老化周期,对其智能化运维成为保障城市电网可靠性的紧迫需求。传统的高压电缆运维模式存在隐蔽缺陷识别难、多故障耦合溯源难及有效案例数据稀少等方面的瓶颈。人工智能(artificial intelligence,AI)技术,凭借其在处理复杂、高维、非线性数据上的优势,为电缆运维从“经验驱动”向“数据智能驱动”转型提供了契机。为此系统性阐述了人工智能技术在高压电缆系统状态监测中的典型应用现状及前景。首先阐述了高压电缆系统状态监测中主要监测物理量的特点及AI应用前景。其次,梳理了机器学习与深度学习等主流AI技术的特点,并分析其在电缆状态监测中的应用进展。随后,进一步深入剖析了AI在局部放电监测、电缆逸出气体分析(evolved gas analysis,EGA)及金属护套环流监测等三大核心领域的典型应用进展,并针对EGA领域数据稀缺的挑战,探讨了基于数据增强、迁移学习和小样本学习的模型优化策略。最后,探讨了AI在多模态数据融合及诊断评估的技术路径。通过这些研究表明,AI技术通过知识自进化机制与多模态数据融合,可能推动高压电缆系统从传统运维模式向智能化的预测性维护模式转变。展开更多
为了提高利用监控和数据采集(supervisory control and data acquisition,SCADA)多变量长时间序列预测齿轮箱油温的精度,解决不同风电机组因处不同运行环境导致的数据分布不一致的问题,提出了一种基于多分支时间序列预测与迁移学习相结...为了提高利用监控和数据采集(supervisory control and data acquisition,SCADA)多变量长时间序列预测齿轮箱油温的精度,解决不同风电机组因处不同运行环境导致的数据分布不一致的问题,提出了一种基于多分支时间序列预测与迁移学习相结合的齿轮箱状态监测方法。首先,利用极致梯度提升(extreme gradient boosting,XGBoost)算法筛选输入参数组成原始序列,对其进行分解得到季节与趋势序列。其次,提出季节、趋势序列特征提取模块获取季节及趋势特征的序列,将其与经过Informer模型处理后的特征序列进行融合后输入进多层感知机映射成最终的预测值,以构建提出的多分支时间序列预测网络(multi-branch time series prediction network,MBFN)。最后,利用迁移学习并结合一分类向量支持机(one-class support vector machine,OCSVM)模型及滑动窗口构建齿轮箱的健康指数,完成齿轮箱状态监测。实验结果表明,所提出模型的MBFN显著提高了油温预测精度,优于常规时间序列预测模型,所使用的迁移策略能以较少数据适应不同数据的分布,进而实现对齿轮箱的状态监测,并且所提出的模型可以提前18.9 d发出齿轮箱故障预警。展开更多
直流母线电容作为电机驱动变换器中最薄弱的元件之一,其老化会导致系统故障的概率增大,因此对电容老化进行在线监测至关重要。针对现有监测方法存在经济性差、采样频率高、影响系统正常运行等问题,提出一种基于长周期暂态信号分析的电...直流母线电容作为电机驱动变换器中最薄弱的元件之一,其老化会导致系统故障的概率增大,因此对电容老化进行在线监测至关重要。针对现有监测方法存在经济性差、采样频率高、影响系统正常运行等问题,提出一种基于长周期暂态信号分析的电容在线监测方法,用于估计电机驱动变换器直流母线等值串联电容(equivalent series capacitance,ESC)。首先,根据系统负载切换过程建立共节点感-容等值暂态模型,分析长周期暂态信号特点。其次,推导基于长周期暂态信号的在线监测模型,确定监测程序启动判定条件。然后,提出一种基于多项式重构的电容电流基线校准方法,消除传感器零漂影响,提高监测精度。最后,仿真和实验表明所提出方法的监测精度满足电容监测的要求。展开更多
针对复杂多变的工作环境给风电机组状态监测带来的挑战,提出了一种基于深度学习和注意力机制组合的状态监测与健康评估方法。首先,将风电机组数据采集与监控(supervisory control and data acquisition,简称SCADA)系统数据进行预处理;其...针对复杂多变的工作环境给风电机组状态监测带来的挑战,提出了一种基于深度学习和注意力机制组合的状态监测与健康评估方法。首先,将风电机组数据采集与监控(supervisory control and data acquisition,简称SCADA)系统数据进行预处理;其次,将卷积神经网络(convolutional neural networks,简称CNN)和长短期记忆网络(long short-term memory,简称LSTM)相结合提取数据的时空特征,并引入注意力机制(Attention)为LSTM分配相应的权重;然后,利用指数加权移动平均来设置阈值,通过分析均方根误差实现风电机组的状态监测;最后,通过实例对风电机组的主轴承、发电机定子和叶片变桨电机状态进行监测分析和健康评估,验证该方法的有效性。展开更多
文摘随着高压电缆应用规模的日益扩大及逐步进入老化周期,对其智能化运维成为保障城市电网可靠性的紧迫需求。传统的高压电缆运维模式存在隐蔽缺陷识别难、多故障耦合溯源难及有效案例数据稀少等方面的瓶颈。人工智能(artificial intelligence,AI)技术,凭借其在处理复杂、高维、非线性数据上的优势,为电缆运维从“经验驱动”向“数据智能驱动”转型提供了契机。为此系统性阐述了人工智能技术在高压电缆系统状态监测中的典型应用现状及前景。首先阐述了高压电缆系统状态监测中主要监测物理量的特点及AI应用前景。其次,梳理了机器学习与深度学习等主流AI技术的特点,并分析其在电缆状态监测中的应用进展。随后,进一步深入剖析了AI在局部放电监测、电缆逸出气体分析(evolved gas analysis,EGA)及金属护套环流监测等三大核心领域的典型应用进展,并针对EGA领域数据稀缺的挑战,探讨了基于数据增强、迁移学习和小样本学习的模型优化策略。最后,探讨了AI在多模态数据融合及诊断评估的技术路径。通过这些研究表明,AI技术通过知识自进化机制与多模态数据融合,可能推动高压电缆系统从传统运维模式向智能化的预测性维护模式转变。
文摘为了提高利用监控和数据采集(supervisory control and data acquisition,SCADA)多变量长时间序列预测齿轮箱油温的精度,解决不同风电机组因处不同运行环境导致的数据分布不一致的问题,提出了一种基于多分支时间序列预测与迁移学习相结合的齿轮箱状态监测方法。首先,利用极致梯度提升(extreme gradient boosting,XGBoost)算法筛选输入参数组成原始序列,对其进行分解得到季节与趋势序列。其次,提出季节、趋势序列特征提取模块获取季节及趋势特征的序列,将其与经过Informer模型处理后的特征序列进行融合后输入进多层感知机映射成最终的预测值,以构建提出的多分支时间序列预测网络(multi-branch time series prediction network,MBFN)。最后,利用迁移学习并结合一分类向量支持机(one-class support vector machine,OCSVM)模型及滑动窗口构建齿轮箱的健康指数,完成齿轮箱状态监测。实验结果表明,所提出模型的MBFN显著提高了油温预测精度,优于常规时间序列预测模型,所使用的迁移策略能以较少数据适应不同数据的分布,进而实现对齿轮箱的状态监测,并且所提出的模型可以提前18.9 d发出齿轮箱故障预警。
文摘直流母线电容作为电机驱动变换器中最薄弱的元件之一,其老化会导致系统故障的概率增大,因此对电容老化进行在线监测至关重要。针对现有监测方法存在经济性差、采样频率高、影响系统正常运行等问题,提出一种基于长周期暂态信号分析的电容在线监测方法,用于估计电机驱动变换器直流母线等值串联电容(equivalent series capacitance,ESC)。首先,根据系统负载切换过程建立共节点感-容等值暂态模型,分析长周期暂态信号特点。其次,推导基于长周期暂态信号的在线监测模型,确定监测程序启动判定条件。然后,提出一种基于多项式重构的电容电流基线校准方法,消除传感器零漂影响,提高监测精度。最后,仿真和实验表明所提出方法的监测精度满足电容监测的要求。
文摘针对复杂多变的工作环境给风电机组状态监测带来的挑战,提出了一种基于深度学习和注意力机制组合的状态监测与健康评估方法。首先,将风电机组数据采集与监控(supervisory control and data acquisition,简称SCADA)系统数据进行预处理;其次,将卷积神经网络(convolutional neural networks,简称CNN)和长短期记忆网络(long short-term memory,简称LSTM)相结合提取数据的时空特征,并引入注意力机制(Attention)为LSTM分配相应的权重;然后,利用指数加权移动平均来设置阈值,通过分析均方根误差实现风电机组的状态监测;最后,通过实例对风电机组的主轴承、发电机定子和叶片变桨电机状态进行监测分析和健康评估,验证该方法的有效性。
