针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架...针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架构;然后,对不同采样频率的状态数据分别进行特征提取并进行特征融合,实现混频数据输入下的电气设备的故障诊断任务;最后,利用凯斯西储大学轴承数据集对所提模型进行了算例验证,结果表明:相比于单频信号输入,混频输入平均提高故障诊断精度1.72%。该实验结果证明了所提出的基于MF-LSTM的故障诊断框架的有效性和混频数据输入的必要性。展开更多
与传统柔性直流输电系统相比,基于模块化多电平变换器的多端柔性直流输电系统(modular multi-level converter based multi-terminal high voltage direct current,MMC-MTDC)因子模块数量更大、结构更复杂、运行状态更多,使其可靠性建...与传统柔性直流输电系统相比,基于模块化多电平变换器的多端柔性直流输电系统(modular multi-level converter based multi-terminal high voltage direct current,MMC-MTDC)因子模块数量更大、结构更复杂、运行状态更多,使其可靠性建模更具挑战。该文提出一种考虑模块冗余和系统状态的MMC-MTDC可靠性的蒙特卡洛分析方法。首先,以可靠性框图法为基础,建立考虑模块冗余的换流阀可靠性模型,并进一步构建了考虑多设备影响的换流站可靠性模型。其次,在实际运行的多状态转移过程分析基础上,建立了考虑状态转移持续时间的MMC-MTDC概率密度模型,提出了基于蒙特卡洛的MMC-MTDC可靠性模型求解方法。最后,以某实际±200kV的MMC-MTDC系统为例,对多运行方式下的状态概率、状态持续时间及状态频率等可靠性指标进行了求解,研究可为多端柔性直流输电系统可靠性分析提供一定的参考。展开更多
文摘针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架构;然后,对不同采样频率的状态数据分别进行特征提取并进行特征融合,实现混频数据输入下的电气设备的故障诊断任务;最后,利用凯斯西储大学轴承数据集对所提模型进行了算例验证,结果表明:相比于单频信号输入,混频输入平均提高故障诊断精度1.72%。该实验结果证明了所提出的基于MF-LSTM的故障诊断框架的有效性和混频数据输入的必要性。
文摘与传统柔性直流输电系统相比,基于模块化多电平变换器的多端柔性直流输电系统(modular multi-level converter based multi-terminal high voltage direct current,MMC-MTDC)因子模块数量更大、结构更复杂、运行状态更多,使其可靠性建模更具挑战。该文提出一种考虑模块冗余和系统状态的MMC-MTDC可靠性的蒙特卡洛分析方法。首先,以可靠性框图法为基础,建立考虑模块冗余的换流阀可靠性模型,并进一步构建了考虑多设备影响的换流站可靠性模型。其次,在实际运行的多状态转移过程分析基础上,建立了考虑状态转移持续时间的MMC-MTDC概率密度模型,提出了基于蒙特卡洛的MMC-MTDC可靠性模型求解方法。最后,以某实际±200kV的MMC-MTDC系统为例,对多运行方式下的状态概率、状态持续时间及状态频率等可靠性指标进行了求解,研究可为多端柔性直流输电系统可靠性分析提供一定的参考。
