基于深度学习的电气设备状态与故障诊断研究
Journal: Project Engineering DOI: 10.12238/pe.v2i4.8376
Abstract
本研究深入探讨了发变组保护的基本原理,设计深度学习模型可以实现对发变组故障模式的自动识别与分类,能明显提高故障诊断的准确性。研究结果表明,深度学习能够自动提取故障特征,简化了特征选择过程,为电力系统的智能运维提供了新的解决方案。精心设计的分类器可以实现对发变组故障的精确分类,同时也验证了深度学习在电气设备故障诊断领域的应用价值。因此,希望未来研究可以继续优化模型,以适应将来发生的其他故障问题,推动电力行业向智能化方向迈进。
Keywords
发变组保护；自动识别；故障诊断
Full Text
PDF - Viewed/Downloaded: 0 TimesReferences
[1] 林贤洪:S120系列变频器常见故障分析及其解决方法[J].科技风,2023(29):64-66.
[2] 张宏伟,吕雪霞,基于深度学习的发电厂变频器过压故障检测[J].电子设计工程,2021,29(5):71-74,79.
[3] 任志玲,南忠明.基于改进CNN的串联型故障电弧识别方法研究[J].控制工程,2022,29(2):263-270.
[4] 胡阳,胡耀宗,程逸,等.基于FD-AT-LSTM的大型风电机组变频器温度状态监测[J].动力工程学报,2023,43(9):1207-1215.
[5] 陈轲,黄民,李一鸣.基于CNN-LSTM和注意力机制的轴承故障诊断方法[J].北京信息科技大学学报(自然科学版),2022,37(6):26-31.
[2] 张宏伟,吕雪霞,基于深度学习的发电厂变频器过压故障检测[J].电子设计工程,2021,29(5):71-74,79.
[3] 任志玲,南忠明.基于改进CNN的串联型故障电弧识别方法研究[J].控制工程,2022,29(2):263-270.
[4] 胡阳,胡耀宗,程逸,等.基于FD-AT-LSTM的大型风电机组变频器温度状态监测[J].动力工程学报,2023,43(9):1207-1215.
[5] 陈轲,黄民,李一鸣.基于CNN-LSTM和注意力机制的轴承故障诊断方法[J].北京信息科技大学学报(自然科学版),2022,37(6):26-31.
Copyright © 2024 于波, 张晏平
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License