新書推薦：
《
新知文库精选·骆驼来自何处：外来入侵物种的故事与科学
》
售價：HK$
75.9
《
沟通：终身原则（第八版）
》
售價：HK$
217.8
《
小狗心理疗愈日记 史努比陪你找到自我主体性 走出艰难时刻
》
售價：HK$
46.2
《
心灵银行 脑科学轻松创造真正的改变 世界级催眠大师约翰卡帕斯送给普通人改写命运的秘密武器
》
售價：HK$
74.8
《
被偷走的尊严：美国保守派的失落、耻辱与奋起（三联·哈佛燕京学术丛书）
》
售價：HK$
85.8
《
尖叫的数学：令人惊叹的数学之美：修订新版（从数学的角度发现不一样的逻辑和处世哲学。随书附赠手账本。）
》
售價：HK$
63.8
《
数学老师没教过的数学
》
售價：HK$
46.2
《
法国在乍得的战争：在非洲的军事干预与非殖民化
》
售價：HK$
107.8
|
| 內容簡介： |
|
《深度学习与电力系统故障诊断技术》深入探讨基于深度学习的方法论在电网故障、电气设备故障和储能设备状态诊断中的应用。从绪论中引入电网故障和电气设备故障的分类与诊断技术，到详细讨论深度学习在这些领域中的发展现状和应用前景，每章均将理论方法和实证研究相结合。具体而言，《深度学习与电力系统故障诊断技术》内容主要包括基于优化技术的电网状态感知、基于深度学习的输电线路故障测距，以及基于多智能体决策的储能设备状态检测等方法。算例结果分析不仅验证了《深度学习与电力系统故障诊断技术》所提方法的有效性，还揭示了深度学习在不同场景下的应用优势和实际效果。此外，《深度学习与电力系统故障诊断技术》可为读者提供深入了解和跟进电力系统诊断技术前沿的重要内容。
|
| 目錄：
|
|
目录第1章 绪论 11.1 电网故障类型与诊断技术 11.1.1 电网故障类型 21.1.2 电网故障诊断技术 41.2 电气设备故障类型与诊断技术 101.2.1 电气设备故障类型 101.2.2 电气设备故障诊断技术 121.3 深度学习在电网故障与电气设备故障诊断中的应用 191.3.1 故障诊断发展历史 191.3.2 故障诊断步骤 221.3.3 潜在发展方向 25参考文献 27第2章 深度学习与电力电缆故障诊断 292.1 电力电缆故障概述 292.1.1 故障原因 292.1.2 故障类型 302.1.3 检测流程 312.1.4 故障定位基本方法 312.2 机器学习理论 352.2.1 机器学习基础 352.2.2 SVM算法 362.2.3 BP 神经网络 382.2.4 递归神经网络 382.3 基于IWOA-LightGBM的电力电缆故障诊断 39vi 深度学习与电力系统故障诊断技术2.3.1 LightGBM基本原理 392.3.2 基于IWOA-LightGBM的参数优化 402.4 基于小波变换和CNN-BiLSTM的电力电缆故障定位 422.4.1 小波变换基本原理 422.4.2 去噪结果对比 432.4.3 深度神经网络基础模型 482.5 算例结果分析 512.5.1 基于IWOA-LightGBM的电力电缆故障诊断 512.5.2 基于小波变换和CNN-BiLSTM的电力电缆故障定位 54参考文献 60第3章 深度学习与电网接地故障定位 633.1 电网接地故障检测 633.1.1 仿真模型搭建 633.1.2 基于相空间重构的故障特征提取 643.1.3 基于综合降噪策略的小波阈值降噪 673.2 结合迁移学习的故障识别 693.3 HIF识别流程 703.4 算例结果分析 713.4.1 图像识别网络选取 723.4.2 冻结层数确定 733.4.3 特征可视化及识别结果 743.4.4 算法性能检验 753.4.5 算法对比验证 78参考文献 79第4章 各类样本下基于深度学习的电源设备故障诊断 814.1 基于富样本的电源设备故障诊断 814.1.1 基于胶囊网络的电机变工况故障诊断 814.1.2 基于胶囊网络的故障诊断模型整体框架与训练策略 864.2 基于小样本的电源设备故障诊断 894.2.1 基于残差网络与高斯过程的电机小样本故障诊断 894.2.2 基于残差网络与高斯过程的故障诊断模型整体框架与训练策略 934.3 算例结果分析 954.3.1 基于富样本的胶囊网络识别电源设备故障诊断 964.3.2 基于小样本的残差网络电源设备故障诊断105参考文献113第5章 基于共享机制多任务学习的电源设备故障诊断1155.1 异采样频率下基于多任务学习的电机轴承故障诊断1155.1.1 多任务学习基本概念1165.1.2 基于多任务学习的轴承系设备故障诊断模型整体框架与训练策略1185.2 算例结果分析1225.2.1 基于凯斯西储大学轴承数据集的故障诊断1225.2.2 基于帕德博恩大学轴承数据集的故障诊断128参考文献131第6章 深度学习与储能设备状态诊断1336.1 基于通道注意力机制的电池健康状态诊断1346.1.1 用户随机充电行为样本处理1346.1.2 融入通道注意力机制的混合深度学习模型构建1366.2 基于多周期神经底层展开分析的电池老化状态诊断1406.2.1 燃料电池性能退化数据预处理1406.2.2 多周期神经底层展开分析1426.2.3 快速傅里叶变换1436.2.4 神经网络底层展开分析1436.2.5 多周期神经底层展开模型构建145参考文献146第7章 深度学习与储能锂电池簇健康状态检测1487.1 基于改进CCPSO算法的ESP模型双参数辨识1487.1.1 改进CCPSO算法的基础构成1487.1.2 改进CCPSO算法的电化学参数辨识流程1527.2 基于IC-DV方法的双老化模式量化1537.2.1 基于IC*线的LAM量化1557.2.2 基于DV*线的LLI量化1567.3 健康指标的相关性分析1577.3.1 基于多维健康指标和SOH的皮尔逊相关性分析1577.3.2 基于多维健康指标和SOH的灰色关联度分析1587.4 储能电池簇的SOH估算方法1597.4.1 改进NSA-BP模型的基础构成1597.4.2 基于健康指标和改进NSA-BP 模型的SOH估算1647.5 算例结果分析1657.5.1 电化学参数辨识结果1687.5.2 变倍率储能老化工况下的电池模型和估算方法验证178参考文献184
|
| 內容試閱：
|
|
第1章绪论 随着智能电网的发展，故障诊断技术成为保障电力系统与电气设备安全和稳定的重要手段。电网和电力系统故障种类繁多，电网故障类型主要包括短路、断线、接地、过载等；电力系统故障类型主要分为短路、漏电、断路、变质。每种故障都可能对电力系统和设备的运行造成影响。为了有效应对这些故障，本章详细探讨多种诊断技术的发展和应用。 电网故障诊断依赖于多源数据，这些数据包括来自数据采集与监控系统（supervisory control and data acquisition，SCADA）、继电保护管理系统（relay protection management system，RPMS）、广域测量系统（wide area measurement system，WAMS）等的实时信息。 这些监测系统为故障诊断提供了全面的数据支持，使得故障检测、定位、识别和修复得以快速实现。本章分析常用的诊断技术，如专家系统、人工神经网络（artificial neural network，ANN）、粗糙集、贝叶斯网络（Bayesian network）等，每种技术都有其*特的优势和适用场景。 电力设备故障诊断与电网故障诊断类似，电力设备故障诊断通过应用专家系统、人工神经网络、粗糙集和贝叶斯网络等技术，能够有效识别和处理复杂故障，提高诊断的准确性和可靠性，从而保障电力系统的安全性。 近年来，深度学习技术在故障诊断中的应用逐渐受到重视。通过卷积神经网络（convolutional neural network，CNN）、递归神经网络（recurrent neural network，RNN）和长短期记忆（long short-term memory，LSTM）网络，可以自动提取和学习故障信号的特征，大大提高了诊断的效率和准确性。深度学习不仅降低了特征工程的复杂性，还能处理大规模数据，为电网和电力设备故障诊断提供了新的解决方案。 1.1电网故障类型与诊断技术 随着电网的不断发展和电力走向市场，人们对电网的安全运行和供电可靠性的要求越来越高。电力系统发生故障时，要求调度人员迅速准确地判别故障元件与故障性质，及时处理故障，恢复电力系统的正常运行。相应的，电网故障诊断是实现智能电网自愈功能的重要应用。自20世纪70年代面向系统层面的电网故障诊断开展研究以来，对电网故障诊断相关技术的研究成为国内外众多专家学者所关注的焦点。电网故障诊断是指对电力系统中发生的故障进行检测、定位、识别和修复的过程，其目标是迅速发现和解决电网中的异常情况，以保证电力系统的可靠性和稳定性。当电网发生故障时，监测系统采集到的海量故障警报数据从本地自动装置上送至调度中心，电网故障诊断技术能够迅速分析故障相关数据，发现故障原因，辅助调度运行人员及时进行事故分析与处理，快速恢复供电，保证了电网安全、可靠运行[1，2]。 1.1.1电网故障类型 1.按故障的性质分类 1）短路故障 短路故障是电力系统中常见且严重的一种故障。当两条或多条导线之间或导线与地之间发生直接电气连接时，会引起大量电流通过，可能导致设备损坏和电力中断。短路故障可以进一步分为①单相短路：一相导线与地或另一相导线短路；②两相短路：两相导线之间短路；③三相短路：三相导线之间短路。 2）断线故障 断线故障是指电线或导体在某个点断开，导致电路不通。这种故障通常会引起电压不平衡和供电中断。 3）接地故障 接地故障是指导线与地之间发生不正常的电气连接。接地故障会引起电力系统的不平衡和电压变化，可能导致设备损坏和电力中断。 4）过载故障 当电力系统中的电流超过设备或线路的额定容量时，就会发生过载故障。过载故障会导致设备过热，可能引发火灾或设备损坏。 5）电弧故障 电弧故障是指由于绝缘破坏或导体间短路而产生的电弧放电。这种故障通常伴随着高温、高压和火花，可能导致设备损坏和火灾。 6）谐波故障 谐波故障是指由非线性负载（如电力电子设备）引起的电流或电压波形畸变。这种故障会导致电力系统效率降低，设备过热和损坏。 7）频率波动故障 频率波动故障是指电力系统的频率偏离额定值（通常是50Hz或60Hz）。频率波动会影响设备的正常运行，严重时可能导致电力系统崩溃。 8）电压波动故障 电压波动故障是指电力系统的电压偏离额定值。这种故障会影响设备的正常运行，可能导致设备损坏和供电中断。 9）雷击故障 雷击故障是由雷电活动引起的电力系统故障，通常表现为过电压、短路或设备损坏。雷击故障常发生在输电线路和变电站中。 2.按故障发生的位置分类 1）发输变电系统故障 发输变电系统是电力系统的核心部分，负责发电、输电和变电的功能。主要故障类型包括：电机故障、输电线路故障和变电站故障。 2）配电系统故障 配电系统负责将电能从变电站输送到最终用户，主要故障类型包括：配电线路故障、配电变压器故障和开关设备故障。 3）用电系统故障 用电系统是指最终用户使用电力的部分，主要故障类型包括：用户设备故障、内部配电线路故障、接地故障及电能质量问题。 3.按故障持续时间长短分类 1）瞬时性故障 瞬时性故障是指在电力系统中持续时间非常短的故障，通常只持续几毫秒到几秒钟，并且可以通过自动重合闸装置自行恢复。一般是由外界因素引起的，如雷击、树枝接触和小动物接触等。 2）临时性故障 临时性故障是指持续时间稍长的故障，通常需要人工干预或简单的维修才能恢复正常运行，但不涉及严重的设备损坏。临时性故障发生的常见原因是线路接触不良、设备过载及绝缘材料受潮或轻微老化。 3）持续性故障 持续性故障是指在电力系统中持续时间较长且无法通过自动重合闸恢复的故障，一般需要进行维修或更换设备才能解决，通常是由重大设备故障或系统设计不合理等引起的。 1.1.2电网故障诊断技术 1.电网故障诊断数据源 电网发生故障可分为电气量变化、保护装置动作、断路器跳闸这三个阶段，各个阶段包含了大量反映电力系统故障的数据信息。这些数据信息的特性不同，因此需要利用不同的监测系统对其进行采集、存储和访问。电网故障诊断正是利用这些监测系统的数据信息来进行的，这些监测系统能够为电网故障诊断提供全面的数据服务，其中包含电网稳态、暂态、动态的数据和电网历史、实时的断面数据，以及电网的图形、拓扑等信息，涵盖了电网故障诊断对数据的全部需求。 早在20世纪60年代，SCADA开始应用于电力系统，这为面向系统层面的电网故障诊断的实现提供了数据基础。至20世纪80年代，随着计算机技术的发展，以SCADA提供的数据信息为基础，专家系统开始在电网故障诊断中得以应用。SCADA提供实时的遥信数据，早期的电网故障诊断以此为主要的数据来源，通过对SCADA中的相关遥信数据进行分析判断而得到诊断结果。SCADA的广泛应用促使电网故障诊断技术得以迅速发展，但其不能对暂态数据进行采集，只能利用保护、断路器等遥信数据进行事件分析，因而诊断结果的可信度对遥信数据的准确性和完备性依赖较大。 随着数字式保护等智能电子装置的普遍应用及故障录波信息网的建立，RPMS作为新的数据源被应用于故障诊断。RPMS提供的数据不仅包含了保护动作数据，而且包含了各厂站的录波暂态数据，从而丰富了故障诊断的数据来源，通过对录波暂态数据的计算分析可完成故障元件的直接判定。RPMS的引入提高了故障诊断分析的准确性，但由于RPMS的数据需要构建专用的信息采集通道送入调度中心，降低了故障诊断对此类暂态数据的使用效率。 WAMS利用同步相量测量单元（phasor measurement unit，PMU）采集和传输带有精确时标的电网断面数据，能够在电网故障时准确记录动态数据，实现电网动态过程的监视。自20世纪90年代以来，WAMS采集的数据也逐步应用于电网故障诊断领域。不同于SCADA与RPMS，WAMS所采集的数据带有精确的时标，且数据传输实时性更优，可为电网故障诊断提供更为精准的实时断面数据。但WAMS属于新技术，造价昂贵且部分关键技术还不太成熟，导致PMU布点密度不高，并且主要集中在220kV以上系统，阻碍了WAMS的数据在电网故障诊断系统中的实用化进程。近年来，中国各大电网均已开始广泛装设PMU，并制定了相关的技术规范。随着PMU实用化的逐步普及，以WAMS的数据为基础的电网故障诊断实用化研究具有广阔的前景。 随着智能电网建设的全面推进，大量自动化装置与系统被应用于电力系统中，使得故障诊断数据来源更加多样化。就目前而言，电网故障诊断所应用的数据信息主要来自SCADA、RPMS和WAMS。此外，地理信息系统（geographic information system，GIS）、用户故障报修系统、电力生产管理系统（power production management system，PMS）等也可作为补充或辅助的数据信息源应用于电网故障诊断[3—5]。 2.常用的故障诊断技术 目前，电网故障诊断指在各级调度中心通过对开关量和电气量这两类故障征兆信息进行分析判断，以确定故障元件和故障类型，并对保护和断路器的动作逻辑进行评价。电网故障时，在能及时获取故障征兆信息的前提下，采用不同方法处理不同系统提供的各类数据，衍生了不同原理的故障诊断方法。 1）专家系统 专家系统是一种基于人工智能技术的计算机程序，旨在模拟人类专家的知识和推理能力，用于解决特定领域的问题。它通过收集、组织和利用专家知识，能够提供针对特定问题的高质量建议和决策支持。专家系统通常由两个主要组件构成：知识库和推理引擎。知识库包含专家在特定领域中积累的知识和经验，以规则、事实或关联的形式进行表示。推理引擎则负责根据知识库中的规则和事实，进行推理和推断，从而产生问题的解决方案或决策结果。 专家系统是*早应用于电网故障诊断领域的智能技术，其将保护、断路器与设备的映射关系和专家经验知识相融合并采用规则表示。当电网故障时，通过将输入的告警信息与基于规则的专家知识库进行逻辑匹配以诊断出故障元件，并对推理过程及诊断结论进行相应的解释。 专家系统在电网故障诊断中的应用总体来说是比较成熟的，其对确定性信息具有较强的推理能力和故障解释能力。目前在其应用中仍存在一些缺点：面对规模和拓扑结构日趋复杂的电网，规则库的构建难以完备，并且在电网结构变化时，需对规则库进行相应更新，维护难度非常大；由于元件故障与表征故障的警报信息不存在一一映射关系，在信息不确定情况下所造成的故障征兆混叠现象异常严重，在此背景下对故障的准确辨识存在很多困难，需要进一步完善；基于单一规则知识的专家系统严重依赖待诊断系统本身的特征，不具备设备*立性，在复杂电网故障诊断推理中难以诊断专家经验之外的故障，而且在推理时需对规则库逐一进行逻辑匹配，诊断推理的计算量较大。 近年来，众多专家学者通过将其他智能技术如数据挖掘技术、知识网格技术、人工神经网络等与专家系统相结合，以改进专家系统在目前应用中的不足，取得了一定成效。然而，在实际应用中，通过人工对专家系统进行维护，维护工作异常烦琐，难以满足大规模电力系统在线故障诊断的需求。因此，未来进一步寻求与其他智能技术相融合，研究构建基于专家系统的具有一定噪声耐受能力和自维护、自学习能力的电网故障诊断系统非常重要。 2）人工神经网络 人工神经网络（ANN）是一种模拟生物神经系统的信息处理系统。它由大量的人工神经元（artificial neuron）组成，这些神经元通过连接权重（connection weig
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
