LIF技术与ELM算法的电力变压器故障诊断研究

电力变压器油的检测分析是电力变压器故障诊断的有效方法,快速识别电力变压器油的油样对电力变压器故障诊断工作有重大意义。常规的电力变压器油的检测技术主要是气相色谱法,此方法操作比较复杂,且不适合在线检测,不能及时发现变压器的故障隐患。提出一种激光诱导荧光光谱（LIF）技术与极限学习机（ELM）算法的电力变压器故障诊断研究的方法。实验采集四种油样,分别为热性故障油、电性故障油、局部受潮油以及原油。使用激光发生器激发油样而发射荧光,获取不同油样光谱数据,采用MSC、SNV预处理算法对光谱数据进行处理,防止噪声等因素干扰。随后,利用KPCA和PCA降维,主成分个数皆取5,KPCA处理后显示MSC预处理的累计贡献率最高,为99%,经MSC预处理的PCA模型累计贡献率依然达到95%以上,Original-KPCA与Original-PCA模型的累计贡献率均达到65%以下,可以发现,采用预处理的模型,累计贡献率均有上升。最后,分别对两种降维后的数据利用ELM进行回归拟合。实验表明,KPCA、PCA两种降维方式,KPCA算法表现性能较好,处理数据时间更短,提高了模型的可靠性和效率。同KPCA降维方式下,MSC-ELM模型的拟合优度R2为0.999 41,均方误差MSE为0.074%;SNV-ELM拟合优度R2为0.999 08,均方误差MSE为0.129%;Original-ELM拟合优度R2为0.996 95,均方误差MSE为0.399%;对比可以发现MSC比SNV处理后的效果更好,MSC-KPCA-ELM模型表现效果最佳,预测值与真实值更为接近,均方根误差最小。结果证明,MSC-KPCA-ELM模型结合激光诱导荧光光谱技术更加适用于对电力变压器是否发生故障的快速诊断,精确判断为哪种故障类型,保障电力设备的运行安全。     

LIF结合LSTM神经网络的矿井水源识别

矿井水害对煤矿安全生产存在巨大威胁,所以快速识别矿井突水水源,对煤矿水灾预警及灾后救援工作开展都有重大意义。激光诱导荧光（LIF）技术具有快速、高效、灵敏度高等特点,克服了传统水化学方法识别时间长的缺点。循环神经网络（RNN）在解决长序列训练过程中产生的梯度消失、梯度爆炸等问题上存在明显不足,而特殊变体RNN即长短期记忆（LSTM）神经网络很好地弥补了RNN的短板及缺陷。提出了将LIF技术与LSTM算法相结合,应用在矿井突水水源快速识别中。实验样本采自淮南矿区,以砂岩水和老空水为原始样本,并将砂岩水和老空水按照不同比例混合配置成5种混合水样,共7种待测水样进行实验。首先采用最大最小值归一化（MinMaxScaler）、平滑滤波（SG）以及标准正态变量变换（SNV）三种预处理方法对原始光谱数据进行预处理,减少原始光谱数据存在的噪声和干扰信息。之后为防止数据量过大,维度过高,将包括原始光谱数据在内的四组数据再进行LDA降维至3维。最后分别搭建LSTM识别模型,从测试集预测准确率、训练集准确率变化趋势以及训练集损失函数变化趋势三个方面进行比较,选择最优模型。其中SG+LDA+LSTM和Original+LDA+LSTM在测试集预测准确率上都能达到100%,MinMaxScaler+LDA+LSTM测试集预测准确率在98.57%,SNV+LDA+LSTM准确率最低,只有87.14%;在训练集准确率变化趋势表现上,SG+LDA+LSTM能够保持良好的学习,很快达到100%,Original+LDA+LSTM和MinMaxScaler+LDA+LSTM也能达到100%的准确率,但在前几次训练过程中会有准确率下降的情况出现,SNV+LDA+LSTM训练集准确率在训练次数内并未达到100%;SG+LDA+LSTM损失函数变化趋势也具有很好的收敛性和稳定性,Original+LDA+LSTM,MinMaxScaler+LDA+LSTM以及SNV+LDA+LSTM在损失函数变化趋势上表现并不出色。结果表明,4组模型中,SG+LDA+LSTM模型是最适合应用于矿井突水识别,该方法补充了矿井突水水源识别工作的内容,为矿井突水识别提供了新的思路。