本书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，本书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本书所提方法的有效性，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，本书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。
样章试读
目录
- 目录
第1章 绪论 1
1.1 电网故障类型与诊断技术 1
1.1.1 电网故障类型 2
1.1.2 电网故障诊断技术 4
1.2 电气设备故障类型与诊断技术 10
1.2.1 电气设备故障类型 10
1.2.2 电气设备故障诊断技术 12
1.3 深度学习在电网故障与电气设备故障诊断中的应用 19
1.3.1 故障诊断发展历史 19
1.3.2 故障诊断步骤 22
1.3.3 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 29
2.1 电力电缆故障概述 29
2.1.1 故障原因 29
2.1.2 故障类型 30
2.1.3 检测流程 31
2.1.4 故障定位基本方法 31
2.2 机器学习理论 35
2.2.1 机器学习基础 35
2.2.2 SVM算法 36
2.2.3 BP 神经网络 38
2.2.4 递归神经网络 38
2.3 基于IWOA-LightGBM的电力电缆故障诊断 39
vi 深度学习与电力系统故障诊断技术
2.3.1 LightGBM基本原理 39
2.3.2 基于IWOA-LightGBM的参数优化 40
2.4 基于小波变换和CNN-BiLSTM的电力电缆故障定位 42
2.4.1 小波变换基本原理 42
2.4.2 去噪结果对比 43
2.4.3 深度神经网络基础模型 48
2.5 算例结果分析 51
2.5.1 基于IWOA-LightGBM的电力电缆故障诊断 51
2.5.2 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 63
3.1 电网接地故障检测 63
3.1.1 仿真模型搭建 63
3.1.2 基于相空间重构的故障特征提取 64
3.1.3 基于综合降噪策略的小波阈值降噪 67
3.2 结合迁移学习的故障识别 69
3.3 HIF识别流程 70
3.4 算例结果分析 71
3.4.1 图像识别网络选取 72
3.4.2 冻结层数确定 73
3.4.3 特征可视化及识别结果 74
3.4.4 算法性能检验 75
3.4.5 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 81
4.1 基于富样本的电源设备故障诊断 81
4.1.1 基于胶囊网络的电机变工况故障诊断 81
4.1.2 基于胶囊网络的故障诊断模型整体框架与训练策略 86
4.2 基于小样本的电源设备故障诊断 89
4.2.1 基于残差网络与高斯过程的电机小样本故障诊断 89
4.2.2 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 93
4.3 算例结果分析 95
4.3.1 基于富样本的胶囊网络识别电源设备故障诊断 96
4.3.2 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115
5.1 异采样频率下基于多任务学习的电机轴承故障诊断115
5.1.1 多任务学习基本概念116
5.1.2 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118
5.2 算例结果分析122
5.2.1 基于凯斯西储大学轴承数据集的故障诊断122
5.2.2 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133
6.1 基于通道注意力机制的电池健康状态诊断134
6.1.1 用户随机充电行为样本处理134
6.1.2 融入通道注意力机制的混合深度学习模型构建136
6.2 基于多周期神经底层展开分析的电池老化状态诊断140
6.2.1 燃料电池性能退化数据预处理140
6.2.2 多周期神经底层展开分析142
6.2.3 快速傅里叶变换143
6.2.4 神经网络底层展开分析143
6.2.5 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148
7.1 基于改进CCPSO算法的ESP模型双参数辨识148
7.1.1 改进CCPSO算法的基础构成148
7.1.2 改进CCPSO算法的电化学参数辨识流程152
7.2 基于IC-DV方法的双老化模式量化153
7.2.1 基于IC曲线的LAM量化155
7.2.2 基于DV曲线的LLI量化156
7.3 健康指标的相关性分析157
7.3.1 基于多维健康指标和SOH的皮尔逊相关性分析157
7.3.2 基于多维健康指标和SOH的灰色关联度分析158
7.4 储能电池簇的SOH估算方法159
7.4.1 改进NSA-BP模型的基础构成159
7.4.2 基于健康指标和改进NSA-BP 模型的SOH估算164
7.5 算例结果分析165
7.5.1 电化学参数辨识结果168
7.5.2 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
京公网安备 11010102004214号