本文是一篇电力论文，电力工程可承担单项合同额不超过企业注册资本金5倍的单机容量10万千瓦及以下的机组整体工程、110千伏及以下送电线路及相同电压等级的变电站整体工程施工总承包。（以上内容来自百度百科）今天为大家推荐一篇电力论文，供大家参考。
1 绪论
1.1 研究背景及意义
水电具有以下优点[1-2]：比火电更清洁，比核电更安全，比太阳能、风电等更低廉且更稳定，并且可以有效提高资源的利用率和社会的经济效益。近年来随着电力体制的不断改革，整个社会都积极加入到了水电的开发建设中，因而其得到了迅速发展。截至2017年底，我国的水电总装机容量超过3.41亿kW，水电年发电量超过1.1亿 kW h，总占比达18.3%。与此同时，我国自主生产的大型水电机组单机容量仍在不断突破极限。现在我国的水电总装机容量、水电年发电量均名列全球首位，同时还是在建工程最多、发展速度最快的国家，并处于全球水电开发的中心位置。表1-1是2005~2017年的相关统计数据。为达成“无人值班，少人值守”目标，必须不断改善电站本身的运行管理模式并提升其运管的现代化水平。水轮发电机组作为水电能源转化利用过程中的关键设备，其运行状态影响着整个水电站以及整个互联电力系统的安全可靠运行[3]。第一时间识别机组出现的问题，然后根据特定状况对机组各设备作状态检修与相应的维护保养，进而构建预测性维修系统等，这些均可使水电站与互联电力系统的运行状况更为安全、稳定与可靠，从而极大地提升相应的经济性。振动问题在水电机组中十分常见。无论机组为何种类型，在其运行过程中均会出现水平不一的振动，而且机组的各个设备都可能会产生振动[4]。严重的振动会破坏机组设备的平稳运行状态，进而减少设备以及某些部件的使用期限；此外，若导致压力管道等产生共振以及机组输出不稳定时，机组就不能继续正常运转。因此，可将振动作为识别机组实际状态的主要参数。大量数据证实，水电机组至少包含 80％的故障均可由非平稳的振动数据得以体现[5]。所以，通过重视并加强对水电机组振动数据的分析处理与故障诊断，可以帮助了解设备的实际情况及故障的发展趋势，及时发现并处理机组所存在的问题，从而有效避免突发性事故和渐发性事故的形成。
.........
1.2 国内外研究现状及发展趋势
1.2.1 国外研究现状
自20世纪50年代，由于信号处理、人工智能等日益兴起，关于设备的状态监测与故障诊断研究也得到了飞速成长。美国为首个进行此类研究的国家[9]。1961年，美国出现许多因设备故障而产生的重大事故，这使得有关部门开始关注设备故障这一问题，并因此而成立国家机械故障研究会；1967年，美国组建机械故障诊断预防小组，其主要使命便是研发设备的监测与诊断体系。接下来，该项技术最先被应用至电力系统的汽轮发电机组中，进而推广至水电机组。1976年，美国West-House开始发电厂在线诊断装置的研究，不久后研制出了GenAID专家诊断系统， 1981年又将人工智能引入其中，构建了新的专家体系，并于1984年将其投入实际电厂。美国Bently开始相对较迟，却在大型设备的在线监测与保护以及故障诊断领域里始终占据领先地位，其构建的振动监测和故障诊断体系ADR3已用于多个电厂，并且广受好评，其近期所研究的7200在线监测系统和故障诊断工程师辅助系统也深受用户喜爱。美国IRD对此也进行了深入研究，目前其推出的Amothyst振动诊断系统也已应用于很多电厂。英国对于设备监测与诊断的注重起源于以R*A*Colkcott为主的机械健康监测组织。目前英国Beran750/760监测系统以及频响分析仪已经在电站得以实际应用。1971年，瑞士ABB将计算机辅助数据采集装置（CADA）引入电站，并在此基础上研制出人机联系-振动观测（MMC-VibroView）体系，且取得了很好的诊断效果。VIBRO-METER公司开发的VM600系统和VIBR0501系统，可通过网络接口传输和浏览信息，已经广泛应用于振动参数监测及故障分析诊断。法国于上世纪80年代开始振动监测技术的研究，并于近期研发出PSAD系统，该系统可用于大容量发电机组的监测与诊断。上世纪末，丹麦B&K研制出3450型COMPASS装置，其性能更为宽泛，可同时对故障作识别及储存，还可以利用故障信息获取对应的位置并判断其严重程度。到20世纪末，加拿大VibroSystM开发出了Z00M200装置，其可对定子、压力、振动等多个参数作监测及诊断。德国Simens成功研制出EMENS／KMU装置，其可实现对汽轮机组的有效监测和诊断。
........
2 基于 FICA 的振动故障信号分离
2.1 独立分量分析（ICA）
盲源分离 (Blind Source Separation，BSS)[38]指利用未知源的统计特性，将实际测得的数据逐步剥离成若干个独立分量的方法。独立分量分析（Independent ComponentAnalysis，ICA）[39]是BSS的一种，该方法是由Jutten．C等人于1983年提出的，其实质是根据未知源的独立性与非高斯性，利用特定解混矩阵，从复杂的混合数据里分解出内蕴的多个有用分量。事先对待求信号进行去噪处理，也可把噪声当作一个未知源信号，对其与各个真实的源信号所构成的观测信号作以分析。
.........
2.2 快速独立分量分析（FICA）
快速独立分量分析法（Fast Independent Component Analysis，FICA）[41]属于ICA的一种，其通过批处理形式，大大提高了分离的速度和精度。在盲信号处理中，可利用非高斯性判别各个分量是否独立，且其为最大时可视为分解成功。当不同分量的方差相同时，高斯分量对应的熵最大，故可将熵当作衡量各个分量非高斯性的标准。目前最常用的为负熵。通过传感器采集的实际数据通常均具有一定的相关性，因而需要预先对其作去相关处理[43]。最常采用的为白化处理，该方法可有效去除实测数据间的相关性，使未知源信号的分离步骤更为简便。大量实验结果表明[44]，对信号作白化处理后的收敛性要远远好于未对信号作白化处理。
.......
3 基于 FICA-EEMD 的振动故障特征提取......19
3.1 经验模态分解（EMD）...........19
3.1.1 基本原理...............19
3.1.2 主要问题...............21
3.2 集合经验模态分解（EEMD）............22
3.3 基于 FICA-EEMD 的特征提取法........2
3.3.1 FICA-EEMD 方法............25
3.3.2 仿真验证...............26
3.4 本章小结............27
4 基于 IPSO-LSSVM 的振动故障识别与分类.............29
4.1 最小二乘支持向量机（LSSVM）......29
4.2 改进粒子群优化算法（IPSO）............35
4.3 IPSO-LSSVM 诊断模型.........37
4.4 基于 FICA-EEMD 法的 IPSO-LSSVM 诊断模型...... 38
4.5 本章小结............39
5 实例分析...........41
5.1 测点配置.............41
5.2 实测数据验证与分析....42
5.3 本章小结............51
5 实例分析
5.1 测点配置
IPSO-LSSVM模型的诊断精度可达100%，而GA-LSSVM、PSO-LSSVM这两种模型均出现误判，准确率均为90%；此外，IPSO-LSSVM诊断模型的运行时间为18.310857s，明显短于其他两种模型，运算速度更快。上述结果表明本文所构建的诊断模型不仅能够成功实现水电机组振动故障的准确分类，还可以有效提升诊断的速度与精度。本章以某水电站的实测振动数据为例，分别对上文提出的FICA-EEMD特征提取法、IPSO-LSSVM诊断模型进行验证，最终结果均与实际检修结果相符，证明上述理论与模型的正确性。
.........
结论
本文的主要成果及结论如下：
（1）利用FICA对水电机组的实测混合数据作以分离。FICA可以根据未知源的独立性与非高斯性，将未知的混合数据分离为多个独立分量，且几乎不受强噪音或强干扰的影响。仿真与实测结果均表明，FICA能够有效地将测量数据分成相互独立的振动分量，具有较好的实用性。
（2）将FICA和EEMD有效融合并作水电机组振动故障的特征提取。EEMD方法具有优良局部分析能力和自适应性，并且可以有效减少模态混叠。而与EEMD相比，FICA-EEMD能够更为精确、可靠地从混合数据里获取到真实的故障特征。因此，本文通过FICA-EEMD进行振动故障的特征提取，并将前6个IMF的归一化能量作为特征样本来构建诊断模型。
（3）构建了基于IPSO-LSSVM的水电机组振动故障诊断模型。针对LSSVM超参数的优化以及传统PSO存在的缺陷，对后者作以改进，然后利用IPSO确定LSSVM超参数，从而获得理想的故障分类器。#p#分页标题#e#
（4）应用FICA-EEMD方法对某水电站的实测振动数据作特征提取，并利用构建的IPSO-LSSVM模型对得到的特征数据作以识别，最终结果与电站实际检修情况相符，证实上述理论与模型具有一定的应用价值。此外，将本文所构建的诊断模型分别与GA-LSSVM、PSO-LSSVM模型进行了对比，证明了IPSO-LSSVM模型不仅具有更好的诊断效果，并且能够有效提高诊断速度及准确率。
..........
参考文献（略）
