论文部分内容阅读
随着经济建设与环境污染间的矛盾日益凸显，大力发展风能、太阳能等绿色清洁新能源，积极推进能源供给侧结构性改革成为了我国经济长期平稳发展的首要任务。与此同时，风电场、光伏电场等间歇性能源的接入给电网的安全稳定运行也带来了极大的挑战。具有灵活调节能力的水电在电网中承担着调峰调频及事故备用的作用，保障水电机组安全稳定运行对电力系统健康发展具有重要意义。尾水管涡带引发的低频压力脉动是影响机组稳定运行的重要因素，精准识别尾水管涡带状态对机组故障预警及运行指导至关重要。基于时频分析和深度学习的智能识别方法因具有特征自提取及效率高等优点，在尾水管涡带状态识别领域具有广阔的应用前景。然而，现阶段由于缺乏足够的训练样本作为数据支撑，基于深度神经网络的尾水管涡带状态智能识别模型往往分类精度不高，这极大限制了深度学习在涡带状态识别上的应用。以现有样本数据为基础，寻找增强涡带状态智能识别模型性能的方法是解决这一问题的有效途径。
本文首先阐述了尾水管涡带产生机理及其时频特性，并对比分析了三种常见时频分析方法对低频压力脉动信号的表征能力，最终采用连续小波变换方法提取信号时频特征图像。其次，结合涡带时频特征图像特点，引入生成对抗网络学习原始样本数据分布，并针对具体任务优化网络结构及其损失函数，利用训练完成后的模型生成时频图像对原始训练集进行数据增强，有效缓解了训练集样本数量不足的问题。此外，针对现有样本数据特点，引入半监督学习方法训练涡带状态分类模型，充分利用未标记样本中的数据分布信息，使得分类模型具有更强的泛化性能与分类精度。
本文基于现有样本数据特点，提出了一种新的尾水管涡带状态识别方法，从数据增强和半监督学习两方面展开深入研究，针对尾水管涡带时频特征图像特征提取与涡带状态分类模型训练过程进行优化，通过实验验证了训练集数据增强和半监督学习均能有效增强尾水管涡带状态智能识别模型性能，两种策略合理协同作用，基于本文实测数据搭建的涡带状态分类模型整体识别率由91.79%提升为97.26%，其结果对工程实践具有重要参考价值。
最后，针对本文所做研究工作及不足之处做了总结，并对有待进一步研究的相关内容进行了展望。
本文首先阐述了尾水管涡带产生机理及其时频特性，并对比分析了三种常见时频分析方法对低频压力脉动信号的表征能力，最终采用连续小波变换方法提取信号时频特征图像。其次，结合涡带时频特征图像特点，引入生成对抗网络学习原始样本数据分布，并针对具体任务优化网络结构及其损失函数，利用训练完成后的模型生成时频图像对原始训练集进行数据增强，有效缓解了训练集样本数量不足的问题。此外，针对现有样本数据特点，引入半监督学习方法训练涡带状态分类模型，充分利用未标记样本中的数据分布信息，使得分类模型具有更强的泛化性能与分类精度。
本文基于现有样本数据特点，提出了一种新的尾水管涡带状态识别方法，从数据增强和半监督学习两方面展开深入研究，针对尾水管涡带时频特征图像特征提取与涡带状态分类模型训练过程进行优化，通过实验验证了训练集数据增强和半监督学习均能有效增强尾水管涡带状态智能识别模型性能，两种策略合理协同作用，基于本文实测数据搭建的涡带状态分类模型整体识别率由91.79%提升为97.26%，其结果对工程实践具有重要参考价值。
最后，针对本文所做研究工作及不足之处做了总结，并对有待进一步研究的相关内容进行了展望。