基于果蝇算法优化的概率神经网络在变压器故障诊断中的应用

传统的变压器故障诊断方法存在编码不全,容易错判漏判的缺点。随着变压器在线监测技术的发展和产品需求的增加,变压器故障诊断技术朝着智能化的方向发展。为提高故障诊断率,结合油中气体分析法,本文提出了一种基于果蝇算法优化的概率神经网络模型的变压器故障诊断方法。作为一种新型的启发式和进化式算法,果蝇优化算法具有易理解和快速收敛到全局最优解的优点。概率神经网络结构简单、训练简洁,具有强大的非线性分类能力,将样本空间映射到故障模式空间中,从而形成一有较强容错能力和机构自适应能力的诊断网络。采用果蝇算法对模型参数进行优化,减少人为因素对神经网络设计的影响。仿真实验证明这种基于果蝇优化算法的概率神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断供了一条新途径,具有良好的研究价值和发展前景。     

气相色谱和神经网络在机车故障诊断中的应用

为诊断电力机车变压器的故障类型,以提高铁路系统的安全性,提出了一种基于模糊控制的BP神经网络模型.首先应用气相色谱技术,分析变压器油中特征气体含量与故障之间的对应关系,确定电力机车变压器常见的故障类型;然后,收集各种故障类型数据,作为神经网络的训练样本数据和测试数据;最后,建立改进BP神经网络的诊断模型,实现测试数据的仿证测试.诊断结果表明,该模型在电力机车变压器故障诊断中具有良好的实用前景.     

引用神经网络的变压器故障诊断专家系统

针对传统专家系统和神经网络在变压器故障诊断领域应用中的局限性，提出了将两者结合起来的集成的故障诊断系统，并介绍了系统的结构以及神经网络的构造。实践证明网络的学习时间明显缩短，推理效率明显提高。     

基于VPMCD的变压器故障诊断方法

针对传统的变压器故障诊断方法诊断速度低、诊断精度差等缺点,设计了基于变量预测模型的模式识别方法(Variable Predictive Model Based Class Discriminate,VPMCD)来实现变压器故障诊断。首先提取训练样本的特征值,其次针对特征值之间的内在关系选择合适的变量预测模型,并通过最小二乘法估计模型参数,然后将建立的模型运用到测试样本中检验它对变压器故障的分类和诊断能力。实验证明,与径向基神经网络相比,基于变量预测模型的模式识别方法具有诊断速度快,误诊率低等优点。     

两种前向神经网络在变压器故障诊断中的应用

针对依靠变压器油中溶解气体分析的传统故障诊断方法存在的不足以及未来智能诊断算法进一步发展的需要,在研究人工神经网络的基础上,介绍了两种前向神经网络在变压器故障诊断中的应用,并用大量的DGA样本数据做了仿真训练;首先讨论了几种常用变压器故障诊断方法的一些缺陷,通过分析现代智能诊断算法的局限性,得出改进人工神经网络的优势;然后结合两种前向神经网络的原理和结构,对变压器内部故障进行了分类和编码;分别设计了相应的故障诊断模型,在MATLAB中做了仿真测试,并给出了仿真程序;仿真结果表明,两种神经网络用于变压器故障识别较为理想,其中PNN网络在样本数量较多时效果更好,有效提高了变压器故障诊断的正确率。     

基于神经网络的变压器故障诊断方法研究

针对概率神经网络(PNN)模型强大的非线性分类能力,PNN能够很好地对变压器故障进行分类;文章通过对PNN神经网络的结构和原理的分析,应用PNN概率神经网络方法对变压器故障进行诊断;通过实例仿真表明,PNN网络的训练时间比BP网络少,比之预测准确度也要高,而且还具有高度的泛化能力,这使得PNN网络可以有效地运用到变压器故障诊断中,具有一定的可操作性。     

可拓神经网络在变压器故障诊断中的应用

可拓神经网络是一类新的神经网络,它结合了可拓学理论和人工神经网络技术。可拓神经网络已经在模式识别、故障诊断、分类聚类等领域有了成功的应用。针对变压器故障诊断的特点,提出一种基于可拓神经网络的电力变压器故障诊断方法。介绍了可拓神经网络;构造了基于可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点。该方法具有一定的应用及推广能力。     

基于模糊神经网络的故障诊断方法及应用

在变压器色谱分析数据的基础上,将模糊理论和神经网络引入电力变压器故障诊断中,提出了新的故障诊断方法,设计了故障综合诊断模型.仿真表明该方法是一种有效可行的方法,提高了故障的识别率,具有实用价值.学习样本越多,所反映的故障类型越全面,则所建立起的故障诊断模型越合理,诊断准确率就越高.     

基于遗传算法小波神经网络的电力变压器故障诊断

本文提出了一种基于遗传算法小波神经网络的变压器故障诊断方法。首先构造了基于Mexicohat小波的小波神经网络,其次利用遗传算法优化小波网络的参数,并将其应用到基于溶解气体分析的变压器故障诊断中,最后通过实例证明了本方法的有效性和可行性。     

基于知识图谱的电力变压器绝缘故障监测方法

通过传感器采集电力变压器数据，只能获取当前运行数据，导致变压器绝缘故障监测结果与实际情况不一致，为此提出基于知识图谱的电力变压器绝缘故障监测方法。采用RBF神经网络建立了变压器绝缘故障监测模型；依据知识图谱三元组成和生命周期，设计数据抽取步骤，抽取变压器历史数据，构建电力变压器知识图谱；设置变压器温度和功率值，设计故障监测步骤，实现变压器绝缘故障监测。实验结果表明：本文方法在案例1和案例2中，监测变压器绝缘故障产生原因与案例设置原因一致，监测效果较好。     

神经网络在变压器故障诊断中的应用研究

解决溶解气体分析法在变压器故障诊断中准确率不高之难题,采用人工神经网络方法和基于动量因子技术的改进BP网络训练算法,建立了一具有较强的学习能力、泛化能力和适应能力的BP神经网络模型.通过MATLAB仿真实验,结果表明此神经网络能较准确的对变压器故障进行诊断,具有一定的应用及推广价值.     

基于混合pi-sigma神经网络的故障诊断

由于电力变压器故障的模糊性和多样性,目前利用IEC三比值法在变压器故障诊断中存在准确率不高之难题.针对电力变压器的特点,综合考虑各因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于混合Pi-sigma神经网络及其算法的变压器故障诊断模型,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.用训练过的混合pi-sigrna神经网络模型对变压器故障进行验证和诊断的仿真结果表明,算法具有较快的收敛速度和较高的计算精度.证实了算法应用于电力变压器故障诊断的有效性.     

基于极限学习机的变压器故障快速识别

针对基于传统神经网络的变压器故障识别诊断方法存在网络收敛慢、易陷入局部极小点和网络参数难确定的缺点,提出了一种基于极限学习机的电力变压器故障快速识别方法。该方法以变压器油中用于故障类型分析的5种主要溶解气体含量作为输入特征量,5种常见变压器状态作为输出量建立分类识别模型。实验结果显示,该方法的识别准确率比支持向量机高12.5%,识别速度是支持向量机的2.6倍,比概率神经网络快5.5倍以上,表明该方法对变压器故障的识别快速而有效。     

基于LVQ网络的电力变压器故障诊断

本文提出了一种基于学习矢量化(Learning Vector Quantization)神经网络分类器结合油中溶解气体分析(DGA)的变压器故障诊断方法,把故障信号的训练样本输入到LVQ网络中进行训练,利用网络的竞争性将分类信息转变成使用者所定义的类别.训练和测试结果表明了该方法的有效性.     

变压器常见故障及人工神经网络在其诊断中的应用

本文介绍变压器的几种常见的故障类型及其产生的原因，并利用人工神经网络和模糊理论来对其的故障进行诊断，有效地判断电力变压器的内部故障，保证了变压器的安全运行。     

基于灰色区间的神经网络在复杂系统故障诊断中的应用

复杂系统变压器的油中溶解气体分析是变压器绝缘寿命估计和绝缘故障诊断的重要依据,针对传统BP算法收敛速度慢,学习效率低等缺点,运用灰色系统理论,通过缩小神经网络输入样本的灰色区间,避免输入样本矢量的无限制增长,提高了神经网络学习性能,加快了网络的收敛速度;在此基础上,提出了一种基于灰色区间神经网络的变压器故障诊断模型;实例诊断结果表明,该模型能够快速找出故障类型而且能确定故障部位,具有很高的故障诊断率,并且大大提高了收敛速度,验证了其有效性。     

基于时间-频率诊断方法的高压脉冲变压器的绝缘系统评估研究

基于理论和实验对电力变压器绕组故障进行了分析。变压器绕组故障一般是由于短路电流的机械效应引起的，频率和时间诊断方法(SFRA方法-扫频响应分析，冲击测试)广泛应用于变压器的测量和故障诊断。通过SFRA方法和时间冲击实验对变压器绕组的线圈进行了诊断，该方法优势在于其对线圈的细微变形有很大的敏感性。同时，引入了一种基于不同类型的电力高压变压器诊断技术来分析短路电流的影响。分析表明，短路电流的大小对电力变压器的运行状况有重要联系。该方法也可用于其他类型的变压器。此外，所提出的技术还可以拓宽应用于电机等电气设备的故障诊断。     

基于RM-MPSO-ELM的变压器故障自动化诊断技术

为提高变压器故障诊断准确性，提出一种基于改进粒子群极限学习机算法（RM-MPSO-ELM）的变压器故障自动化诊断技术。利用一系列采集工具和气相色谱仪获取变压器故障样本数据，应用主成分分析法对变压器故障样本数据进行突出特征指标选取，降低数据维数，最后利用改进粒子群求取极限学习机中两个最优初始输入权值和隐层阈值，并利用优化的极限学习机实现变压器故障自动化诊断。应用所研究诊断技术后，变压器平均故障诊断准确率达到95.18%，应用效果良好。     

基于径向基神经网络的变压器故障诊断

研究了一种基于RBF神经网络的电力变压器故障诊断方法。该方法采用目前应用较多的隐含层为径向基函数的最小正交二乘法训练人工神经网络,克服了BP算法易陷入局部极小、收敛速度慢的缺点。利用MATLAB仿真实现,结果表明该方法具有速度快、诊断精度高等优点,能有效地运用于电力变压器故障诊断中。     

基于改进PSO优化PNN网络的变压器故障诊断方法

根据变压器产生故障时特征气体和故障类型的非线性关系,结合油中溶解气体分析方法,采用了基于改进粒子群-概率神经网络(PNN)的故障诊断方法.针对PNN网络平滑因子按照经验选取的不足,以及使用粒子群优化(PSO)该参数时搜索精度低、容易早熟收敛等缺点,改进粒子群引入遗传算法的变异操作,并在迭代中对惯性权重动态调整和加速因子的线性变化,并用于训练PNN神经网络平滑因子集合;然后将改进PSO-PNN神经网络应用于变压器故障诊断中,通过诊断测试验证了该方法的有效性.