混合神经网络在变压器故障诊断中的应用

针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。     

应用于光伏阵列故障诊断的DA-SOM算法研究

针对自组织映射SOM(self-organizing map)神经网络聚类性能易受其初始权值的影响,采用蜻蜓算法DA(dragonfly algorithm)优化SOM神经网络的局部权重失真指数LWDI(locally weighted distortion index),对神经网络的初始权值进行寻优.以光伏阵列故障数...     

基于K-means和SOM混合算法的高压断路器操作机构状态评估

为诊断高压断路器操作机构故障,文中基于分合闸线圈电流曲线,提出了采用K-means与SOM神经网络相结合的混合算法,对断路器操作机构进行状态评估。对某批次252 k V高压断路器操作机构进行分合闸线圈电流数据采集;建立了K-means与SOM神经网络相结合的混合算法模型;对测试的断路器操作机构进行状态分析。结果表明,混合算法能够将操作机构不同状态进行聚类,可将相同故障分在同一类别。并将混合算法模型与SOM神经网络模型和K-means模型作比较,结果表明,混合算法模型在计算速度和聚类准确率上都优于其他两种模型。     

基于改进集成聚类和BP神经网络的电压偏差预测

电能质量问题日益严重,其中电压偏差的危害最为明显。本文提出一种基于改进集成聚类和BP神经网络的电压偏差预测方法。针对单一聚类算法的不足,将AP聚类算法与经典K-means聚类算法结合,形成改进集成聚类算法,实现两类算法的优势互补,该算法包括PCA降维、AP聚类、K-means聚类三步。选择与待预测点相似相近的样本数据集,采用改进集成聚类算法对数据集中的气象数据进行聚类,提取训练样本,最后采用BP神经网络算法建立预测模型。结果表明,该方法预测结果平均相对误差为2.987%,优于传统BP神经网络预测模型以及结合PCA降维的BP神经网络预测模型。     

采用SOM的发输电系统可靠性综合评估快速算法

针对目前发输电系统可靠性综合评估算法中蒙特卡罗仿真效率不高的问题，提出了一种利用模糊自组织映射(SOM)神经网络进行状态筛选的可靠性快速评估算法。SOM神经网络具有拓扑特征保持性质，经过训练后的SOM网络具有模式聚类能力，即不同的运行模式被映射到输出平面的相应位置，因而能对暂态稳定性进行判别。由于SOM具有学习训练时间短的优点，因而特别适于可靠性评估。将模糊SOM网络和序贯蒙特卡罗仿真结合在一起对系统状态进行筛选，首先将明显不失稳的无效系统状态筛掉，大大减少了需要完全评估的系统状态数，从而显著提高了综合评估的效率。通过对IEEE—RTS标准算例系统的计算，结果表明所提算法快速有效，具有良好的应用价值。     

基于AMI大数据和自组织映射网络的电力市场用户特征研究

随着智能电网的发展和AMI系统的应用,电网数据量大大增加,海量电网大数据一方面有助于电网运行、调度策略的制定,一方面也大大增加了数据处理的难度。为此采用自组织映射神经网络(Self-Organizing Map,SOM)模型,基于实际电力用户的消费数据进行了用户消费行为模式分析和识别,同时利用主成分(PCA)模型结合k均值聚类的方法与SOM模型进行对比。结果表明SOM模型在数据降维、用户行为模式识别方面具有一定优势,实际算例结果表明SOM模型效果优于PCA模型,研究结果可为电力大数据处理方法和用户行为模式识别提供参考。     

干扰条件下基于改进SOM故障诊断研究

针对机载电子设备在噪声干扰条件下故障诊断效果不佳的问题，基于自组织特征映射网络（SOM），提出了改进的SOM的网络算法，该算法在标准SOM网络的基础上引入了滤波算法进行初级降噪处理，然后进行阈值学习，重新定义了邻域函数和学习率，最后以故障评价指标为基准进行故障的隔离定位。在高斯白噪声条件下以某型飞机前端接收机的故障数据为例建立诊断模型。通过聚类和网络训练等仿真测试实验得到了故障模式的分类和隔离。同时通过与其他方法的性能比较验证了SOM神经网络在高斯白噪声干扰条件下故障诊断中的有效性、准确性和鲁棒性。     

基于PCA时间延迟神经网络的BOD在线预测软测量方法

针对污水处理过程中关键水质参数无法在线监测的问题,提出了基于主元分析PCA时间延迟神经网络的污水水质BOD在线预测软测量方法.该方法由三部分组成:主元分析PCA、时间延迟神经网络、软测量模型的在线校正.其中离线模型采用GABP算法训练,仿真结果表明该方法可以实现污水水质的在线预测,具有实时性好,稳定性高,精度高,校正方便等特点.     

基于SOM 神经网络算法的配电台区低压出线终端设计

针对配电台区低压出线终端的用户关系容易变化的问题,提出了一种基于 SOM 神经网络算法来获取配电台区拓扑结构的算法,通过更新低压配电台区的拓扑结构来发现配电台区的故障,进行故障修复.     

一种广义S变换及模糊SOM网络的电能质量多扰动检测和识别方法

针对暂态电能质量电压多扰动信号的检测与分类问题,提出一种基于广义S变换及模糊SOM神经网络的暂态电能质量检测和识别方法。针对常见的电压多扰动信号,特别是两种扰动叠加的情况,采用广义S变换对扰动信号的时频特征进行提取,并取变换后的时间幅值平方和均值和特征频点作为神经网络的输入样本,采用模糊SOM神经网络进行训练,再用新的多扰动数据进行网络检验。仿真与实验结果表明,广义S变换能有效提高电能质量多扰动特征检测,模糊SOM神经网络能精确对其进行分类,该方法能够较好的解决电压多扰动叠加情况的定性和定量分类问题。     

SOM神经网络和C-均值法在负荷分类中的应用

负荷时变性和分散性已经成为制约负荷模型推广应用的主要因素,而负荷特性分类则是解决这个问题的有效途径.文中提出基于SOM神经网络的C-均值聚类算法的新的负荷分类方法:以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对初始训练样本进行分类,将获得的聚类数目和各类中心点作为C-均值算法的初始输入进一步聚类.最后...     

基于自组织映射神经网络的电力用户负荷曲线聚类

电力用户负荷曲线的聚类是形成合理电价体系和实施负荷管理措施的基础。文中基于自组织映射（SOM）神经网络进行低压终端用户的负荷曲线聚类研究。首先定义并提取功率曲线、分时功率、功率频谱3类向量,分别作为SOM神经网络的输入进行可视化聚类。采用相对量化误差和拓扑误差2个指标表征聚类质量,选取聚类结果最好的SOM输出层结合 k均值法进行用户负荷曲线划分。根据Davies指标将所研究的131条曲线划分为8类,对每类曲线进行描述。最后进行新用户的识别,结果表明聚类方法有效、可靠。     

基于改进ELM神经网络的客户满意度评价模型

使用一种动态递归网络——ELM神经网络来模拟专家打分进行电力客户满意度测评。仿真结果表明,ELM神经网络具有训练速度快和结构简单的特点,能较准确地反映客户满意度。同时,针对ELM神经网络基于梯度下降算法调整权值和阈值,容易陷入局部最优的缺陷,提出了利用入侵杂草算法(IWO)优化ELM神经网络的连接权值系数。神经网络权值优化是一个大规模多峰优化问题,已有文献证明IWO算法对于解决高维度、多峰优化问题具有明显优势。新方法有效弥补了单一算法的不足,拥有ELM神经网络动态记忆的能力以及入侵杂草算法全局收敛性强的特点。实例计算证明,改进ELM神经网络可以建立精度更高的电力客户满意度评价模型,保证专家评价系统的一致性和稳定性,是一种行之有效的评价方法。     

Intelligent islanding detection of a synchronous distributed generation using governor signal clustering

Detection of intentional and unintentional islanding of distributed generation units is one of the major protection issues of the distribution networks. Regarding the safety and reliable operation of a modern distribution network, an expert diagnosis apparatus is required to distinguish network cut off from variety of normal occurrences. Automatic load-frequency controller (ALFC) is an indispensable component of the synchronous generators. Simulation results show that input signal of the governor includes somewhat singular characteristics for each possible phenomenon or disturbance. Therefore, a new method based on Self-Organizing Map (SOM) neural network is proposed using input signal to the governor to cluster various occurrences into islanding and non-islanding categories. Simulation results presented in this paper shows that the input signal of the governor employed by a SOM can cluster a majority of occurrences of the system and distinguishes the islanding phenomenon with high confidence.     

The load characteristics classification and synthesis of substations in large area power grid

It is very difficult to build load model for every substation since there are numerous substations in large area power grid. A practical method is to classify the substations into several classes, pick out a typical substation from each class and build its load model, then generalize it to other substations of the same class. In this paper, a new method based on SOM (Self-Organization Map) neural network is presented for load characteristics classification and synthesis of substations in large area power grid. SOM neural network is a clustering method with self-organizing characteristics and mapping capability that can classify different input patterns automatically. Besides, the trained SOM neural network can discriminate the new input pattern conveniently without retraining. Therefore, the new substations can be discriminated with the existing classification result unchanged. The effectiveness of the proposed method is verified by a simulation of 183 220 kV substations in Shandong power grid using MATLAB Neural Network Toolbox. At first, the load composition rate in each substation is chosen as the feature vector, then SOM neural network is introduced to the classification and synthesis of the load characteristics of substations. At last, the synthetic load characteristic of each class is derived from the cluster center. The result is satisfactory since the method not only decreases the randomness and subjectivity of the load characteristic classification and synthesis of substations, but also improves the effectiveness and efficiency of load modeling. The method offers a new way for practical load modeling.     

基于电厂工况划分的双层聚类算法研究

以利用火电厂实时数据的工况划分为对象,提出了一种基于SOM网络模型和改进K-均值算法的双层聚类算法。海量数据通过SOM网络的压缩,神经元保持了与原始数据的相同结构;再利用优化了初始聚类中心和可自适应调整到最佳K值的改进K-均值聚类算法,将神经元进一步聚类。实现了在较短时间内合理划分电厂生产过程工况的目标。     

自组织映射神经网络用于暂态稳定性分析的研究

对几种形式的自组织映射神经网络进行了集中介绍,并对自组织特征映射（SOFM）神经网络和学习矢量量化（LVQ）神经网络在电力系统暂态稳定模式识别中的应用性能进行比较。利用SOFM网络输出层聚类信息对不同ANN输入特征量的选取效果进行了直观的比较。在这些比较的基础上,利用Kohonen网络“无监督聚类、有监督学习”的工作方式,给出一种基于Kohonen网络的复杂系统在线事故筛选和发电机功角预测方法。利用华中电网的数据对这种网络进行了大量的计算,计算证实了该方法的有效性。