基于改进PSO-BP混合算法的电力变压器故障诊断

将改进的粒子群优化(PSO)算法与误差反向传播(BP)算法相结合构成混合算法训练人工神经网络。改进的PSO算法中,惯性权重从最大到最小线性减小,以平衡局部和全局搜索能力,并将类似“选择”的概念引入PSO算法,使该算法更好地协调全局和局部搜索能力,有利于更快寻找到全局最优点。该算法有效地解决了常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点。将该算法应用于变压器故障诊断,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。     

电力变压器的智能故障诊断研究

将基于改进遗传算法（IGA）和误差反向传播（BP）算法相结合构成的IGA-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和传统GA算法独立训练神经网络的缺陷,并应用于电力变压器溶解气体分析的智能故障诊断。实验诊断结果表明,IGA-BP混合算法的收敛速度快于BP及GA算法,并且具有较高的诊断准确率。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

GA-BP混合算法在变压器色谱诊断法中的应用

将一种改进的遗传操作与人工神经网络相结合的混合算法应用于电力变压器的故障诊断,有效地解决了常规BP算法易陷入局部极小、收敛速度慢和基本遗传算法早熟等缺点。实例仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。     

基于L-M算法的BP网络在变压器故障诊断中的应用

针对传统 BP 神经网络算法在变压器故障诊断中存在的收敛速度慢、容易陷入局部极小值的问题,通过对基于Levenberg-Marquardt 算法的 BP 神经网络进行深入研究,并最终应用于变压器故障诊断.该算法通过优化 BP 神经网络的搜索方向,加快了网络训练速度,提高了网络训练的精度.通过对实例数据仿真,证明了本方法能够有效地诊断出变压器的故障,为变压器故障诊断提供了一条新途径.     

基于GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.     

遗传神经算法在电力变压器故障诊断中的应用

利用遗传算法的全局搜索性能和BP算法较强的局部搜索能力,提出一种收敛速度快的改进遗传神经混合算法,并应用于油中溶解气体分析的电力变压器故障诊断中,实际结果表明,该算法能对电力变压器各种故障进行有效分类,并具有较快的收敛速度和较高的诊断精度。     

基于L-M算法的BP网络在变压器故障诊断中的应用

针对传统BP神经网络算法在变压器故障诊断中存在的收敛速度慢、容易陷入局部极小值的问题,通过对基于Levenberg-Marquardt算法的BP神经网络进行深入研究,并最终应用于变压器故障诊断。该算法通过优化BP神经网络的搜索方向,加快了网络训练速度,提高了网络训练的精度。通过对实例数据仿真,证明了本方法能够有效地诊断出变压器的故障,为变压器故障诊断提供了一条新途径。     

基于模拟退火改进粒子群混合算法的变压器故障诊断

针对传统的变压器故障诊断方法在实际应用中存在的一些不完善性和局限性,笔者将基于模拟退火思想的改进粒子群优化(SAPSO)算法和误差反向传播(BP)算法相结合构成的SAPSO-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和PSO算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断。实验诊断结果表明,SAPSO-BP混合算法的收敛速度快于BP及PSO-BP算法,并且具有较高的诊断准确率。     

基于粒子群优化神经网络的变压器故障诊断

为克服电气分析应用中误差反向传播(BP)神经网络存在的不足,提出了一种利用改进粒子群算法优化神经网络的变压器故障诊断新方法。该法的惯性权重自适应调整,以平衡局部和全局搜索能力;收缩因子加快算法的收敛速度,有利于更快地收敛于全局最优解。利用改进的粒子群算法优化神经网络参数,并结合BP算法训练网络可有效地克服常规BP算法训练网络权值和阈值收敛速度慢、易陷入局部极小和遗传算法独立训练神经网络速度缓慢等缺点。最后,进行变压器故障实例分析的仿真结果表明,该算法具有较快的收敛速度和较高的诊断准确度,证实了该方法的正确性和有效性。     

遗传算法改进的BP神经网络对汛期三门峡水库泥沙冲淤量的计算

本文针对BP神经网络收敛速度慢和易于陷入极小值的问题，采用将遗传算法全局寻优和BP神经网络局部寻优相结合的方法，提高了BP神经网络的计算精度和收敛速度。应用该模型和一般BP神经网络模型对汛期三门峡水库的泥沙冲淤量进行了计算和预测。数值结果对比发现，经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时，迭代次数比一般BP神经网络模型也大大减少。因此适用于求解如计算水库泥沙冲淤量等非线性问题。     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法。利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力。将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型。利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.