基于邻域粒子群优化神经网络的变压器故障诊断

为了提高变压器故障诊断正判率,提出了一种邻域粒子群算法优化BP神经网络的电力变压器油中气体分析(DGA)方法,即通过相关统计分析和数据的预处理,选择变压器油中典型气体作为神经网络的输入,然后利用训练好的邻域粒子群算法优化后的神经网络进行变压器故障类型诊断。试验结果表明,该类方法具有很好的分类效果,较好地解决了变压器放电和过热共存时故障的难分辨问题,对故障类型的正判率较高。     

基于改进粒子群优化神经网络的电力变压器故障诊断

为了提高电力变压器故障诊断的准确性,采用了一种自适应变异粒子群优化神经网络的方法,用于BP网络的权值优化。并根据变压器的故障特征,用优化好的BP网络进行故障诊断。该算法修正了粒子个体行动,克服了标准粒子群和BP网络易陷入局部极小的问题。实例仿真结果表明,该方法具有较好的分类效果,具有一定的实用性。     

基于改进量子粒子群优化模糊聚类的变压器故障诊断方法

对电力变压器进行高效准确的故障诊断可有效保障电力系统安全、稳定运行。为提高变压器故障诊断正确率,提出了一种基于改进量子粒子群优化模糊聚类的变压器故障诊断方法。采用遗传算法杂交概率的思想改进量子粒子群算法提高算法收敛速度、防止陷入局部极值,克服模糊聚类算法易受初始值影响的不足,进而实现对变压器高效、准确的故障诊断。以变压器油中典型气体作为故障特征量,选取68组数据建立故障集,采用改进量子粒子群算法寻找最佳初始聚类中心,并将其应用于3种不同数据组进行验证,实验结果表明文中所提方法的有效性。     

基于DGA的QPSO-BP模型变压器故障诊断方法研究

为了提高变压器故障诊断的准确率,提出一种基于量子粒子群优化BP神经网络(quantum particle swarm optimized BP neural network,QPSO-BP)的故障诊断模型。在该算法中,用量子位的概率幅表示种群中各粒子的当前位置,用量子旋转门实现粒子位置的移动,用量子非门进行变异操作,以获取BP神经网络的权、阈值优化参数,最终实现了变压器故障诊断模型的构建。对故障DGA样本的诊断实例表明,与粒子群优化BP网络(particle swarm optimized BP neural network,PSO-BP)法、BPNN法以及IEC三比值法相比,QPSO-BP算法具有更高的诊断正确率,从而实现了变压器故障模式的有效识别。     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

改进支持向量机在电力变压器故障诊断中的应用研究

针对电力变压器故障诊断中状态量判断指标过于绝对、智能算法准确率受参数影响等问题,在分析电力变压器故障的基础上,提出将支持向量机(Support Vector Machine,SVM)和细菌觅食算法(Bacterial Foraging Algorithm,BFA)相结合用于电力变压器的故障诊断方法。通过细菌觅食算法的寻优能力找到最优的支持向量机惩罚因子和核参数,提高了故障诊断能力。通过仿真和实例进行对比分析,验证了该方法的优越性。结果表明,相比于粒子群优化,细菌觅食算法具有更好的寻优能力。基于BFA-SVM的故障诊断模型,相比于改进前,具有更高的准确性、鲁棒性和寻优能力,故障诊断准确率相比于粒子群优化提高了7.50%,具有一定的实用价值。     

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。     

改进PSO-SVM算法的变压器分接开关故障诊断

研究了电力变压器有载分接开关的故障诊断问题。对变压器分接开关的故障特性及原因分析后,考虑到传统支持向量机在诊断过程中效率低下、精确度差等缺点,提出了一种改进粒子群(PSO)优化支持向量机(SVM)的故障诊断方法。首先,对粒子群算法的惯性权值和学习因子做了相应改进,克服了PSO算法后期迭代精度不高的缺点;然后,利用改进后的PSO算法优化支持向量机的主要参数;最后,仿真结果表明,改进的PSO SVM算法的诊断精度和速度均高于传统诊断方法,更适合在变压器分接开关诊断中应用。     

基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。     

基于优化神经网络和DGA的变压器故障诊断

人工神经网络技术已经在变压器的状态诊断得到应用,为了克服故障分析中BP神经网络存在的不足,提出了一种自适应混沌粒子群优化神经网络在变压器故障诊断的新方法。该算法通过进化速度因子和聚集因子调整惯性权重,并改进学习因子,引入混沌系统,构成混沌粒子群算法优化神经网络参数,有效地克服常规BP算法训练收敛速度慢、易陷入局部极小值等缺点。最后基于DGA对变压器故障实例分析仿真,对比常规变压器诊断方法结果表明,该算法能够提高诊断效率以及故障模式识别的准确性。