神经网络在变压器故障智能诊断系统中的应用

介绍了以BP神经网络理论为基础的变压器故障智能诊断系统的结构模型及其原理;通过三个实例分析,验证了该系统的正确性,有较强的实用效果。     

基于BP神经网络的变压器故障诊断分析

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究了一种基于BP神经网络算法的变压器故障诊断方法。通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明了本算法的有效性。     

基于BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

基于BP神经网络的变压器故障预测研究

利用油中溶解气体数据诊断变压器故障(DGA法)是目前使用最为广泛的方法之一,本文引入了BP神经网络,选取7种特征气体含量作为输入量,6种故障类型作为输出量,提出了一种对变压器故障进行估算和预测的方法。利用MATLAB建立对变压器DGA数据的BP神经网络模型,并通过对实际样本数据的学习训练,分析诊断结果,提出了未来研究的方向和展望。     

电力变压器BP神经网络故障诊断法的比较研究

将BPNN应用于电力变压器故障诊断,并对变压器绝缘油常用的5种溶解气体分析标准进行了神经网络效率的比较研究。这些标准是改进的Rogers,IEC,Doernenburg,Duva和CSUS。研究显示,所运用的诊断标准或方法不同,神经网络诊断电力变压器故障的效率也不相同,其值在88.3%～96.7%范围内;根据这些标准所设计的四比值法(FGR)和6种特征气体法(SKG)具有更高的诊断效率。验证结果显示,BP神经网络诊断法适合于变压器潜伏性故障的诊断。     

基于BP神经网络的电力变压器故障树分析

针对电力变压器故障特点,采用故障树分析与BP神经网络相结合的方法预测变压器故障率。介绍了变压器故障树的建立与故障树分析流程、BP神经网络的建立、样本获取和学习训练。通过实例计算结果与实际统计结果的比较,验证了此方法的可行性与有效性。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

基于ACS-SA文化基因算法的BP神经网络变压器故障诊断

针对BP神经网络在变压器故障诊断上存在的不足,提出基于ACS-SA文化基因算法的BP神经网络变压器故障诊断方法。在实际系统中,针对缺乏准确的变量参数估计,将边界变异策略和自适应步长策略引入标准布谷鸟算法中;提出一种在改进的布谷鸟算法中结合局部搜索策略的文化基因算法;建立BP神经网络变压器故障诊断模型,并用文化基因布谷鸟算法优化BP神经网络的权值和阈值。仿真实验及对比研究结果表明,该算法能准确有效地识别变压器的故障类型,较其他算法(CS-BP神经网络算法和POS-BP神经网络算法)有更高的准确率,为变压器故障诊断提供一种新思路。     

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。     

自构形神经网络在变压器故障诊断中的应用

神经网络已广泛应用于设备的故障诊断中.鉴于神经网络的性能和诊断能力与网络的拓扑结构和学习算法有着密切的联系,本文研究并实现了在故障诊断应用中能进行自构形的神经网络模型,改善了全局收敛性和节点总体饱和度,并较好地应用于变压器故障诊断实践中.     

基于神经网络的变压器故障诊断研究

电力变压器是电网的核心设备之一。变压器故障一直是危及电网安全的主要因素。因此研究有效的故障诊断方法具有十分重大的现实意义。以BP网络为例。介绍了基于油中溶解气体分析的变压器神经网络故障诊断方法。试验结果表明。该方法是有效可行的,具有一定的实际应用价值。     

变压器色谱监测中的BPNN故障诊断法

本文将ＢＰ神经网络应用于变压器故障诊断。通过验证，结果显示ＢＰＮＮ诊断法有良好的应用前景。     

基于进化策略算法的人工神经网络变压器故障诊断法

提出一种基于进化策略算法的人工神经网络法对电力变压器故障进行诊断。该方法通过综合进化算法的全局搜索能力和神经网络输入和输出的高度非线性映射关系,可准确诊断变压器故障。它可自动调整神经网络的连接权和节点偏置值,以获得最佳网络模型。相对于普通人工神经网络而言,该法具有更快的学习速率和优良的诊断精度;并且相对于基于进化规划算法的人工神经网络法,本方法也具有更优良的性能。     

基于FTA法的变压器故障分析

针对引起变压器故障的原因,采用FTA法,对大型电力变压器的各种故障进行分析,并对变压器各分系统的故障原因进行了统计计算。分析表明,变压器线圈的故障率和故障概率为最大,分接开关的故障率也较高。将FTA法应用于电力变压器可靠度分析,结果显示,变压器的工作可靠度可从0.6提高到0.9,平均无故障率时间可从25年提高到30年以上。研究结论可为大型电力变压器的设计、制造和检修提供理论依据。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于BP神经网络和线性神经网络的间谐波分析方法

传统的线性神经网络,其激励函数是固定函数,所以不能对间谐波的频率进行调整,而基波频率微小的偏差将导致谐波检测出现较大的误差。笔者在采用BP神经网络的高精度基波检测的基础之上,采用激励函数参数可调的线性神经网络来分析间谐波。理论分析和仿真结果都表明,无论有没有噪声,文中提出的方法都具有较高的检测精度,自适应能力较强,其中检测与偶数次谐波比较接近的间谐波的优势更明显。     

模糊聚类和LM算法改进BP神经网络的变压器故障诊断

在变压器故障诊断中,目前BP神经网络算法存在训练样本分布不均匀,收敛速度慢、容易陷于局部极小点等问题,导致整体的诊断性能下降。通过对模糊聚类及LM算法改进的神经网络深入研究,并引入变压器故障诊断中,该算法应用模糊聚类对搜集到的样本预处理,提高样本的质量,再用LM算法改进的神经网络来优化搜索方向,可以实现网络训练速度及测试精度的提高。通过实例仿真实验,验证了该方法能够有效诊断出变压器的故障。     

基于人工神经网络的变压器励磁涌流的鉴别

研究了基于神经网络方法的电力变压器励磁涌流鉴别。对变压器励磁涌流及故障电流进行了数字仿真,比较了两者在物理特性上的区别。利用Matlab的人工工具箱,分别建立了BP和RBF神经网络模型,对励磁涌流和故障电流的样本进行训练及测试。结果表明,人工神经网络可以正确地区分励磁涌流和故障电流,RBF神经网络能更加快速、准确地判断出变压器的故障。