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。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于RPROP算法的变压器油中溶解气体分析故障诊断

在分析BP算法和RPROP(振荡传播)算法原理的基础上，指出了RPROP算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点，并分析了原因。将RPROP算法训练的多层前馈神经网络用于变压器油中溶解气体分析故障诊断，给出了网络模型，分析了隐层神经元数目对网络训练和诊断的影响。变压器油中溶解气体数据的训练和诊断表明，RPROP算法的收敛速度快于BP算法、加动量项BP算法，并且具有较高的诊断准确率，是一种有效的方法。     

基于隐层优化算法的模糊BP网变压器故障诊断

针对变压器故障诊断BP网络隐层节点数过少或过多造成的学习过程不收敛、网络范化能力弱等问题，文章采用隐层优化算法，给出了合理的网络结构，并在此基础上训练网络，给出实例验证了该算法的有效性。     

加动量项且变学习速率的BP算法应用于变压器故障诊断

BP神经网络具有自学习和自适应能力,非常适合于变压器故障诊断。分析了加动量项BP算法和变学习速率BP算法存在的不足,给出了加动量项且变学习速率的BP算法的原理和优点,减轻了网络训练过程中的振荡,加速了网络的收敛。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,并将训练所得的神经网络用于变压器故障诊断,结果表明了该算法的有效性。     

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.     

基于自适应深度学习模型的变压器故障诊断方法

为提高变压器故障诊断的准确率,提出一种基于自适应深度学习模型的变压器故障诊断方法。该方法采用油中溶解气体作为故障诊断特征量,基于深度学习理论构建诊断模型。为解决传统基于固定学习率的深度学习模型训练过程中收敛速度慢、收敛精度低的缺点,提出一种自适应深度学习模型构建方法,该方法可根据迭代进程变化特性对学习率进行自适应调整,有效提高了深度学习模型的训练精度及速度。基于实例确定了变压器故障诊断自适应深度学习模型隐层层数、学习率调整系数等参数。实验结果表明,该方法特征提取及分析能力强,具有更好的收敛速度及收敛精度,可有效提高变压器故障诊断的正确率。     

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.     

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。     

BP算法的研究及在汽轮机故障诊断中的应用

运用Nguyen-Widrow方法初始化Levenberg-Marquardt算法中的变量参数,在此基础上,L-M算法在训练神经网络中的应用,减少了网络训练时权值和阈值的调整次数,加快了算法收敛速度,保证了误差为误差平面的全局最小值,并将使用N-W方法的L-M算法应用于汽轮发电机的故障诊断。经理论和实践证明该方法提高了故障诊断的准确性和可靠性,并为转动机械提供了有效的故障诊断方法。     

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。     

两种神经网络在变压器油色谱故障诊断中的应用

分析了Levenberg-Marquardt（L-M）算法和RPROP算法的原理,并将它们应用于充油电气设备故障诊断神经网络的训练。构造了满足要求的神经网络,分别使用了L-M算法和RPROP算法进行训练和诊断。结果表明,两种神经网络均能快速收敛到较高的精度;对训练所得网络分别使用没有训练过的样本进行诊断,两种算法的诊断准确率分别是86．47％、92．00％。     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、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,并对其应用于电力变压器故障诊断进行了仿真,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,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

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。     

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...     

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。