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。     

BP神经网络改进IEC-60599在电力变压器故障诊断中的应用

由于电力变压器是电力系统中重要的故障原因、故障现象和故障机理间存在着随机性和模糊性等不确定因素,故障特征量和故障征兆间没有明确的一一对应关系,这就给故障诊断增加了困难。BP神经网络诊断变压器故障已经越来越受到重视,可常规的BP算法对大样本数据进行训练时,大多存在收敛速度慢、甚至有时不收敛的缺点,因此提出了改进BP算法从而加快了训练速度和增加了诊断的可靠性。对文献[2]中提出的改进的新导则IEC-60599三比值诊断方法在进行中、低温过热故障时进行修正。     

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。     

基于改进BP神经网络的变压器故障诊断方法研究

变压器是电力系统中不可或缺的重要设备,它的安全稳定运行对整个系统的运行至关重要.为了及时发现和排除变压器出现的故障,提出了基于改进BP神经网络的附加参数法、优化学习因子及隐含层节点数目等电力设备故障诊断方法,通过与传统的BP神经网络算法对比,可以发现收敛速度显著提升,局部最小值问题也得到了解决,仿真结果证明了改进方法的...     

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。     

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DGA的改进BP神经网络的变压器故障诊断方法

介绍了基于DGA的改进BP神经网络电力变压器故障诊断方法,并进行了仿真。     

基于BP神经网络的变压器故障诊断

基于溶解气体分析(DGA)的变压器故障诊断法能发现用电气试验不易发现的轻度故障,还可以在初期阶段就判别正在缓慢发展的事故,是变压器内部故障早期诊断的最佳方法。     

基于MATLAB的BPNN在变压器故障诊断中的仿真参数研究

首先简要介绍了基于油中溶解气体DGA( Dissolved Gas - in - oil Analysis)的变压器故障诊断机理,然后介绍了反向传播神经网络BPNN( Back - propagation Neural Network)的网络结构、学习算法和训练流程,并结合变压器故障实际特点,分析了输入输出模式的确定、隐含层设计、传递函数和训练函数的选择对于整个网络设计的重要性,通过在MATLAB中神经网络工具箱平台上的仿真比较找出合理的参数,从而建立基于BPNN的变压器故障诊断模型,最后通过对验证样本的仿真诊断结果对比,说明了该模型在实际应用中的有效性.     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

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。     

三种变压器故障诊断方法比较研究

变压器常规诊断的油中溶解气体的三比值法(IEC),在目前变压器故障诊断中有着广泛的应用,许多人工智能技术在电力变压器故障诊断中的应用都是基于IEC法进行研究的,并在此基础上提出了基于神经网络和模糊神经网络的变压器故障诊断专家系统。该文将传统IEC三比值法、神经网络法和基于IEC三比值法的模糊神经网络法进行了比较。本文结合实例对这三种诊断方法进行了分析与探讨,指出了传统的IEC三比值法的不足,神经网络法和基于IEC三比值法的模糊神经网络法的优点等。     

基于径向基函数网络的大型电力变压器故障诊断

研究了径向基函数（RBF）神经网络的模型结构及其在电力变压器故障诊断中的实现方法,介绍了变压器故障诊断的RBF模型.通过故障诊断及仿真实例分析,将RBF网络与BP网络的性能进行比较,得出RBF神经网络训练速度快、逼近误差小、能够更有效地解决电力变压器故障诊断问题的结论.     

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。     

基于信息融合技术的变压器多层次故障诊断

鉴于电力变压器自身结构复杂,运行环境多变的特性,传统的单一信息来源确定变压器故障类型存在较大的局限性。因此将信息融合技术引入变压器故障诊断中,将变压器故障诊断分为两个融合层次,第一层利用DGA数据确定过热故障和放电故障,第二层利用电气数据确定具体故障位置或原因,两个融合层次所用智能算法均为改进后的BP神经网络算法。最后通过实例分析,证明该方法的有效性。     

利用DGA-NN诊断油浸式电力变压器故障

人工神经网络以其良好的非线性映射能力广泛应用于电力变压器故障诊断。为研究反向传播神经网络(BPNN)和概率神经网络(PNN)的学习过程、网络参数选择等问题,利用Matlab的神经网络工具箱结合油中溶解气体建立了BPNN和PNN的故障诊断模型,并对其性能做了分析和对比。结果表明,两种网络均能较好地实现变压器故障的实时诊断。因初始化权值的随机性,BPNN的输出结果具有差异性,收敛速度较慢,而PNN网络结构自适应确定,可以随时添加训练样本,且训练速度较快,适合于实现变压器故障的实时诊断。相同条件下,PNN的收敛速度约为BPNN的5倍。     

神经网络诊断变压器故障的新方法

介绍了一种用于信号分类识别的小波神经网络,其网络权值由小波函数集充当,并在学习过程中应用了共轭梯度法。将此小波神经网络用于变压器油色谱诊断,经仿真计算,证实它具有比ＢＰ网络更好的逼近性能,可以达到较高的准确率。