基于新径向基函数网络的变压器故障诊断法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段,而多层前馈网络(MLFNN)是应用广泛的故障诊断模型。为此,提出了以DGA数据为特征参数的新型径向基函数神经网络(RBFNN)诊断变压器故障。在分析传统k-均值聚类算法RBFNN的缺点和最优聚类特性的基础上,介绍了RBFNN的新算法-自适应k-均值聚类算法,它既能避免传统k-均值聚类算法的局部收敛的缺点,又能动态调整学习率。最后,大量聚类实验结果显示自适应k-均值聚类算法在收敛速度和聚类性能上比传统k-均值聚类算法显著提高;故障诊断实验结果显示所提出的模型故障诊断准确度高于传统BPNN、RBFNN及IEC三比值法。     

RBF-NN对发电机转子绕组匝间短路的诊断

为了能更准确地诊断出发电机转子绕组匝间短路故障,基于改进的双层动态均值聚类分析的径向基神经网络对转子绕组匝间短路故障进行了诊断.同时,通过对同步发电机转子绕组故障信号进行分析,并把从中提取的故障信号的特征量作为学习样本,通过改进的径向基神经网络的训练,使构造的径向基神经网络能够反映样本的特征向量和转子绕组匝间不同程度的...     

水轮发电机转子绕组故障的智能在线识别

针对水轮发电机常见故障转子绕组两点接地和匝间短路目前尚缺有效的在线监测措施的问题,提出了一种基于智能技术的转子绕组故障在线识别途径。由相关文献提及的现场运行故障特征分析确定需要采集的各实时特征量,采用模糊理论对故障特征量变化的严重程度进行聚类,采用适合处理动态数据的Elman神经网络基于特征量对转子绕组故障进行识别。在Matlab 6.5下仿真一台凸极发电机转子绕组故障的结果表明,该技术流程能够识别出凸极发电机转子正常运行、匝间短路,两点接地等运行工况。     

基于径向基函数神经网络的SR电动机定子径向力建模

探讨了采用径向基神经网络对开关磁阻电动机定子径向力进行建模的方法。考虑到定子径向力模型中的两个输入量,即绕组电流和转子位置,取值范围较大,本文提出了先对输入量进行归一化处理,使得基函数的中心映射在[0,1]的闭区间内,再使用最近邻聚类和最速梯度下降法对网络进行训练的方法。文中给出了径向基神经网络和误差反传神经网络在建模精度和收敛速度上的比较,结果证实径向基函数神经网络除了具有很强的非线性逼近精度和泛化能力外,在给定同样的隐层神经元结构、网络学习率和目标误差,径向基神经网络在定子径向力非线性模型的训练过程中收敛速度更快,网络学习效率更高。     

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据，采用一种新的动态聚类算法进行聚类，来确定RBF网络的隐含层节点，不仅聚类速度快，而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络强的拟合特性映射线损与特征参数之间复杂的非线性关系，使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例，仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。     

逐级均值聚类算法的RBFN模型在负荷预测中的应用

该文针对传统K均值聚类算法的不足,提出了一种新的聚类算法--逐级均值聚类算法,解决了传统聚类算法解的局部最优性问题和如何确定聚类数目的问题.在应用该算法确定RBF模型隐含层的中心向量时,同时确定了隐含层的节点数和RBF网络模型的结构.对于网络参数的确定,文中也提出了一种新的交互式的学习方案,将学习样本分为训练样本和测试样本,分别对网络进行权值确定和半径调节,得到了非常稳定的网络结构.运用文中所述模型及算法与传统的RBFN进行负荷预测比较,结果表明前者网络更稳定,预测精度更高.     

基于RBFNN模型明胶浓度在线测量

为提高国内明胶企业检测明胶浓度效率,提出一种基于径向基函数人工神经网络(RBFNN)软测量多模型。选定时间、温度和比重作为辅助变量,用GK聚类算法对所采集的数据进行聚类,使用NeuroSolution软件中的RBF模块组成RBFNN,将所聚子类数据输入该模型进行训练,用与输入变量对应的子模型的输出作为系统最终输出。仿真结果表明该建模方法均方根误差为0.000824,与相同辅助变量单RBFNN模型相比精度有了很大提高。     

基于免疫聚类径向基函数网络模型的短期负荷预测

提出了一种免疫聚类径向基函数神经网络（ICRBFNN）模型来预测电力系统短期负荷。在ICRBFNN的设计中，根据共生进化和免疫规划原理，提出了共生进化免疫规划聚类算法，该算法可以自动确定RBF网络隐层中心的数量和位置，并采用递推最小二乘法确定网络输出层的权值。对华东某市进行的电力系统短期负荷预测表明，与传统的径向基函数神经网络（RBFNN）预测方法相比，ICRBFNN方法具有更高的预测精度和更短的训练时间。     

基于改进小波分析小电流接地选线方法

针对小波分析在对故障线路与非故障线路暂态量差别不大而产生误判的缺陷,提出基于径向基函数RBF（Radia basis function）神经网络。通过免疫机制改善RBF网络隐含层的聚类形态,对不同故障类型的故障线路与非故障线路的暂态零序电流小波模极大值进行聚类。而RBF网络的训练由遗传算法去执行从而得到最优连接权值。将训练后的RBF网络用于的小电流接地故障选线,仿真结果表明,利用该算法选线具有较高的精确度     

基于频谱分析的发电机转子系统故障诊断

通过对发电机转子线圈的电磁特性分析,得出转子绕组主磁场变化特性,以及转子匝间短路在定子绕组并联支路出现的电势差和环流.采用频谱特征向量作为学习样本,建立径向基神经网络的频谱特征和故障类型的映射关系.应用表明,采用该方法能有效地诊断出发电机转子系统的故障.     

直驱式伺服系统的神经网络自适应滑模控制

针对直接驱动(DDV)伺服系统中由于参数变化、齿槽效应以及液动力负载扰动所造成的跟踪性能降低的问题,提出一种神经网络自适应滑模控制策略,采用径向基函数神经网络(RBFNN)取代滑模切换控制部分,利用其在线学习功能,对系统的不确定因素进行自适应补偿,并通过与比例微分算法(PD)的并行控制,改善神经网络参数的收敛,降低局部极小现象发生的可能性,增强系统的稳定性.仿真结果表明该方法不仅使系统具有良好的跟踪性能和强的鲁棒性,还有效地消除了高频抖振现象.     

改进粒子群优化神经网络在变压器故障诊断中的应用

变压器绕组早期故障的诊断是实现安全生产、避免大事故的技术前提。由于变压器器身振动信号包含有丰富的信息,所以可以通过监测变压器振动信号来预估绕组的状况。笔者首先利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,并将其作为BP神经网络的输入向量,同时利用改进粒子群算法(IPSO)对BP神经网络进行优化。最后利用训练好的BP神经网络对变压器进行故障诊断。试验结果表明:与传统BP神经网络法和PSO-BP神经网络方法相比,该方法克服了BP神经网络的一些缺陷,具有较快的收敛速度和较高的诊断精度,对变压器绕组的早期故障具有良好的预测能力。     

CP组合神经网络在基于DGA的变压器绝缘故障诊断中的应用

对向传播(CP)算法是一种有教师学习和无教师学习算法的混合体,既具有良好的模式识别性能,又能很好地解决反馈型神经网络的收敛问题。笔者提出了基于CP分类器人工神经网络的变压器故障诊断方法,建立了CP组合神经网络模型,通过比较不同训练情况下的正判率来确定CP网络中的训练次数和竞争层神经元的个数。实例证明该模型诊断结果的正判率比改良电协研法和IEC三比值法有较大的提高,具有较高的诊断准确率和应用价值。     

高压断路器故障诊断专家系统中快速诊断及新知识获取方法

高压断路器是电力系统关键设备之一，对其进行快速故障诊断对于事故发生后快速寻找故障发生的原因，解决事故源，确保电力系统迅速恢复正常运行有重要的意义。通过改进广义径向基人工神经网络(RBF)算法，使其具有快速故障诊断和网络自更新能力，并应用于断路器在线故障诊断专家系统。专家系统通过神经网络处理在线监测装置传送的故障数据，得到故障类型编码，利用该编码通过正向推理从知识库中找出对应的故障类型，并给出合理的故障解决办法。同时，利用神经网络的自更新能力和与专家系统的配合，专家系统还具有新知识的获取能力。     

基于自适应径向基函数神经网络的无刷直流电机直接电流控制

提出了基于自适应径向基函数（Radial Basis Function)神经网络的无刷直流电机直接电流控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断地按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的RBF网络来实现电机电压、电流与功率开关导通信号之间的非线性映射，直接控制功率开关的通断，实现无位置传感器的直接电流控制。网络训练采用离线训练和在线训练相结合的方法。首先利用来自实验数据的训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；再按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权：最后，用数字处理器(DSP)实现在线控制算法。实验结果表明，该控制方法具有较高的鲁棒性和控制精度。     

基于QPSO-RBFNN和模糊理论的电力系统短期负荷预测方法

在基于径向基函数神经网络(RBFNN)的电力系统短期负荷预测的基础上,采用量子粒子群优化算法(QPSO)优化神经网络权值,并运用模糊理论进行修正预测模型,提出基于QPSO-RBFNN和模糊理论的电力系统短期负荷预测方法.仿真实例计算结果表明该方法收敛速度快、预报精度高,具有工程应用前景.     

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。     

Erroneous measurement detection in substation automation system using OLS based RBF neural network

With the development of communication and information technology over the past decades, Electronic Instrumental Transducer (EIT) and broadband communication network have been prevalent within Substation Automation System (SAS) and power utilities. Since mal-function of EIT and broadband communication network within SAS can produce dangerous erroneous measurements, the risk for the protection system to receive these erroneous measurements and thereafter to mis-operate increase. Pattern identification can be utilized to detect erroneous measurements. In order to achieve satisfying pattern identification precision within time limit imposed by protection systems, Radial Basis Function Neural Network (RBFNN) are investigated in the paper. Orthogonal Least Square (OLS) learning algorithm is used to prune network scale in order to mitigate contradictory requirements of high precision and low time delay. Simulation results show OLS based RBFNN can achieve satisfying performance within limited time.