基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合诊断中的应用

根据模糊理论和神经网络理论,提出了变压器故障诊断的新方法。根据DGA(dissolvedgasanalysis)法、电气试验法及外部故障特征法,建立了基于模糊输入的BP ART2混和神经网络对电力变压器故障进行综合诊断。仿真结果表明本方法能有效提高变压器故障诊断正确率。     

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。     

基于粗糙集与模糊神经网络的变压器故障诊断方法

将基于粗糙集理论的模糊神经网络，应用于变压器故障诊断中，充分利用粗糙集理论对知识的约简能力模糊神经网络优良的分类能力，首先利用粗糙集方法对原始数据进行约简，形成精简的规则集，以此基础构建的模糊神经网络结构完全是由粗糙集最终约简规则决定的，具有良好的拓扑结构，网络规模大大减少，学习速度大为提高，而且保持了网络较好的分类能力。     

模糊神经网络在变压器故障诊断中的应用

提出了与神经网络结合的模糊变压器故障诊断新方法 ,克服了一般模糊诊断学习困难的局限 ;通过与模糊判决矩阵的对应关系 ,发现神经网络系统的权值矩阵就是模糊诊断里面的判决矩阵。模糊神经网络、组合神经网络和判决树 3种方法对故障样本的正判率分别为 90 .4 %、75 .4 %、83.3% ,这表明模糊神经网络方法的有效性与可行性 ,它弥补了DGA试验相近故障识别率低的不足 ,克服了组合神经网络无“可塑性”的缺陷 ,避免了判决树对样本选择的强烈依赖 ,使故障诊断准确度大为提高 ;也说明了DGA和其它电气试验相结合综合分析的必要     

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。     

集成证据推理与多神经网络的电力变压器故障综合诊断

电力变压器是电力系统中最为重要的设备之一,及早发现其潜伏性故障对于保障电网的安全稳定运行具有重要意义。文中结合变压器油色谱和电气预防性试验数据,提出一种基于多神经网络与证据推理的变压器故障综合诊断方法。结合神经网络的输出,将证据融合信度分配中的不可知部分分成由权重分配导致的不可知和信息缺乏导致的不可知两部分组成,优化证据推理算法,较客观地减少了诊断的不确定性。最后通过实例仿真表明该方法具有良好的诊断性能。     

神经网络应用于电力变压器故障诊断

将电力变压器油气分析法作为检测数据来源，利用神经网络这一强有力的故障诊断工具，有效地诊断电力变压内部故障。仿真结果表明，用神经网络诊断变压器故障具有更加优秀的性能。文中，作者采用的ＢＰ网络模型及算法，并对网络训练过程中一些技巧问题进行了讨论。     

基于组合神经网络模型的电力变压器故障诊断方法

对故障空间的划分以及组合神经网络的构造方式 ,是利用组合神经网络进行变压器故障识别的关键。在讨论变压器故障空间划分方法及其存在问题的基础上 ,针对已积累的故障变压器的大量溶解气体数据 ,考察了各类故障的气体特征及聚类分析结果 ,并在此基础上构造了组合神经网络分层结构模型 ,实现了对变压器故障由粗到细的逐级划分 ,以提高诊断的准确性 ,为制定维修策略提供了依据。最后 ,结果显示了该模型的有效性     

基于粗糙集理论的电力变压器故障诊断方法

鉴于电力变压器信息的不完备性及复杂性，基于粗糙集理论提出了一种能较好处理不完备信息的变压器故障诊断模型。基于对大量电力变压器故障征兆及故障类型的分析统计，利用粗糙集进行约简以获取诊断规则。文中详细阐述了在获得各类信息情况下如何利用该模型进行故障诊断；即使缺少某些关键信息时，该模型也能结合欧式距离、神经网络和模糊数学三种方法对约简进行综合匹配，再利用相应的约简及规则集作出故障诊断。该模型还可通过丰富训练样本、修正决策表的自我完善方法使诊断效果不断提高。实例也表明了该方法的有效性。     

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。     

一种结合模糊TOPSIS法和BP神经网络的变压器故障诊断方法

对变压器绝缘油采取色谱分析并进行故障诊断是目前变压器故障诊断的重要环节。针对传统故障诊断技术中降低状态检测与诊断系统的复杂度和增加系统采集的特征信息量的问题,首次提出将模糊TOPSIS 法用于状态检测信息处理。首先将TOPSIS 法在Vague集下进行扩展,把样本数据的多属性群问题转化为模糊多属性决策问题。然后计算Hausdorff矢量距离,得到可能解与理想解的相对贴近度,进行样本的优劣排序和聚类。在此基础上建立了简单的BP神经网络,实现了不同类型的模式识别。该方法可以快速、准确地判断变压器的运行状态,进而提高了变压器的安全、稳定及经济运行水平。     

一种结合模糊TOPSIS法和BP神经网络的变压器故障诊断方法

对变压器绝缘油采取色谱分析并进行故障诊断是目前变压器故障诊断的重要环节.针对传统故障诊断技术中降低状态检测与诊断系统的复杂度和增加系统采集的特征信息量的问题,首次提出将模糊TOPSIS 法用于状态检测信息处理.首先将TOPSIS 法在Vague集下进行扩展,把样本数据的多属性群问题转化为模糊多属性决策问题.然后计算Hausdorff矢量距离,得到可能解与理想解的相对贴近度,进行样本的优劣排序和聚类.在此基础上建立了简单的BP神经网络,实现了不同类型的模式识别.该方法可以快速、准确地判断变压器的运行状态,进而提高了变压器的安全、稳定及经济运行水平.     

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。     

基于Elman神经网络的油浸式电力变压器故障诊断

油浸式电力变压器的运行状态直接影响到电力系统的安全与稳定,对其进行故障诊断具有重要的现实意义。依据Elman神经网络具有动态处理数据及对历史数据敏感的能力,提出了将它用于油浸式电力变压器的故障诊断新方法,并给出了其具体的实现,同时对故障诊断的结果,将Elman网络与BP网络进行了比较。检测结果表明,Elman网络具有区别油浸式电力变压器不同故障类型的能力。     

基于L-M算法的BP网络在变压器故障诊断中的应用

针对传统 BP 神经网络算法在变压器故障诊断中存在的收敛速度慢、容易陷入局部极小值的问题,通过对基于Levenberg-Marquardt 算法的 BP 神经网络进行深入研究,并最终应用于变压器故障诊断.该算法通过优化 BP 神经网络的搜索方向,加快了网络训练速度,提高了网络训练的精度.通过对实例数据仿真,证明了本方法能够有效地诊断出变压器的故障,为变压器故障诊断提供了一条新途径.     

混合神经网络在变压器故障诊断中的应用

针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。     

模糊数学结合BP网络的变压器故障诊断研究

针对油中溶解气体分析(DGA)方法在诊断电力变压器潜伏性故障的研究中存在的不足,采用TOPSIS方法对原始样本集进行优劣排序和聚类,实现了对样本数据的优化,同时极大地缩减了样本集的容量.在此基础上,构建BP网络故障诊断模型.分析证明,此方法与传统的变压器故障诊断的方法相比具有明显的优越性.     

基于量子神经网络信息融合的变压器故障诊断

针对电力变压器故障的多样性和故障信息的不确定性、数据量大及无规律性的特点,提出了基于量子神经网络信息融合的故障诊断方法.将多个电力变压器故障参数信息引入到各子量子神经网络进行局部融合诊断,再将各局部诊断信息引入决策融合网络进行全局融合,最终诊断出5种电力变压器故障并给出可信度评价.实验仿真结果表明:量子神经网络信息融合方法有效,诊断结果可靠,能将不确定性的数据合理地分配到各类故障模式中,故障正判率达到97.78％,远高于BP神经网络信息融合及改良IEC三比值法.