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及其应用

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,并通过实例证明本算法的有效性.     

基于蚁群算法的变压器故障诊断方法研究

针对目前电力变压器故障诊断方法中的不足,提出了蚁群算法优化的神经网络故障诊断方法。充分利用蚁群算法的全局优化和启发式寻优能力,对神经网络连接权值进行优化,再利用神经网络的非线性处理及自学习能力对变压器故障样本进行训练,并仿真测试。实验结果表明,与传统故障诊断方法相比,该算法有效避免了陷入局部极小和诊断正确率不高等问题,大大减少了训练时间,提高了故障诊断效率,更能准确地反映变压器的实际故障。     

基于径向基网络实现变压器故障诊断

研究采用径向基神经网络进行变压器故障诊断,以提高变压器故障诊断率。分析了径向基函数神经网络的结构和工作原理,确立了适合变压器故障诊断的网络学习算法,并设计了一个诊断变压器故障的三层径向基网络。通过采用MATLAB进行仿真实验。结果表明径向基神经网络是一很强的分类器,能够有效的对变压器故障进行诊断。     

基于神经网络的变压器模糊诊断研究

提出了将神经网络用于变压器模糊故障诊断的方法。计算结果和诊断实例表明，采用神经网络能够更为准确有效地诊断变压器故障。     

人工神经网络在变压器故障诊断中的应用

利用人工神经网络法对变压器的故障诊断进行探索，对比了用不同激励函数的神经网络的收敛性能，建立了故障诊断的神经网络模型，并对故障实例进行了诊断、计算结果证明了这些方法的有效性。     

基于蚁群算法的电力变压器绝缘故障诊断研究

神经网络在电力变压器故障诊断中已取得了成功应用,但存在容易陷入局部最优和收敛速度慢等缺点。针对这些缺点,基于蚁群算法基本原理,将蚁群算法引入变压器故障诊断。建立了适合变压器故障诊断中神经网络训练的启发信息计算公式,提出了蚁群算法在变压器故障诊断中的新方法。与BP神经网络方法诊断结果进行比较,算法有更高的故障识别率、收敛速度和诊断精度。     

模糊神经网络在变压器故障诊断中的应用研究

基于模糊逻辑理论和人工神经元网络，提出了将模糊神经网络应用于变压器故障诊断的方法，该方法实现了变压器故障的智能诊断。     

智能算法优化神经网络在变压器故障诊断中的应用

传统的电力变压器故障诊断方法存在着识别精度低的局限性,不能有效地进行数据分析,导致无法正确诊断故障类型甚至误诊。为此,神经网络和人工群智能算法的提出,及其在电力变压器故障诊断中的应用,大大提高了故障诊断的时效性和准确性。该类方法以传统的变压器溶解气体分析(DGA)作为数据采集基础,利用神经网络良好的非线性逼近能力,同时采用群智能算法的自组织、分布式和并行性等良好性能优化神经网络参数(权值和阀值),使得神经网络的快速收敛及精确程度大幅提高,进而用优化过的神经网络对变压器溶解气体数据分析并故障分类。最后通过实例验证表明:该类方法能够有效地对故障气体样本进行离散和约简化分析,与传统方法相比,提高了故障诊断的效率和正确率。     

模糊神经网络在变压器油中溶解气体故障诊断中的应用

基于模糊隶属度和BP神经元网络,提出了将模糊神经网络应用于变压器油中溶解气体故障诊断的方法。该方法采用了由输入层、输出层、隐含层和模糊化层组成的一种四层前向模糊神经网络,并利用模糊理论预处理数据,建立了基于模糊神经网络的变压器故障诊断模型。结果表明,该方法对变压器进行故障检剥诊断是有效的。     

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。     

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。     

基于神经网络的变压器故障诊断

为了保障变压器在电力系统中能够安全有效的运行,提出了一种将RBF神经网络与模糊控制算法相结合对变压器进行故障诊断的方法。设计了具有6层神经网络的学习体系,并且将模糊隶属度函数引入到第2层中,加快了神经网络的学习速度。基于变压器故障的数据统计,通过对其内部的气体含量进行分析对故障类型进行分类。通过样本数据对所设计的模糊RBF神经网络进行故障诊断训练。实验结果表明,通过训练后的该模型对变压器的故障诊断具有更好的效果。     

栈式降噪自编码网络在变压器故障诊断中的应用

为提高变压器故障诊断的准确率,提出了一种新型的变压器故障诊断网络,该网络以基于栈式降噪自编码网络为基础,把深度学习用在诊断变压器设备故障方面,建立深层网络模型,采取逐层贪婪编码的方式进行自适应的非监督式预训练,实现高维深层故障特征的自适应提取和挖掘,进而使用反向传播算法对模型进行监督式微调。最后利用Softmax分类器,对故障进行分类输出。最后通过实例验证表明,提出的栈式降噪自编码网络能准确、有效地对变压器进行故障诊断,与传统方法相比,该方法提高了变压器故障诊断的准确率。     

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。     

基于贝叶斯和模糊L-M网络的变压器故障诊断

针对现今电力变压器故障诊断方法中存在编码不齐全、准确率不高等一系列问题,研究贝叶斯理论的神经网络算法,提出一种基于贝叶斯正则化优化L-M （Levenberg-Marquardt）算法神经网络的变压器油色谱故障诊断方法.算法采用贝叶斯方法确定超参数,使得神经网络在训练过程中能自适应地调节超参数的大小,得出目标函数的最优化参数.同时,该方法运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点.最后,运用仿真软件对典型变压器运行数据进行仿真,验证了该算法的可行性.结果表明,建立的模型对变压器进行故障诊断时迭代次数为21次,实际值与预测值的误差平方和仅为0.000618.     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

基于邻域粒子群优化神经网络的变压器故障诊断

为了提高变压器故障诊断正判率,提出了一种邻域粒子群算法优化BP神经网络的电力变压器油中气体分析(DGA)方法,即通过相关统计分析和数据的预处理,选择变压器油中典型气体作为神经网络的输入,然后利用训练好的邻域粒子群算法优化后的神经网络进行变压器故障类型诊断。试验结果表明,该类方法具有很好的分类效果,较好地解决了变压器放电和过热共存时故障的难分辨问题,对故障类型的正判率较高。     

融合粗糙集和神经网络的变压器故障诊断

为提高变压器故障诊断的准确性,进行了利用粗糙集和神经网络来诊断变压器故障的研究。首先将连续属性的决策表离散化,部分属性采用基于油中溶解气体分析知识的方法离散化,部分属性采用自然算法和等频划分算法离散化;然后用粗糙集属性约简方法对离散后的决策表进行属性约简以获取最小决策表,约简后的最小决策表反映了变压器油中溶解气体的5种比值与故障的关系,是对IEC三比值法的扩展;最后用最小决策表训练BP神经网络,并用测试数据对训练后的BP神经网络进行检验。结果表明该方法比IEC三比值法有更高的故障判断准确率,结合粗糙集和神经网络诊断变压器故障可约简变压器故障诊断决策表,简化神经网络的结构,提高故障诊断的准确率。