遗传算法与人工神经网络结合在变压器故障诊断中的应用

运用油中溶解气体分析法，在人工神经网络和遗传算法的基础上，建立了变压器故障诊断的神经网络模型。实际测试结果表明这一方法是有效的和可行的。     

再论人工神经网络应用于电力变压器故障诊断

结合供电管理部门提出的“利用人工神经网络进行大型电力变压器故障诊断的研究”科研课题中遇到的实际问题。计算结果证明了这种办法的有效性和实用性。     

遗传神经算法在电力变压器故障诊断中的应用

利用遗传算法的全局搜索性能和BP算法较强的局部搜索能力,提出一种收敛速度快的改进遗传神经混合算法,并应用于油中溶解气体分析的电力变压器故障诊断中,实际结果表明,该算法能对电力变压器各种故障进行有效分类,并具有较快的收敛速度和较高的诊断精度。     

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。     

基于人工神经网络的变压器故障诊断

介绍了电力变压器故障诊断的人工神经网络法 (ANN) ,提出了人工神经网络的模块化结构 ,并用具体实例说明了ANN对变压器内部潜伏性故障作出早期诊断的可行性和有效性。     

遗传算法在变压器故障诊断中的应用

根据变压器油中溶解气体分析的三比值法建立了基于Mamdani模糊推理的变压器故障诊断系统。该故障诊断系统由历史数据库、模糊推理诊断模块和优化模块三部分组成。利用遗传算法和历史试验数据对模糊推理模块的隶属度函数进行优化．克服了传统的三比值法对变压器进行故障诊断时存在的临界值判据缺损问题,并可对故障诊断过程中的编码缺损情况作出解释。实例验证,该诊断系统具有较好的诊断能力,可提高变压器故障诊断的准确性。     

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.     

利用人工神经网络对电力变压器故障进行早期诊断

介绍了利用人工神经网络对变夺器故障进行早期诊断的方法，为此构造了ＢＰ网络模型，试验结果表明，该方法行之有效，并具有潜在实用价值。     

模糊遗传算法的神经网络方法在变压器故障诊断中的研究

基于油中溶解气体数据,避开了传统的比值方法,采用模糊遗传算法的神经网络(FGA-BP)方法来诊断变压器故障。该方法是在遗传寻优过程中,用模糊控制的方式对杂叉率与变异率进行动态调节,并结合神经网络来对故障实现模式识别。为了优化模式特征量,文章用灰关联分析方法对样本集进行了筛选,得到了一组模式特征向量,以此DGA数据作为FGA-BP的输入值,经过FGA-BP运算后,优化出一组用于模式识别的权重与阈值,在此基础上,结合实例对该诊断方法进行了分析与探讨。     

电力电子电路故障的遗传进化神经网络诊断

介绍了一种诊断电力电子电路故障的基于改进遗传进化的神经网络混合算法 ,论述了该算法的理论和运算操作步骤后将其用于电力电子三相整流电路的故障诊断。仿真实验证明该法可诊断电力电子三相整流电路故障 ,且收敛速度快 ,诊断准确度高 ,具有实际的工程应用价值     

基于混合神经网络和遗传算法的故障诊断系统

故障诊断对于事故后快速恢复具有重要意义。多种人工智能技术在其中得以应用, 然而快速、准确的故障诊断仍是一个悬而未决的难题, 尤其在保护和断路器不正常动作或多重故障的情况下, 故障诊断更为困难。提出了一种基于神经网络 (ANN) 和遗传算法 (GA) 的故障诊断方法, 它采用三层前向神经网络执行诊断功能, 双重 GA循环优化该神经网络的结构和连接权重。第一重 GA循环用于优化神经网络结构, 第二重 GA循环进一步优化神经网络的连接权重。两重 GA循环可以搜索确定用于故障诊断的最优神经网络。有关的数学模型和算法流程在文中作了详细介绍。以4-母线简单电力系统为例, 进行了计算机仿真计算。结果表明, 基于混合神经网络和遗传算法的故障诊断系统优于传统的BP神经网络, 可以较好地解决故障诊断问题。     

基于进化策略算法的人工神经网络变压器故障诊断法

提出一种基于进化策略算法的人工神经网络法对电力变压器故障进行诊断。该方法通过综合进化算法的全局搜索能力和神经网络输入和输出的高度非线性映射关系,可准确诊断变压器故障。它可自动调整神经网络的连接权和节点偏置值,以获得最佳网络模型。相对于普通人工神经网络而言,该法具有更快的学习速率和优良的诊断精度;并且相对于基于进化规划算法的人工神经网络法,本方法也具有更优良的性能。     

GA-BP混合算法在变压器色谱诊断法中的应用

将一种改进的遗传操作与人工神经网络相结合的混合算法应用于电力变压器的故障诊断,有效地解决了常规BP算法易陷入局部极小、收敛速度慢和基本遗传算法早熟等缺点。实例仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。     

基于遗传算法进化小波神经网络的电力变压器故障诊断

在电力变压器故障诊断方法中,小波神经网络常用的反向传播算法存在着易陷入局部极小点和对初值要求较高的缺点,往往给故障诊断带来困难.文中提出了一种基于遗传算法进化小波神经网络的变压器故障诊断方法,用实数编码的遗传算法来代替人解决小波神经网络结构的选择和参数的设定.在整个学习过程中,网络的复杂度、收敛性和泛化能力得到了较好的综合.大量实例表明,该方法能有效地对电力变压器单故障和多故障样本进行分类,提高了诊断准确率.     

基于免疫神经网络的电力电子电路故障诊断

任何单一的故障诊断方法都有其优缺点,根据生物免疫学的原理,将人工神经网络和免疫算法结合起来,形成免疫神经网络。将免疫系统应用于人工神经网络隐层数据处理中,选择一种合适的确定隐含层到输出层的权值,计算得到人工神经网络的输出,并根据输出结果诊断出故障的类型。实验结果表明,免疫神经网络能够以较小的网络规模实现对多种故障模式的准确识别,它具有较快的处理速度、良好的容错性和强大的自适应能力。     

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。     

基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断

针对电力变压器单一故障和多故障诊断问题,模拟生物免疫系统,提出一种两级分类器级联的诊断算法。采用遗传算法优化支持向量机核函数参数的电力变压器故障和正常状态初分类器,和以灰关联度度量抗体与抗原之间亲和力的灰色人工免疫算法,设计了动态疫苗机制的高频变异操作。根据不同的故障类型,训练生成最佳记忆抗体集。采用5近邻综合决策法,根据最佳记忆抗体集诊断电力变压器故障类型。实验表明,遗传支持向量机和动态疫苗机制的灰色人工免疫算法相结合的电力变压器故障诊断算法,对电力变压器单一故障和多故障都能够有效地分类,提高了电力变压器故障诊断的准确率和速度。     

用神经网络方法诊断变压器故障

基于局部特征量的神经网络方法对变压器的故障诊断进行了新的探索，建立了相应的故障诊断的神经网络压缩模型，实例诊断结果证明，这种方法的有效性，本方法能够诊断传统的三比值法无法诊断的故障，对于其他系统的故障诊断，也具有定的指导意义。