基于混沌粒子群优化支持向量机的变压器故障诊断

为了提高电力变压器故障诊断的准确性,也要克服人工神经网络(ANN)中存在的收敛速度慢、容易陷入局部极值等缺陷,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力,而且适用于支持向量机(SVM)参数优化,提高算法的鲁棒性.首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够准确地分类变压器故障,从而达到故障诊断的目的.实验结果与常规方法比较,该方法能简单有效,诊断速度快,诊断正确率高.     

基于机器视觉的二次设备运行状态巡检方法研究

为了提高二次设备运行状态的自动检测能力,提出一种基于机器视觉的二次设备运行状态巡检方法,采用机器视觉方法构建二次设备运行状态的成像模型,提取二次设备运行状态的视觉成像特征量,采用边缘轮廓检测方法进行二次设备运行状态机器视觉的边界特征分析,在机器视觉的梯度下降流中构建二次设备运行状态巡检的变结构分布模型,以灰度值较高区域边界像素点为中心,进行二次设备运行状态巡检的视觉重构识别,实现二次设备运行状态自动巡检。仿真结果表明,采用该方法进行二次设备运行状态巡检的智能性较高,特征分辨能力较好,提高了二次设备的巡检能力。     

基于优化支持向量机参数的变压器故障诊断

电力变压器是电力系统输变电的枢纽设备,为了提高电力变压器故障诊断的准确性,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力。首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够正确的分类变压器故障,从而达到故障诊断的目的。