基于小波神经网络的变压器油温预测

变压器顶层油温预警对于评估变压器的绝缘老化程度具有重要意义。本文建立了一种基于小波神经网络的变压器顶层油温预测方法,该方法同时具有神经网络和小波变换的优点,并进行了增加动量项的优化。实例分析表明,本方法具有较高的适用性。     

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。     

一种基于Adam算法优化的神经网络变压器顶层油温预测*

基于国内外现有变压器老化影响因素、绕组热点温度的预测方法及变压器绝缘状态评估的研究基础,以变压器顶层油温为研究对象,利用灰色关联分析法分析变压器监测量与顶层油温的相关性,采用Adam算法优化的人工神经网络对热点温度进行预测。该预测方法速度快、精度高,能在变压器负载状态和散热设备动态变化明显的工作情况下实现顶层油温的高精度预测。     

神经网络诊断变压器故障的新方法

介绍了一种用于信号分类识别的小波神经网络,其网络权值由小波函数集充当,并在学习过程中应用了共轭梯度法。将此小波神经网络用于变压器油色谱诊断,经仿真计算,证实它具有比ＢＰ网络更好的逼近性能,可以达到较高的准确率。     

基于改进BP神经网络的变压器故障诊断方法研究

变压器是电力系统中不可或缺的重要设备,它的安全稳定运行对整个系统的运行至关重要.为了及时发现和排除变压器出现的故障,提出了基于改进BP神经网络的附加参数法、优化学习因子及隐含层节点数目等电力设备故障诊断方法,通过与传统的BP神经网络算法对比,可以发现收敛速度显著提升,局部最小值问题也得到了解决,仿真结果证明了改进方法的...     

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。     

基于粗糙集理论的变压器神经网络诊断方法

提出了一种既利用粗糙集理论对大量数据的分析挖掘能 ,又发挥了神经网络的精确分类和学习能力的变压器故障诊断方法 ,可有效诊断和分类变压器故障     

主变压器油温升高的诊断与处理

分析了一起 110kV变电站双绕组主变油温升高的故障原因 ,并运用科学合理的方法排除了故障     

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。     

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     

加动量项且变学习速率的BP算法应用于变压器故障诊断

BP神经网络具有自学习和自适应能力,非常适合于变压器故障诊断。分析了加动量项BP算法和变学习速率BP算法存在的不足,给出了加动量项且变学习速率的BP算法的原理和优点,减轻了网络训练过程中的振荡,加速了网络的收敛。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,并将训练所得的神经网络用于变压器故障诊断,结果表明了该算法的有效性。     

基于神经网络的变压器故障诊断研究

电力变压器是电网的核心设备之一。变压器故障一直是危及电网安全的主要因素。因此研究有效的故障诊断方法具有十分重大的现实意义。以BP网络为例。介绍了基于油中溶解气体分析的变压器神经网络故障诊断方法。试验结果表明。该方法是有效可行的,具有一定的实际应用价值。     

灰色神经网络在变压器故障诊断中的应用

针对变压器故障类型受油中溶解多种气体含量的影响,为提高变压器故障诊断的准确性,笔者使用灰色神经网络建立故障诊断模型,拟合输入与输出之间的复杂非线性函数关系,结果证明了该方法的可行性。     

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。     

变压器故障特征分析及综合诊断

为准确诊断变压器的故障,避免人力、物力的浪费,对故障运行中的变压器进行了特征分析,给出了根据故障特征进行诊断的方法;设计一基于信息融合的集成神经网络实现综合诊断,取得了较好的诊断效果。     

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。     

基于贝叶斯网络和DGA的变压器故障诊断

用 3步法构造贝叶斯网络 (BN)方法 ,结合油中溶解气体分析 (DGA)的三比值法后 ,引入大型变压器的故障诊断 ,提出了基于BN理论和DGA方法的变压器智能故障诊断模型。 2 2台故障变压器的诊断实例验证此法有效     

电力变压器的智能故障诊断研究

将基于改进遗传算法（IGA）和误差反向传播（BP）算法相结合构成的IGA-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和传统GA算法独立训练神经网络的缺陷,并应用于电力变压器溶解气体分析的智能故障诊断。实验诊断结果表明,IGA-BP混合算法的收敛速度快于BP及GA算法,并且具有较高的诊断准确率。