基于新型神经网络的电网故障诊断方法

故障诊断对于事故后系统快速恢复正常运行具有重要的意义。该文提出应用新型径向基函数 (RadialBasisFunc tion ,RBF)神经网络解决故障诊断问题 ,文中将正交最小二乘 (Orthogonalleastsquare)算法扩展用于优化RBF神经网络参数。并应用传统的BP神经网络解决同样的问题以进行比较。在 4母线测试系统中的计算机仿真结果证明 ,在解决故障诊断这一类问题时 ,RBF神经网络优于BP神经网络模型 ,能够更有效地解决问题     

改进遗传算法和神经网络在汽轮发电机组故障诊断中的应用

遗传算法是一种模拟自然进化而提出的优化组合算法，是建立在遗传学基础上的参数搜索方法。文章针对多征兆、多故障的汽轮发电机组的故障诊断系统，对采用改进的GA和RBF径向基函数神经网络相结合进行故障模式识别的方法进行研究。仿真表明，该方法对于汽轮发电机组的故障诊断具有较高的实用价值。     

新型的RBF神经网络在水轮发电机组故障诊断中的应用

本文应用免疫遗传系统的调节原理对RBF神经网络隐层中心数量和位置的进行选择,同时采用递推最小二乘法来确定网络输出层的权值,从而建立了一种新型的RBF神经网络模型,并将该模型应用于水轮机发电机组的故障诊断.诊断结果表明,该模型收敛速度快,精度高并有较好的泛化能力,为水轮发电机组状态监测及故障诊断提供了一种新途径.     

采用自组织RBF网络算法的变压器故障诊断

针对以往神经网络常采用试凑法设计网络节点的缺陷,提出了一种自组织径向基函数(RBF)神经网络算法。该算法首先通过模糊C-均值(FCM)算法得到初始的RBF神经网络节点数和中心向量,再利用经Gaussian随机分布改进的粒子群优化(PSO)算法对初始RBF神经网络节点数、中心向量、节点连接权值进行优化。利用鸢尾属数据集及葡萄酒数据集对提出的自组织RBF神经网络算法进行了仿真测试,证明该算法对于提高分类精度和优化RBF神经网络结构有一定的作用。最后,将该算法应用到电力机车牵引变压器综合测试及故障诊断系统中,结果证明所提的自组织RBF神经网络诊断算法可有效监测出原系统试验时误报和漏报的故障。     

基于GA-PSO-BP的发电机组故障诊断

介绍了一种具有遗传算法中的选择、交叉、变异操作的遗传—粒子群算法(GA-PSO),解释了用于BP神经网络的参数优化过程。阐述了通过转子振动试验台上的仿真将GA-PSO-BP用于发电机组故障诊断的测试,表明GA-PSO-BP在训练速度及诊断准确率等方面优于传统BP及PSO-BP。     

基于径向基函数网络的大型电力变压器故障诊断

研究了径向基函数（RBF）神经网络的模型结构及其在电力变压器故障诊断中的实现方法,介绍了变压器故障诊断的RBF模型.通过故障诊断及仿真实例分析,将RBF网络与BP网络的性能进行比较,得出RBF神经网络训练速度快、逼近误差小、能够更有效地解决电力变压器故障诊断问题的结论.     

基于灰色关联分析法及GSA-LSSVM的汽轮机排汽焓预测模型

排汽焓是汽轮发电机组热经济性诊断必不可少的一个参数。通过汽轮机功率方程与灰色关联分析(grey correlation analysis,GCA)理论确定了模型的输入变量,利用万有引力搜索算法(gravitational search algorithm,GSA)优化了最小二乘支持向量机(least squares support vector machine,LSSVM)的惩罚因子μ以及核径向范围σ2个参数。通过比较分析,选用RBF_kernel为LSSVM的核函数。以GCA-GSA-LSSVM为基础,建立了预测汽轮机排汽焓的数学模型,并将其与BP神经网络、RBF神经网络进行对比,同时分析了该数学模型的鲁棒性。结果表明基于GCA-GSA-LSSVM的汽轮机排汽焓预测模型具有精度高、泛化能力强、鲁棒性强等优点,该方法为精确预测机组节能潜力提供了一种有力的工具。     

大型发电机组嵌入式远程状态监测与故障诊断系统研究

随着电力系统向超高压、大容量、多机互联系统的方向发展,为保证发电机组安全、可靠、经济和优化运行,实现设备的现代化状态检修管理制度,提出了基于嵌入式平台的大型发电机组远程状态监测与故障诊断服务系统结构,并对其数据采集基本参数的信号分析及预处理技术、嵌入式远程状态监测平台、运行状态典型故障特征信号的提取与处理、机组故障诊断的知识获取、机组典型故障的智能诊断等关键技术作了详细的分析。系统的成功研发有助于提高企业现代化管理水平,实现发电机组的预测维修和操作,达到电厂节能降耗的目标。     

基于RBF神经网络的风力发电机组故障诊断研究

风力发电机组是一个复杂的机电系统,采用整机诊断模式将使系统非常复杂,诊断效果也不理想;采用两层诊断模式不但实现起来简单,而且可以获得很好的诊断效果。使用RBF神经网络对发电机子系统进行故障诊断,仿真结果表明该诊断方法满足要求。     

三相逆变器功率管故障智能诊断研究

以三相逆变器-电动机驱动系统为例,研究基于神经网络的逆变器故障智能诊断方法.在三相逆变器易发的功率管开路故障、短路故障及短路故障后逆变器工作状态理论分析和仿真实验研究基础上,建立三相逆变器故障仿真模型.通过仿真实验获取逆变器故障状态下的电机定子电流信号数据,利用信号分段方法提取故障特征构造神经网络的学习样本,并以此训练神经网络,确定用于三相逆变器故障诊断的神经网络结构和参数.在感应电机矢量控制系统中进行仿真验证,仿真实验结果表明,该方法相对已有逆变器故障诊断方法,具有诊断迅速、可靠性高的优点,可在20ms内在线完成上述各种功率管故障的诊断.     

灰色理论PNN和D-S集成的汽轮机组故障诊断

汽轮机组发生故障的原因多且复杂,若是仅采用单一的故障诊断方法进行故障诊断,可能会存在误诊或漏诊的问题.为了解决此类问题,同时为了提高故障诊断的可靠性,所以引入D-S理论进行融合故障诊断.针对汽轮发电机组故障的特点,提出了一种基于灰色理论-PNN(概率神经网络)和D-S理论集成的故障融合诊断策略.该策略先采用灰色理论和P...     

重复控制在链式SVG中的应用

作为当前最先进的无功补偿装置,静止无功发生器（Static Var Generator,SVG）在补偿无功的同时,还可以同时实现谐波补偿功能。SVG进行综合补偿时,传统的PI控制很难消除稳态误差,为此,将重复控制技术应用于SVG的指令电流跟踪控制,提出一种包含重复控制器和PI控制器的复合控制器。这种复合控制器兼具PI控制器和重复控制器的优点,具有很好的动态效果及稳态跟踪精度。仿真和实验验证证明了该方法的有效性。     

无人机机载发电机故障诊断技术研究

针对无人机的电源系统提出了建模仿真分析,并将BP神经网络应用于无人机的发电机故障诊断中。在分析机载电源系统结构和工作原理的基础上,结合实际的飞行数据和相关参数,根据机载电源系统的数学模型,建立Simulink模型进行仿真分析。根据对象的特性,采用主成分分析法建立机载电源系统的发电机的故障特征库,采用BP神经网络算法实现故障诊断。结果表明,该系统能有效地对无人机发电机系统进行快速准确地诊断,具有一定的实用性。     

电力负荷的径向基函数神经网络模型预测

由于基于反向传播(back propagation,BP)的神经网络模型自身固有的缺点,其电力负荷预测结果不理想,而径向基函数(radial basis function,RBF)神经网络模型具有全局逼近的性质,不存在局部最小问题,为此,针对中长期电力负荷预测,给出了RBF的预测原理,推导权值的更新方式,并和BP方法结果进行对比分析,结果证明基于RBF神经网络模型的方法收敛速度快、预报精度高、误差小。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法

针对燃气轮发电机组振动故障诊断中可测参数难以直接反映机组故障状态的问题,提出一种融合粗糙集理论和神经网络的燃气轮发电机组振动故障诊断方法。结合粗糙集对燃气轮发电机组振动信号原始特征数据进行约简,减少冗余信息。将粗糙集与神经网络有机结合,用优化了的神经网络诊断燃气轮发电机组振动故障。试验结果表明了所述方法的有效性,为燃气轮发电机组振动故障的快速诊断提供了可参考的新思路。     

磁控开关型故障限流器神经网络自适应偏置电流控制

针对磁控开关型故障限流器在故障后其偏置线圈中会产生偶次反电动势,三相全控整流桥的负载突变为带偶次反电动势的电阻电感负载,提出了基于神经网络的磁控开关型故障限流器自适应偏置电流控制系统。该系统采用两个神经网络来分别构成自适应控制网络和辨识网络,对控制器参数进行自适应调整和在线辨识,实现了偏置电流的实时控制。试验证明,利用该控制系统对限流器偏置电流进行控制,限流器的响应速度和限流效果可以得到保证。     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。     

基于支持向量机的齿轮箱齿轮故障诊断

通过对风机传动系统中齿轮故障进行模拟试验,构建结构风险最优的支持向量机（SVM）网络,对采集到的电磁速度信号进行快速傅里叶分解,选取高频段的频谱特性作为分量进行样本化学习,完成对齿轮故障样本的训练,使SVM具备分类功能.最后,采用SVM对齿轮箱试验台齿轮故障进行诊断分类识别,取得较好的效果,说明齿轮故障信号高频特性所包含故障信息在整个频谱中的有效性以及SVM作为一种故障诊断方法的实用性.