电力变压器BP神经网络故障诊断法的比较研究

将BPNN应用于电力变压器故障诊断,并对变压器绝缘油常用的5种溶解气体分析标准进行了神经网络效率的比较研究。这些标准是改进的Rogers,IEC,Doernenburg,Duva和CSUS。研究显示,所运用的诊断标准或方法不同,神经网络诊断电力变压器故障的效率也不相同,其值在88.3%～96.7%范围内;根据这些标准所设计的四比值法(FGR)和6种特征气体法(SKG)具有更高的诊断效率。验证结果显示,BP神经网络诊断法适合于变压器潜伏性故障的诊断。     

基于BP神经网络的变压器故障诊断

基于溶解气体分析(DGA)的变压器故障诊断法能发现用电气试验不易发现的轻度故障,还可以在初期阶段就判别正在缓慢发展的事故,是变压器内部故障早期诊断的最佳方法。     

BP神经网络在变压器故障诊断中的应用

基于BP神经网络理论设计了以气体浓度为输入、故障类型为输出的变压器故障诊断系统,并进行了计算机仿真。     

基于BP神经网络的电力变压器故障诊断

介绍了基于BP神经网络的电力变压器的故障诊断方法,并给出了实例.     

大型电力变压器故障树的构建及分析

故障树是表现一个系统各种故障间逻辑关系的有力工具，然而电力变压器的结构及故障复杂，给故障分析工作带来困难。本文提出以故障模式及影响分析(FMEA)为基础的故障树分析方法，并应用于大型电力变压器。通过FMEA的支持，不仅有助于构建复杂系统的故障树，还可为树的定量分析提供必要的底事件概率数据，为复杂系统的可靠性分析提供一种有效的方法。     

基于BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

基于BP神经网络的变压器故障预测研究

利用油中溶解气体数据诊断变压器故障(DGA法)是目前使用最为广泛的方法之一,本文引入了BP神经网络,选取7种特征气体含量作为输入量,6种故障类型作为输出量,提出了一种对变压器故障进行估算和预测的方法。利用MATLAB建立对变压器DGA数据的BP神经网络模型,并通过对实际样本数据的学习训练,分析诊断结果,提出了未来研究的方向和展望。     

BP神经网络改进IEC-60599在电力变压器故障诊断中的应用

由于电力变压器是电力系统中重要的故障原因、故障现象和故障机理间存在着随机性和模糊性等不确定因素,故障特征量和故障征兆间没有明确的一一对应关系,这就给故障诊断增加了困难。BP神经网络诊断变压器故障已经越来越受到重视,可常规的BP算法对大样本数据进行训练时,大多存在收敛速度慢、甚至有时不收敛的缺点,因此提出了改进BP算法从而加快了训练速度和增加了诊断的可靠性。对文献[2]中提出的改进的新导则IEC-60599三比值诊断方法在进行中、低温过热故障时进行修正。     

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。     

模糊聚类和LM算法改进BP神经网络的变压器故障诊断

在变压器故障诊断中,目前BP神经网络算法存在训练样本分布不均匀,收敛速度慢、容易陷于局部极小点等问题,导致整体的诊断性能下降。通过对模糊聚类及LM算法改进的神经网络深入研究,并引入变压器故障诊断中,该算法应用模糊聚类对搜集到的样本预处理,提高样本的质量,再用LM算法改进的神经网络来优化搜索方向,可以实现网络训练速度及测试精度的提高。通过实例仿真实验,验证了该方法能够有效诊断出变压器的故障。     

基于DGA的改进BP神经网络的变压器故障诊断方法

介绍了基于DGA的改进BP神经网络电力变压器故障诊断方法,并进行了仿真。     

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。     

BP神经网络在油浸式变压器过热性故障诊断中的应用

针对充油变压器绝缘故障诊断的三比值法的局限性,建立以变压器油中溶解气体含量为样本数据,对不同的隐含层数目进行仿真分析,通过比较确定了适用于变压器绝缘故障诊断的BP神经网络模型。研究表明,这种方法提高了神经网络的收敛速度,符合电力变压器故障诊断系统的实际情况,准确率高。     

基于BP神经网络的舰船电机故障诊断

为了准确判断舰船电机故障类型,找到故障原因,建立基于BP神经网络的舰船电机故障诊断模型,收集故障样本数据.运用MATLAB软件进行仿真,以实例进行检测.检测结果表明,构建的模型准确可靠,可以模拟电工人员对舰船电机故障作出正确诊断,验证了BP神经网络的优越性和可行性.     

基于BP神经网络的凝汽器故障诊断研究

通过对现有凝汽器运行中常见的典型故障及征兆集的分析,进一步完善了凝汽器的典型故障知识库,对故障征兆的具体表达方法进行了分析。运用 Matlab 神经网络工具箱和隶属度函数两种方法对凝汽器的运行状态进行故障监测和诊断,通过实例验证表明应用 Matlab 神经网络工具箱方法不仅计算简便,而且诊断结果具有较高的可靠性。     

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。     

基于改进BP神经网络的风机故障诊断研究

采用动量法和学习速率自适应的改进BP神经网络进行风机的故障诊断。根据风机的故障诊断特点,确定神经网络的结构与参数。在网络训练过程中同时采用标准训练样本和含有白噪声的训练样本,使网络具有一定的容错性。实例诊断表明,改进的BP神经网络缩短了学习时间,是风机故障诊断的有效方法。     

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。     

基于神经网络的变压器故障智能检测与分析

利用神经网络BP算法提出变压器常见故障诊断方法,实现了对变压器故障的智能检测与分析。在不同的训练样本、传递函数和训练函数的情况下使用Matlab对建立的神经网络诊断模型进行仿真。通过仿真找到了合适的传递函数、训练函数和隐含层节点数,构建合理的网络。并通过仿真实验验明了该方法比传统方法有更好的效果。