基于类加权支持向量机的永磁直流电机故障模式识别方法

该文针对永磁直流电机故障在线诊断中存在类样本数目不平衡、误判损失不等、在线样本数据缺少类别标识等问题,通过对支持向量机数学模型中的误差惩罚因子进行加权,构建了一种基于加权支持向量机的永磁直流电机故障模式识别算法。理论分析和实验结果表明:该算法可以提高小样本类(故障样本类)诊断精度,降低误判损失。     

基于模糊C均值支持向量机的直流电机故障模式识别

提出了一种基于模糊C-均值的永磁直流电机故障模式识别方法。首先通过模糊C-均值聚类算法对无类别标识的故障样本数据进行模糊划分,并根据模糊聚类的隶属度矩阵,判断定位每一样本数据的所属类,并定位样本数据中的野点,消除野点后,再利用基于支持向量机的模式识别方法对模糊划分后的数据进行训练。研究结果表明:该方法解决了永磁直流电机故障在线监测与诊断中缺少已知类别标签的训练样本问题,抑制了复杂环境中噪声,提高了含有大量噪声数据的永磁直流电机在线故障识别精度。     

基于Morlet小波核多类支持向量机的故障诊断

故障诊断问题实质上是一个模式识别问题,即多分类问题.采用Morlet小波来构造支持向量机(Support Vector Machine, SVM)的核函数,Morlet小波核SVM比普通SVM具有更好的鲁棒性和更强的泛化能力.在一对一算法的基础上实现Morlet小波核多类支持向量机的故障诊断,并将此方法成功应用于电厂汽轮发电机组的故障诊断.实验仿真结果表明Morlet小波核多类SVM故障分类器比BP神经网络训练和测试速度快,且其分类精度在高斯噪声干扰下还保持100%,比BP神经网络高出11.8%.因此该方法能够快速而准确地对电厂汽轮发电机组的故障进行诊断,满足电力系统实时操作的要求.     

GIS设备局部放电类型表观相似性及模式识别准确性的探讨

为了减少气体绝缘全封闭组合电器(GIS)设备局部放电识别中误判现象的发生、提高模式识别准确度,基于分层式识别方法,采用两种常见的分类器分别对GIS典型故障类型进行诊断,探讨了局部放电类型的表观相似性,并归纳了存在误判现象的局放类型,其中自由金属颗粒跳动的不稳定性是其产生误判的原因,而传感器距放电源的位置决定了悬浮放电误判现象是否发生。同时研究了GIS传统局放类型划分的合理性,并对其进行修正。最后,通过识别率和决策可信度对比了两种分类器模式识别的准确性,研究表明:尖刺放电的识别可信度高,绝缘子气隙放电的识别率高,且支持向量机的识别效果优于BP神经网络。该研究成果为电气设备局放模式识别及严重程度分析等后续工作的有效进行奠定了基础。     

电力电子电路软故障诊断方法对比分析

为减少由于电力电子装置故障导致的停机时间,方便工作人员提前维修将要发生故障的器件,研究电力电子电路的软故障诊断意义重大。为此,分别分析并使用 BP 神经网络和支持向量机的故障诊断算法。基于 BP 神经网络,采用了单输出BP神经网络模型和多输出BP神经网络模型;基于支持向量机,采用了一对多(OVA)算法和一对一(OVO)算法。并以闭环控制的DC/DC变换电路诊断为例,仿真验证了诊断算法的有效性,并对各诊断算法的诊断性能进行了评估。     

基于最小二乘支持向量机的机车轴承故障诊断

针对神经网络故障诊断存在的诸多问题,提出了基于最小二乘支持向量机的机车轴承故障诊断方法。采用最小二乘支持向量机方法建立多类故障分类器,对输入的特征向量信息进行分类,完成故障诊断功能。仿真证明了最小二乘支持向量机在小样本情况下比神经网络具有更强的泛化能力,用于故障诊断时在识别准确率和抗干扰能力方面有明显的优势。     

基于深度信念网络的电力变压器故障分类建模

基于深度信念网络,构建了深度信念网络分类器模型,分析并用典型数据集对其分类性能进行测试。在此基础上结合电力变压器油中溶解气体分析数据,提出了基于深度信念网络分类器的变压器故障分类新方法,它使用油中溶解气体分析结果作为故障分类属性。对所提出的方法进行了测试,测试结果表明该方法适用于变压器故障分类,具有较强的从样本中提取特征的能力和容错特性,性能优于BP神经网络和支持向量机的方法。     

传感器非线性校正的遗传支持向量机方法

针对传感器非线性校正中现有的较为常用的神经网络法的不足和支持向量机参数难确定的问题,提出了一种遗传算法和支持向量机相结合的方法,阐述了支持向量机的非线性校正原理和遗传算法优化支持向量机参数的实现过程,并分别采用BP神经网络法和遗传支持向量机方法对压力传感器进行非线性校正.实验结果表明: BP神经网络法使得传感器的最大相...     

支持向量机在传动装置故障诊断中的应用

针对传动装置中变速箱齿轮故障诊断问题.利用建立在结构风险最小原理基础上的支持向量机的模式分类功能,构造了两种多故障分类器.支持向量机采用高斯径向基函数作为核函数,选取样本进行测试和训练,在小样本情况下对变速箱齿轮的故障进行诊断.本文重点讨论了"成对分类"与"一对余类"两种多类分类算法的应用.实例表明,多类分类器对设备故障具有很好的分类效果,同时也显示了支持向量机在处理小样本问题上的优越性.     

基于SOM-BP组合神经网络的交联电缆局部放电模式识别

为同时避免SOM神经网络不能以向量形式表示模式识别结果,BP神经网络需要大量训练样本的不足,深入研究神经网络基本原理,设计了一种将SOM神经网络作为初级网络,BP神经网络作为次级网络,两者间串联连接的SOM-BP组合神经网络模型。在试验室开展交联电缆局部放电模拟试验,提取了超宽频带单次放电脉冲时域波形的3、4阶统计特征作为放电指纹。随后,分别将3种神经网络作为分类器完成了局部放电模式识别,并通过对比SOMBP神经网络与两种单一神经网络的识别效果验证了该模型的正确性。识别结果表明,以SOM-BP组合神经网络作为分类器时各模式识别率均大于90%,且无论是各类识别率还是整体识别率,该网络识别效果均为最佳,证明了组合模型的有效性及合理性。     

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。     

用L-M算法的神经网络诊断充油设备绝缘故障

针对充油型设备的故障诊断 ,采用Levenberg Marquardt算法建立多层前向人工神经网络 ,采用改进算法训练网络 ,克服了传统BP算法收敛速度慢、易陷入局部极小的缺陷 ;采用可靠性数据分析技术和变量循环重新编号等方法有助于加快网络收敛 ;提出将判别具体故障类别和固体绝缘故障分开的两层诊断结构 ,提高了网络的训练效率和诊断的准确性。     

负荷持续曲线的神经网络模型

鉴于前馈人工神经网络的诸多优点，本文提出了一种新的基于ＡＮＮ的负荷持续曲线模型，从而不用给定某个特定的显式数学表达式。该模型以实际的小时负荷数据及统计性的特征参数对ＡＮＮ的输入数据；对实际作了抽样处理，以免输入数据量太多；针对常规的误差反向传播算法的缺点，并考虑到遗传算法是一种鲁棒性好的优化方法，本文采用遗传算法来进行ＡＮＮ的学习可以方便地直接采用相对误差作目标函数，同时可以搜索到全局最优解。     

将具有可信度的BP神经网络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,比较适合于基于油中溶解气体分析的变压器故障诊断。分析了常规BP算法的不足,指出了加动量项BP算法的原理和优点。该方法减轻了网络训练过程中的振荡,加速了网络的收敛。针对常规的BP神经网络不能给出诊断结果的可信度问题,利用多个网络共同诊断,根据多个诊断结果的标准差获得诊断结果的可信度,多个结果的均值作为最终诊断结果,从而提高了准确性。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,并将训练所得的多个神经网络用于变压器故障诊断。结果表明了该方法的有效性。     

神经网络和支持向量机在短期负荷预测中的应用

本文在分析了支持向量机基本原理的基础上,对支持向量机采用回归算法,建立了相应的预测模型,和改进的BP神经网络进行比较,并做了实例分析比较,证明了基于支持向量机回归算法预测模型的优越性。     

基于人工神经网络的日负荷预测方法的研究

基于人工神经网络原理,设计了一个三层的ＢＰ网络模型。充分利用了神经网络高度非线性建模能力,实现电力系统的短期负荷预测。文中对样本数据进行了预处理,以及在算法中引入附加冲量项,以提高训练速度。预测仿真结果证明使用人工神经网络方法进行短期负荷预测是可行的。     

基于神经网络的距离保护训练算法的研究

对神经网络式距离保护做了简要概述,并且为了使该新型保护更加完善,对其存在的训练算法问题做了深入的研究。对8种改进的BP(Back-Propagation)算法训练神经网络进行了比较,通过反复训练,得出8种算法在权值调整和误差收敛过程中所遇到的共同点和差别,并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响。实验证明:LM算法和尺度共轭梯度反向传播算法训练网络收敛速度快,受权值影响小,但占用较大的内存;贝叶斯正则化算法有较好的泛化能力。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

Nguyen-Widrow法用于变压器油气分析故障诊断

为解决神经网络在油中溶解气体分析变压器故障诊断的应用中存在收敛速度慢的问题,将Nguyen-Wid-row方法用于神经网络可变参数的初始化。该法通过调整隐层神经元的权值和阈值使隐层各个神经元输入的线性区间相等,从而减少网络训练时权值和阈值的调整量,加快网络收敛速度,增强网络学习能力,提高故障诊断的精度。对393个样本用5-80-6的结构网络分别不使用和使用该法训练,其样本误差平方和分别为37·10和15·21,训练所得网络对155个变压器的诊断结果准确率分别为80·97%和84·19%。表明该法的确能提高神经网络的学习能力和对变压器的故障诊断能力。     

基于支持向量机的电力系统短期负荷预测

对将径向基函数(Radial Base Function,RBF)作为核函数的支持向量机(Supporr Vector Machine,SVM)方法应用于短期负荷预测进行了研究.作者使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了SVM网络结构;采用江苏省某市的实际负荷数据,按照不同的负荷日属性和历史负荷数据进行样本选择,使用LIBSVM算法和适当的核函数进行了负荷预测,并将该预测结果同由时间序列及BP神经网络方法得到的预测结果进行了比较,结果表明,所提出的预测方法有较高的精度.