基于非线性主元分析和概率神经网络的凝汽器故障诊断方法研究

该文提出了一种基于两个神经网络的凝汽器故障诊断方法.首先使用非线性主元分析神经网络进行特征提取,降低数据维数,既简化了诊断过程,又确保故障诊断精度.随后使用概率神经网络获取最终的故障诊断结果,该神经网络训练速度快,而且容易添加新的训练样本.最后将提出的方法用于某汽轮机组凝汽器故障诊断中,测试结果表明该方法行之有效,且易于工程实现.     

一种基于模糊规则和遗传算法的凝汽器故障诊断方法的研究

该文总结了汽轮机组凝汽器低真空常见故障，建立了凝汽器典型故障集。介绍了基于信息熵的故障征兆提取方法，建立了凝汽器故障征兆集。在利用模糊规则的故障诊断方法基础上，提出了一种基于模糊规则和遗传算法的凝汽器故障诊断方法。通过遗传算法对用于故障诊断的模糊规则进行精简，消除了低置信度规则的影响，从而提高了故障诊断效率。最后，将该文提出的方法用于某汽轮机组凝汽器故障诊断中，结果表明该方法行之有效，且易于工程实现。     

基于神经网络与遗传算法的汽轮机组数据挖掘方法

针对当前专家系统知识获取瓶颈的难题,提出了基于神经网络与遗传算法的汽轮机组数据挖掘方法。将汽轮机组历史故障数据首先进行模糊化及离散化处理,接着构造一个多层的前向神经网络,然后通过教师示教的方式训练构造好的神经网络,最后进行基于遗传算法的神经网络优化。以神经网络为知识本体,提出了汽轮机组故障诊断分类规则的挖掘算法,其实现过程有4个步骤:计算效果度量矩阵;提取规则;计算规则权重;基于遗传算法的规则修剪。实现了基于神经网络与遗传算法的汽轮机组数据挖掘和故障诊断仿真系统,其诊断正确率达到了84%。     

基于神经网络的凝汽器故障诊断系统

凝汽器是汽轮机的一个重要的辅助设备，本文提出了一种基于神经网络的凝汽器故障诊断方法，该方法具有较强的故障模式识别能力，为凝汽器故障诊断的自动化、科学化提供了一种有效的方法。     

基于概率神经网络的高压断路器故障诊断

高压断路器是最重要的电力设备之一,在电力系统中起控制和保护作用。为了提高高压断路器故障诊断的准确率,提出了一种基于概率神经网络(PNN)的高压断路器故障诊断方法。该方法在分析高压断路器的故障特性来确定特征信号的基础上建立了PNN故障诊断模型,该模型将采集的特征数据作为网络的输入,通过Parzen窗估计法得到类条件概率密度,进而按Bayes决策规则对特征数据进行分类。经仿真表明,概率神经网络故障诊断模型具有收敛速度快、故障诊断准确率高、容易训练等特点。因此,该方法是一种有效的故障诊断方法,具有良好的应用前景。     

基于海鸥算法优化概率神经网络的变压器故障诊断*

:传统概率神经网络PNN依靠经验取平滑因子进行变压器故障诊断,导致预测准确率不高,因此提出一种基于无编码比值法（九维度）的海鸥算法优化概率神经网络PNN,构建一种新型变压器故障诊断模型。该方法用海鸥算法优化平滑因子,再将结果赋值给PNN模型进行训练,减少人为因素对神经网络设计的影响。结果表明,相对于传统PNN模型、PSO PNN模型及SSA PNN模型,该方法准确率更高,为变压器故障诊断提供了新方法。     

凝汽器故障诊断的模糊交互熵算法

针对凝汽器故障诊断中的复杂性和不确定性,对凝汽器故障征兆集与故障论域进行改进。基于信息论中模糊交互测度(fuzzy cross entropy method,FCEM)的概念,提出一种广义的距离测度,计算凝汽器典型故障模糊模式与未知故障模糊模式之间的差异程度。通过对典型故障集的细化和扩充,提高了故障诊断的准确率。最后,将该方法用于600和300 MW火力发电厂汽轮机组凝汽器故障诊断中,结果表明该方法准确率达95%以上,且易于工程实现,证明了该方法的有效性。     

基于RBF神经网络的凝汽器故障诊断研究

针对BP网络的训练收敛速度慢,网络初值对学习性能影响比较大的缺陷,提出了一种基于RBF神经网络的故障诊断方法。介绍了RBF的网络结构和训练方法,并应用于凝汽器故障诊断中。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,建立了完备的学习样本。通过实例证明,RBF网络训练速度快,分类性能良好,在故障诊断领域具有很好的实用性。     

基于概率神经网络的高压加热器故障诊断及仿真

针对汽轮发电机组高压加热器发生的故障问题,提出了一种基于概率神经网络(PNN)的故障诊断方法。通过对该设备故障的定性分析,对比研究了PNN与误差反向传播神经网络(BPNN)分类模型对故障的分类效果。仿真表明,对高压加热器的故障分类中,在分类速度、精确度等方面,PNN模型均优于BPNN分类模型。     

模糊及神经网络在凝汽器故障诊断中的应用

基于模糊信息处理和多层前馈感知器提出了汽轮机凝汽设备的故障诊断方案。详细介绍了模糊量化过程,并对神经网络的训练知识获取、知识表示、训练、泛化（即进行诊断）等过程作了详细描述。最后应用该方案对某凝汽器进行了故障诊断仿真研究,结果表明该方法行之有效。     

基于概率神经网络的电力变压器故障诊断

提出了一种基于概率神经网络的变压器故障诊断方法,并用遗传算法优化概率神经网络的平滑因子,从而提高概率神经网络诊断的正确率。结果表明,实际的油色谱数据验证了此变压器故障诊断方法的可行性和正确性。     

利用DGA-NN诊断油浸式电力变压器故障

人工神经网络以其良好的非线性映射能力广泛应用于电力变压器故障诊断。为研究反向传播神经网络(BPNN)和概率神经网络(PNN)的学习过程、网络参数选择等问题,利用Matlab的神经网络工具箱结合油中溶解气体建立了BPNN和PNN的故障诊断模型,并对其性能做了分析和对比。结果表明,两种网络均能较好地实现变压器故障的实时诊断。因初始化权值的随机性,BPNN的输出结果具有差异性,收敛速度较慢,而PNN网络结构自适应确定,可以随时添加训练样本,且训练速度较快,适合于实现变压器故障的实时诊断。相同条件下,PNN的收敛速度约为BPNN的5倍。     

基于HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。     

Empirical mode decomposition with Hilbert transform for classification of voltage sag causes using probabilistic neural network

This paper employs Empirical Mode Decomposition (EMD) combined with Hilbert Transform (HT) to detect the voltage sag causes. Any power quality disturbance waveform can be seen as superimposition of various oscillating modes. It becomes necessary to separate different components of single frequency or narrow band of frequencies from a non-stationary signal to identify the causes which contribute to power quality disturbances. The main characteristic feature of EMD is that it decomposes a non-stationary signal into mono component and symmetric signals called Intrinsic Mode Functions (IMFs). Further, the Hilbert transform is applied to each IMF to extract the features. Then, Probabilistic Neural Network (PNN) classifier is constructed based on EMD which classifies these extracted features to identify the type of voltage sag cause. Three voltage sag causes are taken for classification (i) fault induced voltage sag, (ii) starting of induction motor and (iii) three phase transformer energization. A comparison of EMD with Wavelet Transform (WT) is made. The performance of PNN is compared with Multilayer Neural Network (MLNN) based on the above mentioned two methods. Simulation results show that the EMD method in combination with PNN is more efficient in classifying the voltage sag causes.     

基于小波包与改进的PSO-PNN变压器励磁涌流识别算法研究

利用小波包对励磁涌流和故障电流信号进行分解并提取小波包能量特征。采用改进粒子群(PSO)算法训练概率神经网络(PNN)寻找全局最优,对PNN网络的输入输出、传递函数以及隐含层节点数进行确定,建立PNN的网络模型,对网络进行训练测试,最后提出保护判据。研究发现,该算法不仅训练速度和收敛速度快,而且具有较高的识别精度。     

基于WMAN的馈线快速保护实时性研究

利用纵联保护原理可以很好地解决馈线间多开关的保护定值配合问题,实用的关键是保护通信的成本.馈线快速保护对通信的实时性要求相对较低,因此可以考虑采用低成本但实时性较差的无线通信技术.提出一种宽带无线城域网(WMAN)技术的实现方案,重点对该通信方案的延时进行了分析.研究表明,通过完善网络协议,可以满足馈线快速保护的实时性要求.该方案通信的延时主要是无线网络物理层和媒体访问控制(MAC)层延时.其中,物理层延时比较确定,选择合适的标准帧长就可以满足要求:MAC层延时具有很大的不确定性,主要是带宽申请和服务调度的延时,但如果建立专门的带宽申请时隙,并将保护信息作为最高优先级服务,其延时也可以控制在较短时间.仿真计算结果证明该方案总延时在100 ms之内.     

基于概率神经网络和双小波的电能质量扰动自动识别

对电能质量(PQ)扰动的自动识别是找出引起PQ问题根本原因的前提。提出了一种基于概率神经网络PNN(Probabilistic Neural Networks)和db10,db1双小波的PQ扰动自动识别方法。首先,利用db10小波对信号进行分解,将各层小波变换系数的能量和第1高频层模极大值情况作为PNN的输入矢量,判断扰动类型;然后,对信号进行傅里叶变换以检测信号中是否含有谐波;最后,对判断存在电压下降的信号进行db1小波分解,根据其低频层的模值区分电压下陷和电压中断信号。测试结果表明,该方法提高了识别正确率,且实现简单,能有效检测幅值较小的谐波。     

ANN-Based Protection Scheme for Power Transformer

The implementation of a pattern recognizer for power system diagnosis can provide great advancement in the protection field. The work reported in this paper demonstrates the use of an Artificial Neural Network (ANN) as a pattern classifier for differential relay operation in the protection scheme for power transformer protection. The proposed relay takes care of maloperation due to inrush current, overexcitation, and ensures operation during internal fault. The off-line experimental result presented in this paper shows that a FeedForward Neural Network (FFNN) can be considered as an attractive alternative method to make the discrimination among normal, magnetizing inrush, overexcitation, and internal fault currents in a digital relay implementation. Results showing the performance of the protection scheme indicate that it is fast and reliable.