模糊神经网络在变压器故障诊断中的应用研究

基于模糊逻辑理论和人工神经元网络，提出了将模糊神经网络应用于变压器故障诊断的方法，该方法实现了变压器故障的智能诊断。     

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     

神经网络在变压器故障诊断中典型算法研究

为了随时检测变压器状态,及早发现并排除变压器可能存在的故障,笔者将3种不同的神经网络(即BP网络、GA-BP网络与RBF网络)应用于变压器故障诊断中,分别介绍了这3种网络的结构及原理,故障诊断采用MATLAB语言编程实现。大量实验数据结果分析表明,RBF网络在诊断准确率相比其他两种网络具有一定的优势。     

电力变压器故障诊断中模糊决策方法应用初探

电力变压器故障诊断受众多因素的影响,其中存在大量的不确定性因素。综合各方面的因素,判断出变压器运行或检修状况的优劣变化,是变压器故障综合诊断所要求达到的目的之一,本文将模糊决策方法应用于变压器故障诊断中,为解决这一问题提供了一种新的尝试。     

结合神经网络技术的变压器故障诊断专家系统

分析传统专家系统和神经网络存在的互补性,将这2种技术同时应用于变压器故障诊断,开发出一套实用的智能故障诊断专家系统。实例证明该系统是成功的。     

模糊遗传算法的神经网络方法在变压器故障诊断中的研究

基于油中溶解气体数据,避开了传统的比值方法,采用模糊遗传算法的神经网络(FGA-BP)方法来诊断变压器故障。该方法是在遗传寻优过程中,用模糊控制的方式对杂叉率与变异率进行动态调节,并结合神经网络来对故障实现模式识别。为了优化模式特征量,文章用灰关联分析方法对样本集进行了筛选,得到了一组模式特征向量,以此DGA数据作为FGA-BP的输入值,经过FGA-BP运算后,优化出一组用于模式识别的权重与阈值,在此基础上,结合实例对该诊断方法进行了分析与探讨。     

模糊识别在变压器故障诊断中的应用

本文提出了利用模糊模式识别判断变压器故障的新思路，以放电 过热故障为诊断识别模糊集，通过建立它们的模糊隶属函数，对每一种故障进行隶判断，以确定故障到了较理想的结果。本文的思想对电力系统的故障诊断及自动控制有一定的参考价值。     

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。     

神经网络应用于电力变压器故障诊断

将电力变压器油气分析法作为检测数据来源，利用神经网络这一强有力的故障诊断工具，有效地诊断电力变压内部故障。仿真结果表明，用神经网络诊断变压器故障具有更加优秀的性能。文中，作者采用的ＢＰ网络模型及算法，并对网络训练过程中一些技巧问题进行了讨论。     

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。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断。经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断.经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高.     

基于Python技术GA-BP神经网络的变压器故障诊断研究

本文中作者为了进一步研究油浸变压器的常见故障,结合遗传算法与BP神经网络的基本原理,利用Python语言在Tensorflow平台上编写了GA-BP混合神经网络的故障诊断模型,并验证了其可靠性。为变压器的故障诊断提供了一种全新的方法,分析结果为变压器的相关研究提供了重要参考。     

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。     

变压器故障诊断中溶解气体的模糊聚类分析

针对变压器故障诊断中的不足 ,介绍了模糊聚类分析的理论、方法及聚类效果的判别原则。将模糊聚类分析其应用于变压器的故障诊断 ,列举了诊断实例。     

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。     

基于概率神经网络的变压器故障诊断的研究

电力变压器故障诊断对变压器、电力系统的安全运行有着十分重要的意义,本文介绍了基于概率故障神经网络(PNN)在变压器故障诊断中的应用。通过运用所设计的网络针对不同类型故障进行定性诊断并比较实验数据的合理性,仿真结果表明,这种方法应用于工程实际问题具有良好的有效性和实用性。     

Petri网络在变压器故障诊断中的应用

Petri网络理论以网络理论，代数理论等为数学基础，以图形化的方法直观地描述了离散事件系统的各种关系和行为，适用于描述异步并发现象的计算机系统模型和对并行及并发系统进行行为分析，在人工智能领域中正得到越来越广泛的应用。作者提出一种基于Petri网络的变压器故障诊断模型，论述了利用Petri网络进行知识表示及推理的矩阵运算算法。描述了故障征兆与故障的关系。使用了比传统系统更深的知识、简单，明确。与传统的专家系统相比，利用此理论及方法仅仅使用简单的矩阵计算，可以减少诊断时间，提高准确度。通过实例对此模型进行的测试表明该模型方法是快速、准确的。     

电力变压器故障诊断的神经网络方法

提出并研究了电力变压器故障诊断的人工神经网络方法。根据变压器故障 诊断问题的特点，采用神经网络分块技术，将网络的输入、输出分别与故障症 状和故障类型相对应，建立了故障诊断的神经网络模型，并对故障实例进行了 测试验证。计算结果证明了这种方法的有效性和潜在的应用价值。     

基于Elman神经网络的油浸式电力变压器故障诊断

油浸式电力变压器的运行状态直接影响到电力系统的安全与稳定,对其进行故障诊断具有重要的现实意义。依据Elman神经网络具有动态处理数据及对历史数据敏感的能力,提出了将它用于油浸式电力变压器的故障诊断新方法,并给出了其具体的实现,同时对故障诊断的结果,将Elman网络与BP网络进行了比较。检测结果表明,Elman网络具有区别油浸式电力变压器不同故障类型的能力。