基于人工免疫分类算法的电力变压器故障诊断

基于人工免疫识别原理提出一种电力变压器故障诊断方法。该算法模拟自然免疫中抗原和B细胞相互作用机制,将故障样本(变压器油中溶解气体体积)作为抗原,用加权欧氏距离计算亲和力,兼顾分量单项超标故障信息,通过免疫训练,获取表征故障样本的人工识别球集合,再用最邻近分类法对故障样本分类。实例表明,该算法能有效识别变压器故障,具有较高的检测准确率,在电力变压器故障诊断中有良好的应用前景。     

电力变压器故障诊断的人工免疫网络分类算法

变压器油中溶解气体分析是电力变压器绝缘故障诊断的重要方法.文中将人工免疫网络分类算法应用于电力变压器故障诊断,利用增加抗原、记忆抗体类别信息的人工免疫网络对故障样本进行学习,可以获取更好地表征故障样本特征的记忆抗体集,再用最邻近分类法对故障样本进行分类.经大量实例分析,并将其结果与IEC三比值法和BP神经网络等方法的结果相比较,表明该算法能有效地对电力变压器单故障和多故障样本进行分类,具有较高的诊断准确率.     

基于混合免疫算法的变压器故障诊断

为了提高变压器故障诊断正确率,提出一种免疫支持向量机混合智能诊断方法,首先将变压器故障分为放电性和过热性,然后用免疫聚类算法对所荻取的数据进行预选取,加快模型参数的确定速度,利用支持向量机识别类内变压器故障,利用基于交叉验证的网格搜索法来确定支持向量基的参数.经过大量实例分析,并将其结果与神经网络方法进行对比,表明该算法具有较高的诊断精度.     

基于人工神经网络的变压器故障诊断

介绍了电力变压器故障诊断的人工神经网络法 (ANN) ,提出了人工神经网络的模块化结构 ,并用具体实例说明了ANN对变压器内部潜伏性故障作出早期诊断的可行性和有效性。     

基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断

针对电力变压器单一故障和多故障诊断问题,模拟生物免疫系统,提出一种两级分类器级联的诊断算法。采用遗传算法优化支持向量机核函数参数的电力变压器故障和正常状态初分类器,和以灰关联度度量抗体与抗原之间亲和力的灰色人工免疫算法,设计了动态疫苗机制的高频变异操作。根据不同的故障类型,训练生成最佳记忆抗体集。采用5近邻综合决策法,根据最佳记忆抗体集诊断电力变压器故障类型。实验表明,遗传支持向量机和动态疫苗机制的灰色人工免疫算法相结合的电力变压器故障诊断算法,对电力变压器单一故障和多故障都能够有效地分类,提高了电力变压器故障诊断的准确率和速度。     

基于克隆选择分类算法的电力变压器故障诊断

变压器油中溶解气体分析是进行电力变压器故障诊断的一种有效方法,将克隆选择分类算法引入电力变压器油中溶解气体分析,利用免疫克隆选择原理学习并提取表征故障样本特征的记忆抗体集,然后用最邻近分类法对故障样本进行分类。人工免疫系统具有良好的自学习和自记忆能力, 使得克隆选择分类算法具有很强的非线性分类和泛化能力。经大量实例分析,并将其结果与IEC三比值法和BP神经网络等方法的结果相比较表明,该算法能有效对电力变压器单故障和多故障样本进行分类,并具有较高的诊断精度。     

结合遗传算法的人工神经网络在电力变压器故障诊断中的应用

人工神经网络在电力变压器故障诊断中有广泛的应用。常用的反向传播界法存在着容易陷入局部极小点、对初值要求高的缺声、，给故障诊断带来不便。本文提出采用遗传算法优化人工神经网络结构的初仅，将遗传算法与人工神经网络结合起来.迅速得到最佳人工种经网络权值矩阵与阈值向量，实现故障诊断。     

基于加权K近邻算法的变压器故障诊断

该文将K近邻分类方法引入基于溶解气体法（DGA）的变压器故障诊断中。并针对经典K近邻方法（K-NN）存在的缺陷,提出根据待分类样本和近邻样本的距离来加权的改进方法。最后通过仿真验证了该方法的有效性。仿真表明,当K的取值在一定范围内时,经典的K-NN算法和加权的K-NN方法都具有比较高的准确性,且加权的K近邻方法比经典的K近邻法体现出了更好的性能。     

用神经网络方法诊断变压器故障

基于局部特征量的神经网络方法对变压器的故障诊断进行了新的探索，建立了相应的故障诊断的神经网络压缩模型，实例诊断结果证明，这种方法的有效性，本方法能够诊断传统的三比值法无法诊断的故障，对于其他系统的故障诊断，也具有定的指导意义。     

改进免疫聚类算法的变压器故障诊断研究

电力变压器是电力系统中的最关键的设备之一,一旦其发生故障,必然会带来巨大的经济损失。本文分析了模糊C均值、免疫算法、混沌优化算法应用于变压器故障诊断的应用现状,提出了基于灰色关联度的免疫模糊聚类算法。在算法中,将故障样本间的灰色关联度和模糊聚类目标函数作为个体亲和度的函数的参数,混沌变异采用柯西变异算子,使得较大概率的搜索广大空间成为可能,从而产生较大变异,这样不易陷入局部最优点,从而保持种群的多样性。实验结果表明,采用所提方法使变压器故障诊断的准确率达到90%以上,该算法不仅有效的克服了传统的FCM聚类算法易陷入局部最小值的缺点,又能有效的抑制免疫进化过程中产生的"退化"现象。     

人工智能在变压器故障诊断中的应用

人工智能（AI）在变压器故障诊断领域的开发和应用,以专家系统和人工神经网络的研究最引入注目。已开发的软件TFDES由变压器故障诊断知识库、数据库、推理机、解释机制和人机接口组成,知识库建成模块化结构。人工神经网络TFDANN为模块化结构,采用反向传播的BP网络,引入了模糊逻辑理论。系统对运行中变压器的内部潜伏性故障,可作出早期诊断,对现场运行人员可提供“咨询”意见。     

基于模糊模块化网络的电力变压器故障诊断

建立了变压器故障诊断的模糊模块化网络模型,实现对电力变压器的故障诊断.     

基于模糊免疫识别方法的电力变压器故障诊断

在人工免疫识别系统的基础上,结合模糊推理,提出了基于模糊免疫识别的充油变压器故障诊断方法。代表相同B细胞的人工识别球经克隆选择和资源竞争后产生具有分类性能的记忆抗体,但其资源分配数目和人工识别球的刺激水平成线性,易使少数优秀人工识别球占据过多资源,引起人工识别球种群早熟收敛。将模糊推理应用于资源分配机制中,可使分配兼顾刺激水平和抑制水平,改善收敛性能。实例分析表明,以H2、CH4、C2H4、C2H6、C2H2等5种气体含量为特征参数,将模糊推理与人工免疫识别系统相结合的方法,能有效诊断变压器内部潜伏性故障。     

基于CMPSO—BP算法的变压器故障诊断

将基于遗传算法交叉变异思想的改进粒子群优化(CMPSO)算法和误差反向传播(BP)算法相结合构成的CMPSO-BP混合算法用于训练神经网络,该混合算法有效克服常规BP和PSO-BP算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断实验。诊断结果表明,CMPSO-BP混合算法较BP及PSO-BP算法具有较高的诊断准确率。     

一种基于遗传算法和神经网络的故障诊断方法

针对人工神经网络中常用的反向传播算法存在易陷入局部极小点和对初值要求较高的缺点,提出一种基于遗传神经网络的电力电子电路故障诊断方法.该方法在BP神经网络拓扑结构确定的情况下,先用遗传算法来训练网络的权值和阈值,经过若干代的交叉、变异后得到稳定的权值和阈值;再将它们赋值给BP神经网络作为初始值,重新训练.实例表明优化后的...     

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IGSO优化LM网络的变压器故障诊断方法

针对现今电力变压器故障诊断方法中存在编码边界区间过于绝对、准确率不高等一系列问题,提出了一种自适应搜索萤火虫算法（IGSO）优化列文伯格·马夸尔特（Levenberg Maquardt,LM）网络的变压器故障诊断方法.该方法采用萤火虫个体代表神经网络的权值和阈值、LM网络的均方误差函数作为萤火虫个体的适应度函数,利用改进萤火虫算法迭代寻优得到LM网络的最优权值和阈值.同时,运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,不仅有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点.然后,建立基于自适应搜索萤火虫算法优化的神经网络模型,并将典型变压器故障数据代入仿真,通过与贝叶斯正则化神经网络模型以及粒子群模型的仿真结果对比,表明该方法具有较好的分类效果,准确率达到88.57％.     

基于QIA-BP神经网络算法的变压器故障诊断

在对变压器常见故障进行介绍的基础上,针对BP神经网络存在的缺陷,提出了经量子免疫优化的BP神经网络算法,通过与不同算法的对比,验证了该算法的准确性和快速性。     

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。     

基于DGA的差分进化支持向量机电力变压器故障诊断

针对支持向量机中参数选择严重影响分类效果的特点,提出采用差分进化算法对核函数g和惩罚因子c进行优化,得到最优的支持向量机模型,用于变压器的故障诊断。在简单介绍支持向量机的基础上,分析了采用差分进化算法对支持向量机优化的可行性。通过将收集的数据样本进行预处理,再利用差分进化的变异、交叉和选择对高斯径向基核函数进行优化,搜索出最优(c,g),并对得到的参数进行验证,获得最优的支持向量机模型。仿真实验表明,与SVM、GRID-SVM、GA-SVM、PSO-SVM相比,该方法误判率最低、全局寻优能力及鲁棒性较好。