基于人工鱼群算法优化极限学习机的变压器故障诊断

为提高变压器故障诊断的准确性,本文采用优化性能更好的人工鱼群算法(Artificial Fish Swarm Algorithm, AFSA)对极限学习机(Extreme Learning Machine, ELM)进行优化,建立基于AFSA-ELM的变压器故障诊断模型。采用实际变压器故障数据进行仿真分析,并与其他模型进行对比,结果表明,只有AFSA-ELM模型诊断结果的正确率能够达到100%,验证了模型的正确性和优越性。     

基于DGA的粗糙集与人工鱼群极限学习机的变压器故障诊断

为有效克服变压器不完备故障样本数据对故障诊断结果的影响,文中构建了一种基于粗糙集的人工鱼群极限学习机变压器故障诊断方法,该方法首先运用粗糙集对决策表中的16个条件属性进行约简;其次,根据最简规则表对训练样本进行编码,利用已编码的训练样本对极限学习机进行训练,并运用人工鱼群优化方法对极限学习机的权值及阈值进行优化;最后,利用训练好的极限学习机方法对编码好的样本进行故障诊断。该方法将粗糙集在不完整数据方面所具有的优良特性与极限学习机优良的泛化能力有机融合,以有效提高故障诊断精度。经实例对比分析表明,所构建方法具有更高的诊断准确率,从而验证了该方法的有效性。     

基于改进鱼群算法和支持向量机的变压器故障诊断

电力变压器在整个体系中处于十分重要的地位,部件的运行概况和整个电网的稳定性具有密切联系。对电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,由于变压器故障样本比较少,属于小样本数据,而支持向量机能够较好地解决小样本的多分类问题,因此提出利用改进鱼群算法对支持向量机寻优得到全局最优解,得到具有最佳参数的支持向量机模型。通过数据实例分析得出,改进鱼群算法故障诊断模型比粒子群算法故障诊断模型和改良三比值法分类准确率高。     

基于模糊罗杰斯四比值法的变压器故障诊断

变压器故障诊断研究需要较高精度的神经网络算法,在故障诊断时需要通过训练信息来获得最优决策.由于变压器所处环境以及监测特殊问题,往往得不到完整数据,这也使得神经网络算法不能实现其自动获取的功能.针对变压器故障诊断的智能算法以及传统三比值法的缺点,以DGA数据为基础,建立了基于模糊罗杰斯(Roger's)四比值法的变压器故障诊断模型.结果证明,该模型在克服了以往故障诊断缺点的同时提高了故障诊断的精准度.     

基于改进人工鱼群算法的电网可用传输能力计算究

利用改进人工鱼群算法构造了可用传输能力问题的优化模型。首先采用潮流校验法解决了人工鱼群算法的初始值敏感问题;然后引入遗传算法,解决了人工鱼群算法的早熟问题;最后运用IEEE 30节点算例系统验证了所提算法的准确性和有效性,同时分析了人工鱼群算法在电网可用传输能力研究中尚需解决的问题。     

基于粗糙集理论的电力变压器绝缘故障诊断

提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法 ,它能够根据不完整征兆信息对电力变压器故障进行诊断。该方法不但可直接从完备的故障征兆样本集中导出正确的诊断结论 ,而且还能从不完备的故障征兆样本集中导出满意的诊断结论 ,它揭示了故障征兆信息的冗余性。实例诊断结果证实了该方法的有效性     

基于粗糙集理论的电力变压器绝缘故障诊断

提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法,它能够根据不完整征兆信息对电力变压器故障进行诊断.该方法不但可直接从完备的故障征兆样本集中导出正确的诊断结论,而且还能从不完备的故障征兆样本集中导出满意的诊断结论,它揭示了故障征兆信息的冗余性.实例诊断结果证实了该方法的有效性.     

基于改进模糊ISODATA算法的变压器故障诊断

模糊ISODATA算法在基于变压器DGA的故障诊断中存在一些问题。如:模式空间的划分缺乏依据,聚类分析时没有考虑各种气体成分对故障反映的灵敏度等。笔者对此进行了改进,引入了一个描述不同气体成分对故障反映灵敏度的指标权向量,并在每次迭代运算之后对聚类中心进行分解和合并处理。利用改进的ISODATA算法对3起变压器故障进行了分析,得到了比较高的判断准确度。     

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。     

采用GVWFCM算法的变压器故障诊断

以变压器DGA数据为初始特征向量,提出了一种基于遗传算法的动态模糊c均值聚类算法,建立新的交叉算子和变异算子以适合变长遗传编码,使用FCM局部优化算子,加强了遗传算法的局部寻优能力,提高算法效率和求解质量。实验表明该算法能有效地提高变压器故障诊断效率。     

基于粗糙集和自适应遗传算法的电力变压器故障诊断

采用自适应遗传算法和粗糙集相结合的方法对电力变压器的决策信息表进行属性约简,并进一步采用改进的值约简算法以获取最小决策表,从最终的约简决策表中提取出故障诊断规则。通过引入初始种群预处理、最优L个个体保存法、双亲单子法等操作加速算法的收敛速度,并结合两个实例证明了规则的正确可行性。整个算法简单、快速,可有效地应用于电力变压器的故障诊断中。     

基于混沌人工鱼群算法的输电网规划方法

人工鱼群算法收敛速度快,但存在早熟收敛现象;混沌优化算法具有遍历性、随机性和对初值敏感的特点,虽然全局搜索能力强,但收敛速度慢。大规模输电网规划方法对求解速度的要求越来越高,为此结合人工鱼群算法和混沌优化算法,提出了适用于输电网规划的混沌人工鱼群算法,该算法继承了混沌优化算法特点,使人工鱼群在搜索过程中避免陷入局部极值,同时改进了人工鱼的视野和游动步长,加快了寻优效率。算例结果验证了该算法的可行性。     

一种基于粗糙集理论的燃气轮发电机组故障诊断新方法

燃气轮发电机组的故障诊断,实质上是一个模式分类问题。本文以振动特征频谱为依据,提出了一种基于粗糙集理论的燃气轮发电机组故障诊断新方法。该方法不但可直接从完备的故障特征频谱样本集中导出正确的诊断结论,而且还能从不完整的故障特征频谱样本集中导出满意的诊断结论,它揭示了故障特征频谱信息的冗余性。本方法为在不完整征兆信息下的燃气轮发电机组故障诊断提供了新的思路。实例诊断结果表明了该方法的有效性。     

应用B样条理论改进的变压器三比值故障诊断方法

为了解决三比值法在变压器故障诊断应用中存在的问题,提出一种基于B样条理论改进的方法。该方法在对三比值法进行空间几何分析的基础上,采用B样条曲面表示故障特征区域间的分界面,通过柔性自适应地调整分界面的形状,可将误诊样本对应的故障特征纳入到正确的故障特征区域内,从而提高诊断精度。方法突破了原三比值法固定区域边界的限制,为故障诊断问题求解提供了一种新的解决思路。实例分析表明,改进后的方法既保留了三比值法对大多数样本能够准确识别的特点,又使三比值法具备了学习能力,其学习过程具有可视性,且学习效果是可控的。     

融合粗糙集和神经网络的变压器故障诊断

为提高变压器故障诊断的准确性,进行了利用粗糙集和神经网络来诊断变压器故障的研究。首先将连续属性的决策表离散化,部分属性采用基于油中溶解气体分析知识的方法离散化,部分属性采用自然算法和等频划分算法离散化;然后用粗糙集属性约简方法对离散后的决策表进行属性约简以获取最小决策表,约简后的最小决策表反映了变压器油中溶解气体的5种比值与故障的关系,是对IEC三比值法的扩展;最后用最小决策表训练BP神经网络,并用测试数据对训练后的BP神经网络进行检验。结果表明该方法比IEC三比值法有更高的故障判断准确率,结合粗糙集和神经网络诊断变压器故障可约简变压器故障诊断决策表,简化神经网络的结构,提高故障诊断的准确率。     

基于粗糙集的变压器故障诊断方法研究综述

介绍了粗糙集理论的基本概念、约简计算方法和约简过程,并对近年来基于单一粗糙集理论及其与其他智能方法组合的变压器故障诊断方法的主要研究成果进行了分析和评述,指出基于粗糙集理论的属性约简能够保证在变压器故障诊断结果一致的情况下选择最少的特征集,是变压器故障诊断的一个较好的途径。     

基于贝叶斯网络和粗糙集约简的变压器故障诊断

贝叶斯网络处理不确定性问题的能力可以很好地解决变压器故障诊断中因数据不完整而难以得到可靠结论的问题。为此,将贝叶斯网络分类器和粗糙集约简理论相结合,基于专家知识及统计数据建立贝叶斯网络分类模型,并综合运用色谱数据及电气试验数据作为变压器故障诊断的属性集输入,实现概率推理及对可能故障类型的排序,提高诊断结论的可靠性。此外,利用粗糙集约简理论对贝叶斯网络分类模型进行最小约简,降低网络结构的复杂性,减小模型所依赖的输入量,以更切合实际诊断情况。实验证明,该方法具有处理信息缺失的能力及容错特性,准确率较高,是一种变压器故障诊断的有效方法。