自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

基于智能优化的分布式网络流量预测方法

网络流量预测是网络管理的重要内容,高效的流量预测方法可提高网络管理效率。针对网络流量的时变性等问题,提出了一种基于智能优化的分布式网络流量预测方法。该方法采用果蝇算法优化3次指数平滑预测模型中的平滑因子,对时间窗口内收集到的网络流量进行预测,从而有效地提高3次指数平滑模型下网络流量预测的准确度与效率。仿真实验表明：相比传统3次指数平滑预测模型,此方法可解决平滑因子的不确定性所导致的预测结果误差问题,有效提高了网络流量预测精度。     

基于智能优化的分布式网络流量预测方法

网络流量预测是网络管理的重要内容,高效的流量预测方法可提高网络管理效率.针对网络流量的时变性等问题,提出了一种基于智能优化的分布式网络流量预测方法.该方法采用果蝇算法优化3次指数平滑预测模型中的平滑因子,对时间窗口内收集到的网络流量进行预测,从而有效地提高3次指数平滑模型下网络流量预测的准确度与效率.仿真实验表明:相比传统3次指数平滑预测模型,此方法可解决平滑因子的不确定性所导致的预测结果误差问题,有效提高了网络流量预测精度.     

结合N-W方法的L-M算法在变压器故障诊断中的应用

在分析Levenberg-Marquardt(L-M)算法和Nguyen-Widrow(N-W)方法原理的基础上,提出了一种多层前馈神经网络训练算法,该算法在使用N—W方法初始化神经网络可变参数的基础上使用L-M算法训练多层前馈神经网络。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,使用了标准BP算法、加动量项BP算法和结合N-W方法的L-M算法训练该网络,结果表明算法收敛速度快、不容易陷入局部极小点。将训练所得网络用于变压器油中溶解气体分析故障诊断,诊断结果验证了该方法的有效性。     

基于粒子群优化随机森林的变压器故障诊断模型

变压器故障诊断正确率取决于诊断模型的构建、特征参量的选取以及故障类型数据的丰富,模型参数的调整也变得尤为重要.针对依据经验调整参数导致随机森林模型诊断变压器故障正确率不够高的问题,提出了基于粒子群优化随机森林(PSO-RF)的故障诊断方法.以油中溶解气体的无编码比值构成特征参量作为模型输入,通过PSO算法搜索RF模型的两个最优参数(子树棵数和分裂特征数),建立PSO-RF模型诊断故障类别,并与不同特征参量选择方法和不同模型进行对比分析.运用两个具体实例的诊断结果来验证所提诊断模型和特征选取的有效性.结果 表明:以无编码比值作为特征参量能挖掘更多的故障信息,并且PSO-RF模型故障诊断正确率优于SVM、BPNN与RF模型,随着样本空间的增大,故障诊断模型的效果越好.     

基于正态云模型的自适应果蝇优化算法

为有效解决果蝇优化算法易陷入局部最优和收敛精度低等问题,提出一种采用正态云模型优化的自适应果蝇优化算法。该算法首先给出敏感因子的概念,采用自适应机制来修正敏感因子,控制搜索步长,更新果蝇种群位置;然后采用正态云模型描述味道浓度参数的随机性与模糊性,动态调整味道浓度参数,进行嗅觉搜索操作。最后将该算法应用于自动组卷中,与相关文献中的果蝇优化算法进行实验比较分析。结果表明,该算法在组卷效率及寻优精度上均有所提高。     

基于梯形灰色聚类分析的电力变压器故障诊断

引入灰色系统理论,通过改进的灰色聚类算法,提出了影响因子的概念,通过影响因子对变压器故障标准模型的数据进行优化,选取梯形白化函数的两个端点,采用梯形灰色聚类算法对变压器故障类型性质及部位进行分析和判断。从而为变压器故障诊断提供了新的方法,实验分析结果表明,该方法与实际吊罩检测结果一致,具有一定的有效性和实用性,并且具有分析速度快,实时性好的优点。     

基于混沌粒子群优化支持向量机的变压器故障诊断

为了提高电力变压器故障诊断的准确性,也要克服人工神经网络(ANN)中存在的收敛速度慢、容易陷入局部极值等缺陷,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力,而且适用于支持向量机(SVM)参数优化,提高算法的鲁棒性.首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够准确地分类变压器故障,从而达到故障诊断的目的.实验结果与常规方法比较,该方法能简单有效,诊断速度快,诊断正确率高.     

改进PSO-BPNN的电力变压器故障诊断与模式识别

为了优化反向传播网络相关学习参数,提出一种粒子群优化辅助BP神经网络(BPNN)的新方法.以变压器油中气体体积分数百分比构造故障特征,将BP网络的初始权值和阈值进行实数编码,以对应PSO中的粒子,实现BP网络的离线训练与在线分析,对变压器故障模式做出判断.结果表明,该算法更合理地更新了粒子的位置和速度,最优地设置了全局极值,有效克服了粒子的早熟收敛,获得的故障诊断准确率高达91%,并大大提升了BP网络的收敛速度.该算法为此类设计提供了有效的模型参考.     

变压器油中气体组分含量在线监测与故障诊断

电力变压器运行可靠性直接关系到电力系统的安全及供电可靠性,为提高电力变压器故障诊断的准确率,由在线监测变压器油中溶解气体组分含量分析,提出了基于人工免疫和模糊C均值聚类分析方法有效结合的变压器故障诊断算法,通过对电力变压器油中的溶解气体进行分析,实现对变压器的故障诊断。重点研究了基于人工免疫网络的变压器故障样本数据处理、基于模糊C均值聚类对变压器故障的识别,以及仿真实验。实验结果表明:提出的算法能有效对变压器故障类型进行分类,该算法在变压器故障诊断中有较好的应用前景。     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.     

基于改进PSO-BP神经网络的变压器故障诊断

引入动态变异操作来优化粒子群算法,同时将改进的粒子群优化算法和误差反向传播的算法相结合,构成混合算法,用于训练人工神经网络,并将该混合算法应用于变压器的故障诊断.仿真结果表明,该算法具有较快的收敛速度和较高的计算精度;诊断结果表明,该算法有利于提高变压器故障诊断的正确率.     

基于多GEP分类器和DGA的变压器故障诊断

将GEP(Gene Expression Programming)方法与变压器油中溶解气体分析方法结合起来,提出了基于自适应GEP分类算法的变压器故障诊断方法。该方法继承了遗传算法(GA)的线性性和遗传程序设计(GP)的普适性,从而达到了简单编码解决复杂问题的目的,具有良好的收敛性和鲁棒性。选择能反映各种故障而又不冗余的400组DGA实测数据作为GEP分类器的训练样本和测试样本,并将测试结果与NB分类器,BP网络法,免疫分类法进行对比分析。大量诊断实例表明,所提出的自适应多GEP分类方法适用于变压器故障诊断,其性能优于另外3种方法。     

基于因子分析和基因表达式编程算法的变压器故障诊断

将因子分析和基因表达式编程结合起来,对变压器油色谱数据进行处理和智能训练,并建立变压器故障分类诊断模型;收集到332组油色谱数据,选取150组作为GEP分类器的训练样本,182组作为测试样本,并将测试结果与三比值法和朴素贝叶斯分类器进行比较。大量诊断实例表明,所提出的变压器故障诊断模型性能优于另外两种方法。     

基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断

提出了一种基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断方法.该方法将邻域粗糙集中的近似精度与信息论观点中的条件熵结合,提出近似条件熵的属性约简算法,减少故障冗余信息,得到最优决策表,并将得到的最优决策表作为概率神经网络(PNN)的训练样本,提高了PNN的训练速度和诊断效率,通过实验证明了所述方法的可行性和有效性.     

基于免疫代理的网络故障诊断研究

针对现有网络故障诊断系统的自适应能力弱、诊断速度慢和故障模式不同等问题,将免疫原理与代理技术相结合,采用分层多步的诊断思想构建诊断模型。基于克隆选择学说,提出新算法,完成检测器的训练。该算法选取了检测器克隆群,引进优化参数,可避免过早收敛和局部最优解的产生,从而改进诊断性能;同时还引入了检测器分类思想,加速诊断过程。与传统故障诊断方法相对比,该模型在处理复杂环境下的网络故障具有较明显的优势。     

基于BP神经网络的变压器故障诊断及其应用

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究一种基于BP神经网络算法的变压器故障诊断方法．通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明本算法的有效性．     

云模型在电力变压器故障诊断中的应用

鉴于物元理论在构建诊断模型时,忽略了分界值的不确定性,使诊断结果偏离了实际情况。利用云模型能合理地解决边界不确定问题,将物元理论与云模型相结合,建立了新的故障诊断模型。同时,结合油中溶解气体分析技术,通过对油中溶解气体的浓度、产气率、总烃含量以及气体间比值的分析,客观、准确地对变压器进行故障诊断。通过与其他诊断技术相比较,并结合案例分析,得出基于物元理论和云模型的变压器故障诊断技术具有更高的正确率。     

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题，提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先，利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题；其次，基于灰度特征的特征量提取方案，实现对红外伪彩图特征量的提取；最后，引入粒子群优化BP神经网络（PSO-BP）算法对变压器套管特征进行分类识别。实验结果表明，该方法对红外图像中套管的运行状态具有较好的检测效果，对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%，平均准确率达到93.518%，优于传统BP算法和支撑向量机（SVM）算法。