基于多值编码混合遗传算法的变压器故障诊断

根据网络的结构和参数的特性采用多值编码方式构造染色体结构,同时确定BP神经网络的结构,优化网络参数。在遗传算法中嵌入一个梯度下降算子,使得混合算法既有较快的收敛性,又能以较大概率得到全局极值。基于油中气体分析法的变压器故障诊断仿真结果表明,该算法有较快的收敛速度,较高的逼近精度。     

基于油色谱分析的变压器内部故障诊断探讨

基于油色谱分析理论,探讨变压器内部故障的诊断方法,通过在线实时监测分析油色谱,实现油浸式变压器的内部故障诊断和运行状态评估。     

基于BP神经网络的电力变压器故障诊断

介绍了基于BP神经网络的电力变压器的故障诊断方法,并给出了实例.     

基于重复脉冲法的变压器绕组匝间短路故障诊断

针对变压器绕组轻微匝间短路故障难以检测的问题,提出利用重复脉冲法的特征曲线进行匝间短路故障诊断的方法。分析了脉冲信号在变压器绕组内的传播过程,建立了反映该传播过程的变压器绕组分布参数电路模型,推导了发生匝间短路后波阻抗的变化规律。通过在变压器绕组一端输入一个低压脉冲,在另一端采集响应特性曲线,结合绕组匝间短路前后的2条响应特性曲线得到其特征曲线。分析特征曲线是否突起以此来判断是否发生匝间短路故障,从而实现故障诊断,而特征曲线的突起程度反映了绕组短路故障的严重程度。结合人工神经网络算法,对所提方法的故障识别率进行分析,仿真样本分析显示其故障识别率可达95%左右。仿真和实例分析结果表明了重复脉冲法对诊断变压器绕组匝间短路故障的可行性及准确性。     

基于多方法组合诊断模型的大型变压器故障诊断

电力变压器故障征兆与故障原因之间的关系错综复杂,而单项诊断方法由于信息特征独特、考虑角度单一,往往很难满足故障诊断的要求.因此,提出了在变压器故障诊断中采用多种方法组合诊断的思想,以克服单种方法的偏好对最终诊断结果所产生的影响.该方法采用模糊C均值聚类(FCM)诊断法、BP神经网络诊断法、粗糙集理论故障诊断法和IEC 60599推荐的三比值法这4种诊断方法作为独立的单项诊断方法,根据各自诊断的误判率,按照诊断误差平方和最小的原则计算出各个诊断方法的最优权重,形成最优投票组合模型,再求出最大发生概率的故障类型.诊断结果表明,该方法与单项方法相比,大大降低了诊断误判的风险,提高了故障诊断的准确率,增强了故障诊断的稳健性.     

基于广义神经网络与模糊聚类的变压器故障诊断

鉴于IEC三比值法在变压器故障诊断中,存在编码缺失和编码边界过于绝对等缺陷,提出了基于广义回归神经网络(GRNN)和模糊C-均值聚类算法(FCM)的变压器故障诊断方法,建立了GRNN-FCM联合变压器故障诊断模型。选取变压器油中5种特征气体体积分数及其三比值编码作为输入特征向量,利用GRNN模型对样本故障进行初步判断(正常、过热、放电、放电兼过热),再采用模糊C-均值聚类算法对样本故障作进一步判断,最终得到具体的故障类型。将该模型与其他几种故障诊断方法进行对比分析,仿真实验结果表明,GRNN-FCM联合变压器故障诊断模型输出值与实际值具有较好一致性且准确度更高,验证了该模型的可行性及实用性。     

基于优化深度神经网络的配电网单相接地故障诊断

随着我国配电网的不断扩大,当配电网发生单相接地故障时,迅速找出并切除故障线路是供电可靠性的保证之一.提出了一种暂态故障特征和稳态故障特征相结合,并采用交叉熵损失函数和改进学习率优化的深度神经网络对故障进行辨别的方法.结果表明,方法有效地减少了深度神经网络的迭代次数,提高了学习效率.在辨别单相接地故障时,采用交叉熵损失函...     

基于改进粒子群优化XGBoost的变压器故障诊断方法

变压器作为电网传输和变换电能的主要设备,对DGA数据进行异常分析,可为变压器故障诊断提供理论依据。鉴于此,文中提出了基于DGA和IPSO-XGBoost的变压器故障诊断方法。首先,将特征气体划分为无编码比值作为特征参量输入极端梯度提升（XGBoost）模型,提出了基于XGBoost的变压器故障诊断模型;其次,通过动态调整惯性权重和加速因子对粒子群算法（PSO）进行改进,并利用改进的粒子群算法（IPSO）对XGBoost的关键参数进行迭代优化;最后,随机抽取1 614例故障类型已知的DGA数据进行算例分析。结果表明：相比于其它传统机器学习分类模型,XGBoost的变压器故障诊断正确率更高,且与传统PSO算法相比,所提方法可以更好克服粒子群寻优速度慢和易陷入局部最优等问题,可为变压器安全稳定运行提供有力保障。     

基于IPPA优化PNN的变压器故障诊断研究

针对变压器故障诊断精度低的问题,本文提出一种改进寄生捕食算法(IPPA)优化概率神经网络(PNN)的电力变压器 故障诊断模型,首先利用主成分分析(PCA)对故障数据进行数据降维减少无效特征,然后利用混沌反向学习,柯西变异算子和 融合贝塔分布的线性递减函数的权重等多策略改进寄生捕食算法( IPPA),提高其优化能力,并使用改进后的 IPPA 算法优化 PNN 网络的平滑因子,以提高 PNN 的分类精度和鲁棒性。 最后将 PCA 处理后的数据输入到 IPPA-PNN 模型中进行故障诊断 并以变压器数据为依据进行测试,测试结果表明,IPPA-PNN 模型准确率达到 93%相比于 PPA-PNN 和 PSO-PNN 模型提高了 7%和 10%能够有效地提高变压器的故障诊断性能。     

基于SMOTE平衡数据集的BP神经网络变压器故障诊断

变压器是电力系统中的重要设备,快速准确识别变压器的不同类型故障对提高电力系统的稳定性具有重要意义.然而,故障样本不足会严重影响变压器故障诊断的准确性.为此从数据和算法两方面入手提出一种适用于不平衡数据集的变压器故障诊断方法.首先,提出了一种基于托梅克链接移除算法和合成少数类过采样技术相结合的样本均衡化方法,该方法能够在...     

基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法

传统的深度信念网络规模大、难度大、训练时间长,导致其故障诊断的时间较长。针对该问题,提出了一种基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法。采用贝叶斯正则化算法改进传统深度信念网络的训练性能函数,在保证网络精度的同时快速提高计算速度,从而提高网络的收敛速度。实验结果表明,经过贝叶斯正则化改进后,深度信念网络训练的泛化能力得到了提高,同时故障诊断的准确率也得到了保证。     

基于鲁棒能量模型LS-TSVM和DGA的变压器故障诊断

鲁棒能量模型最小二乘双支持向量机作为最小二乘双支持向量机(LS-TSVM)的改进算法,训练速度快、鲁棒性好且泛化能力强。将其引入到变压器故障诊断中,并提出一种鸡群算法优化鲁棒能量模型LS-TSVM的变压器故障诊断模型。在该模型中,结合二叉树和鲁棒能量模型LS-TSVM构造多类分类器用于变压器故障类型识别,并采用搜索性能较强的鸡群算法对鲁棒能量模型LS-TSVM的参数进行优化,以使模型的诊断性能达到最佳。基于DGA的变压器故障诊断实例表明,该方法故障诊断模型精度高,诊断效果优于PSO-SVM模型。     

基于改进微分进化优化神经网络的电力变压器故障诊断

提出了一种改进微分进化(IDE)与误差反向传播神经网络(BP)相结合的变压器故障诊断新方法.提出了不依赖优化问题的控制参数自适应调整策略,并动态监视种群适应度方差的变化,使IDE具有强劲的全局搜索能力,能很快地寻找到全局最优点.该算法能有效地克服常规BP神经网络权值和阈值收敛速度慢、易陷入局部极小值等缺点,实现了两种算法的取长补短.将该算法用于变压器故障诊断,并与基于其他算法的变压器故障诊断进行比较,仿真结果表明该算法具有收敛速度快、鲁棒性好、分类精度高的优点.     

基于加权小波神经网络的油浸式电力变压器故障检测

分析变压器油中溶解气体含量进行变压器故障诊断的关键是找到油中溶解气体含量和故障之间的非线性关系.针对已有检测方法诊断准确性不高的问题,提出不基于Fourier变换,而是利用细分的方法构造一类新的具有加权性质的小波函数.将小波函数作为前馈神经网络的隐含层函数并优化网络的学习率,构造出加权小波神经网络处理变压器油中溶解气体含量数据.通过实际故障数据验证,此方法较已有的诊断方法准确性更高,在同等计算精度下速度更快,进而提高了变压器故障诊断的效率.     

基于量子神经网络信息融合的变压器故障诊断

针对电力变压器故障的多样性和故障信息的不确定性、数据量大及无规律性的特点,提出了基于量子神经网络信息融合的故障诊断方法.将多个电力变压器故障参数信息引入到各子量子神经网络进行局部融合诊断,再将各局部诊断信息引入决策融合网络进行全局融合,最终诊断出5种电力变压器故障并给出可信度评价.实验仿真结果表明:量子神经网络信息融合方法有效,诊断结果可靠,能将不确定性的数据合理地分配到各类故障模式中,故障正判率达到97.78％,远高于BP神经网络信息融合及改良IEC三比值法.     

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。     

基于振动分析的变压器铁心故障诊断

铁心松动是变压器故障中的一个重要问题,其诊断方法中振动法具有结构简单、安全性高、造价低等特点,应用前景良好,但现阶段研究的振动法均未考虑铁心松动引起的应力对硅钢片磁特性的影响,并且存在着受电压波动影响大的问题,容易误判.为此本文测试了在不同压应力下硅钢片的磁化特性和磁致伸缩特性,构建考虑压应力对硅钢片磁特性影响的变压器电磁-机械强耦合模型,采用有限元法计算铁心正常和松动状态下变压器振动特性,提出振幅故障特征值法实现对铁心松动故障的诊断.为有效避免电压波动带来的干扰,提出将电压和振动幅值故障特征值作为故障诊断条件,通过计算和实测证明此方法可行性和准确性,对精确诊断变压器铁心故障有重要意义.     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

CEEMDAN与GCN结合的配电变压器故障诊断

针对配电变压器故障特征提取困难、故障识别难度大的问题,提出一种将振动信号、自适应噪声完备集合经验模态分解 (CEEMDAN)与图卷积神经网络(GCN)三者有机结合的故障诊断方法。 首先,采用 CEEMDAN 对来自加速度传感器的振动信 号进行处理,获得一组固有模态分量(intrinsic modal function);其次求取边际谱信息作为特征向量;然后,对特征向量矩阵构造 无向加权完全图,并使用改进灰狼优化算法对高斯核带宽进行寻优;最后,搭建一个具备多通道和多连通的改进 GCN 模型进行 特征二次挖掘与故障分类。 与此同时,还在模型中加入一种名叫“峰值因子”指标实现对未知类型故障的辨识。 在实例分析 中,分别对油浸式和干式变压器进行故障模拟,提取不同状态的样本进行测试。 实验结果表明,所提方法对油浸式和干式变压 器的故障识别准确率分别达到 97. 73%和 95. 6%,优于其他两种对比方法。 在面对未知类型故障以及运行工况发生变化时,也 具备较高是识别能力。     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。