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 效地诊断电力变压器的内部故障。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，作者采用的是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。     

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。     

基于物元模型的电力变压器故障的可拓诊断方法

为了提高传统的油中溶解气体分析的诊断能力，提出了一种定性与定量相结合的电力变压器故障的可拓诊断方法。首先基于可拓学中的物元理论，建立了定性地描述电力变压器故障诊断问题的物元模型；其次引入可拓集合中的关联函数，根据故障特征定量地计算故障发生的程度；最后以195台次电力变压器为例验证了该方法的有效性。结果表明该方法能够克服IEC三比值法中无法诊断多重故障和无匹配的故障编码的不足,且具有更高的诊断准确率。     

一种变压器油中溶解气体故障诊断方法

为了提高变压器油中溶解特征气体的分析诊断准确度,结合模糊理论和改进遗传算法对改良IEC三比值分析法气体比值边界和故障编码进行模糊处理,通过模糊推理得到故障诊断结果,大幅度降低其他干扰气体对诊断结果的影响,从而提高变压器油中溶解气体色谱分析的准确度和精度,提高变压器绝缘油的运行可靠性。     

基于遗传算法和神经网络的结构损伤识别研究

应用遗传算法来优化神经网络的连接权值,在此基础上提出了基于遗传算法和神经网络的结构损伤诊断方法,并以一个矩形截面简支钢梁的损伤识别为例,进行了实例应用研究。该方法弥补了传统的BP神经网络收敛速度慢,易陷入局部极小点等缺陷。研究结果表明遗传算法和神经网络结合后兼有神经网络广泛的映射能力和遗传算法快速的全局收敛性能。     

基于遗传算法优化的小波神经网络在中长期水文预报中的应用——以三门峡为例

造成中长期水文预报研究和预报困难的主要原因是水文现象本身的复杂性和不确定性,以及内部复杂的非线性关系,针对这些问题,本文建立了一种小波神经网络时间序列模型,并用遗传算法对小波神经网络的连接权值和伸缩变量、平移变量进行优化。使用这种模型对黄河三门峡站逐年月天然流量进行预报检验,并将检验结果与传统的小波神经网络和BP神经网络进行对比,从模型预报精度、趋势性和稳定性3个方面进行分析,分析发现,这种遗传算法优化的小波神经网络时间序列模型能够有效地克服传统的小波神经网络和BP网络容易陷入局部极小的缺陷,能够对水文现象的趋势性作出较精确的预测,具有良好的预报精度和稳定性。     

关联度分析在变压器故障诊断中的应用

为了提高传统油中溶解气体分析（DGA）的诊断能力，克服相对关联度诊断变压器故障的不足，探讨了基于关联分析的故障诊断理论,提出了三级关联算法, 建立了一种定性与定量相结合的电力变压器故障诊断的三级关联度方法。以氢气、甲烷、乙烷、乙烯和乙炔这5种油中溶解气体的含量参数作为特征量，验证了新方法对变压器故障的实际诊断效果。结果表明，该方法不仅能找出故障类型，而且能确定故障部位，其有效性超过了传统的相对关联度方法。     

基于小波包-神经网络的尾水管故障诊断

尾水管水压脉动信号中包含与涡带紧密相关的低频信息。偏心涡带是引起尾水管振动故障的主要根源。傅立叶变换很难提取涡带的低频特征，为此采用小波包与神经网络相结合的方法，对尾水管信号进行小波包多层分解，以提取信号的特征信息，然后输入神经网络进行故障诊断。试验表明：该法能利用小波包时频局部聚焦分析能力和神经网络的自适应能力，对尾水管振动故障进行有效诊断。     

基于DGA的变压器故障诊断多专家融合策略

介绍了基于油中溶解气体分析(DGA)的电力变压器故障综合诊断。采用的诊断判据主要包括改良三比值法、大卫三角形法、神经网络和范例推理。在多专家（多诊断判据）的参与下，可能出现诊断结果相互冲突的问题,而如何融合不同诊断判据下的诊断结果仍是一个难点。为解决这一问题，在把各诊断结果分解为放电和过热故障的基础上，引入了多专家加权投票策略（加权多数算法）。权重系数根据各诊断判据的诊断正确率初步确定。实践证明了该方法的可行性。     

电力变压器的安装要求及故障判断处理

电力变压器在电力系统中，是一个重要的供电设备，对整个电力系统正常运行起着重要作用。文章介绍了电力变压器在安装及运行中对故障的判断和处理方法。