基于遗传算法的神经网络在发电机定子超高频局部放电模式识别中的应用

应用BP(误差反向传播算法)、AGA(自适应遗传算法)和AGA-BP神经网络对发电机定子超高频局部放电的三种类型进行了模式识别。结合AGA和BP算法各自的优点,构造了AGA-BP混合算法作为神经网络的学习算法。实验结果表明,AGA-BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又提高了AGA神经网络的收敛速度、稳定性和求解质量。     

AGA-BP神经网络用于变压器超高频局部放电模式识别

结合自适应遗传算法(AGA)和BP算法各自的优点，本文构造了AGA—BP混合算法作为神经网络的学习算法。分别采用BP、AGA和AGA—BP神经网络对实验室中变压器超高频局部放电自动识别系统检测列的五种放电类型进行了模式识别。实验结果表明，AGA—BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题，又提高了AGA神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力。     

自适应遗传算法在变压器超高频局放模式识别中的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法,对实验室中变压器超高频局部放电自动识别系统检测到的5种放电类型进行了模式识别。实验结果表明,AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题,具有较高的识别率和较强的推广能力,可以很好的应用于变压器超高频局部放电的模式识别中。     

自适应遗传算法在变压器局部放电高频模式识别的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法,对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别.实验结果表明,AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题,具有较高的识别率和较强的推广能力,可以很好地应用于变压器局部放电的超高频模式识别中.     

自适应遗传算法在变压器局部放电超高频模式识别中的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法，对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别。实验结果表明，AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题，具有较高的识别率和较强的推广能力，可以很好地应用于变压器局部放电的超高频模式识别中。     

模式识别在发电机局部放电检测系统中的应用

本文简要介绍了发电机局部放电及在线检测系统的结构，主要分析了BP神经网络学习算法及在发电机局部放电模式识别方法中的应用。通过对发电机三种典型放电模式的识别，验证了基于该算法的模式识别方法可应用于发电机局部放电检测系统中。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

基于随机森林的发电机定子线棒局部放电图谱特征识别方法

发电机定子线棒局部放电的在线监测和故障诊断对于电机故障预警、故障定位和指导机组检修有重要意义。目前存在部分不同类型局部放电相似度高,模式识别方法计算时间过长的问题,需要高精度和高效的识别方法,为此提出一种基于随机森林的定子线棒局部放电识别方法。制备了6种类型定子线棒,用特高频天线检测局部放电信号,基于相位分布局部放电(PRPD)图谱比对,提出参数幅值不对称度。基于随机森林方法识别缺陷类型,计算特征重要性,选择有效特征。最后,可视化特征相似度,与传统反向传播(BP)神经网络方法对比,验证有效性。结果表明：随机森林算法可以有效识别人工缺陷定子线棒局部放电,总体识别正确率达到93.33%。筛选半数特征后,随机森林比BP神经网络的准确率提高了10.83%,特征选择对随机森林的准确率影响很小,但识别效率大幅提高。随机森林在少量特征时识别准确率、计算时间都明显优于神经网络。幅值不对称度参数的重要性排在全部特征前1/3,具有推广价值。     

风力发电机故障诊断的优化算法研究

为提高风力发电机故障诊断的可靠性,结合小波变换,提出一种遗传算法优化BP神经网络(GA-BP)的综合优化算法.利用单子带重构改进小波变换方法对风力发电机的定子电流信号进行分解与重构,提取准确的特征量;通过遗传算法的选择、交叉、变异等操作和全局寻优特性获取稳定的权值和阈值,赋值于BP网络作为初始值;借助BP网络的自学习、寻优具有精确性等特性不断训练网络;最后以BP神经网络的非线性映射能力完成对风力发电机的故障诊断.算法对比和实例分析表明,该算法对风力发电机的故障诊断有良好的实用性.     

改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

人工神经网络用于发电机定子绝缘局部放电模式识别

讨论了反向传播算法的人工神经网络在局部放电模型类型识别中的应用,设计了反映大型发电机定子绝缘局部放电的5类不同物理仿真绝缘模型。仿真模型包括的局部放电类型有端部放电、槽间放电、在绝缘不同位置的三种内部放电。研究了人工神经网络的识别能力。针对大型发电机定子绝缘局部放电的类型,得到了较好的识别率。     

Partial Discharge Detection with High‐Frequency Band through Resistance–Temperature Sensor of Hydropower Generator Stator Windings

In order to improve the signal to noise ratio for partial discharge (PD) detection using a resistance–temperature detector laid in the stator windings of a hydropower generator, the continuous wavelet transform (CWT) is applied as a kind of time‐frequency analysis. Relying on the combination of frequency resolution and time resolution using an applied power voltage phase angle distribution, PDs occurring in voids of stator windings are expected to be found within a mixed environment of strong noise and confusable noise. Furthermore, we found that the CWT may make it possible to calibrate the PD charge quantity in a band of a few tens of MHz under favorable conditions, where calibration is usually difficult for generator stator windings.     

基于时频特征分析的变压器有载分接开关运行状态识别

为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。     

基于蚁群优化算法的短期负荷预测研究

为了克服BP算法收敛速度慢和易于陷入局部最小的不足,作者提出将蚁群优化算法用于短期负荷预测的递归神经网络模型学习算法,对实际负荷系统日、周预测的仿真测试表明,该模型能有效地提高短期负荷预测的精度,对工作日和休息日都具有良好的稳定性和适应能力,其预测性能明显优于基于BP算法的递归神经网络(BP-RNN)和基于遗传算法的递归神经网络(GA-RNN).     

大型发电机定子局放在线检测中放电量标定研究

发电机局部放电信号强度是判断定子绝缘状态的一个重要参量,目前对发电机定子局部放电信号的强度有多种表示方法,造成了认识上的混乱。本文探讨了大型发电机定子局放量标定中存在的困难及其原因,讨论了采用不同带宽的检测系统对放电量标定带来的影响,对大型发电机定子局部放电信号强度的表示方法提出了建议。     

发电机定子离线局部放电试验的现场操作与数据分析

离线局部放电试验通常用于发电机定子绕组绝缘的老化鉴定.离线局部放电试验一般需要无局放电源将定子绕组加至一定电压,通过局部放电传感器和检测阻抗,检测系统测量局部放电信号.停机后热态下的发电机所处的状态与运行时发电机所处的状态差异很大,因此不能以停机之后的热态来比拟运行状态,离线局部放电试验应该在定予清扫之后进行.应采取抗...