基于混合粒子群的变压器局部放电定位研究与应用

放电源的精确定位是保证变压器稳定运行、延长服役寿命的关键环节。通过两个标准测试函数对所提模拟退火混合粒子群算法进行测试,发现其对比普通粒子群(PSO)在稳定度及精度上均有所提升,将该方法应用于局部放电(PD)的定位模型中,发现该算法能够对变压器中的PD点进行精确定位,并对比自适应及普通粒子群算法所得结果精度均有提升,为现场定位试验需要提供了参考。     

基于粒子群和克隆选择算法的局部放电超声波定位方法

针对粒子群算法在变压器局部放电超声波定位中存在定位精度不高、易陷入局部最优等问题,文中提出一种基于粒子群和克隆选择混合的优化方法.首先,根据电声法定位原理建立优化模型;然后,由粒子的适应度对粒子进行按比例克隆复制、高频变异和消亡补充处理,有效维持种群的多样性,避免算法早熟收敛,同时,利用粒子群算法指导变异抗体通过更新速度和位置来加速最优解的寻找,提高收敛速度;最后,将所提方法与粒子群算法和遗传算法的优化结果进行比较,仿真结果表明该算法具有较高的收敛速度和计算精度,提高了定位的准确度.     

基于双态二进制粒子群优化算法的配电网故障定位

针对二进制粒子群算法在复杂配电网故障定位时易出现早熟收敛情况,本文提出一种双态二进制粒子群优化算法。通过引入进化因子,把粒子群分成捕食状态和探索状态两个部分,让陷入或即将陷入局部极值的粒子跳出来进行全局搜索。构造故障定位的评价函数,以33节点配电网为例,在故障信息完整和部分畸变的情况下,用该算法与二进制粒子群算法分别对配电网中的单点故障定位和多点故障定位进行仿真分析,结果验证了该算法的高效性和高容错性。     

改进粒子群优化神经网络的变压器故障诊断

在分析传统误差反向传播(BP)算法和标准粒子群优化(PSO)算法的特征及其问题基础上,提出一种改进粒子群优化(IPSO)算法和改进BP(IBP)算法,建立基于IPSO-IBP混合算法的电力变压器神经网络故障诊断模型。通过85组训练样本和16组测试样本的仿真对比分析,该方法能够实现电力变压器不同故障的有效诊断,提高了电力变压器故障模式的识别能力及故障诊断准确率。     

基于烟花优化粒子群的室内定位算法研究

针对测距式射频识别室内定位算法定位误差较大的问题,提出了一种基于烟花优化粒子群的室内定位算法。该算法分为测距和定位两个阶段,在测距阶段使用到达相位差进行测距并构建待优化的目标函数。在定位阶段对粒子群优化算法进行改进。为了改进粒子群优化算法在迭代过程中容易落入局部极值的问题,引入了烟花优化算法的爆炸、变异、选择操作,并对选择规则进行改进;算法还根据烟花爆炸算子和变异算子对粒子群算法的速度更新公式进行改进。实验结果表明,该算法能够有效实现对目标的定位,定位平均误差为0.2773m,与基于标准粒子群优化算法的室内定位算法相比具有39.61%的性能提升。     

文化粒子群算法在超声波定位中的应用

局部放电是导致电力变压器绝缘劣化的重要原因之一,超声波检测是局部放电、空间定位中重要的非电测法,其定位的准确与否直接影响电气设备故障诊断和快速判断。针对粒子群(PSO)算法计算精度和"早熟"问题,同时为提高粒子群算法的全局搜索能力,文中提出了文化粒子群(CBPSO)算法,并探讨了粒子群算法参与频次的问题,仿真结果验证了该定位算法优于粒子群算法和文化(CA)算法,现场监测结果也证明了其算法的准确性和有效性。     

基于自适应粒子群算法的变压器局部放电定位研究

随着对电力系统安全运行的要求越来越高,对变压器局部放电定位的研究也就愈发重要,将智能算法引入变压器局部放电定位中是很有效的途径。提出自适应粒子群算法对变压器局部放电定位,通过实验验证分析,此算法具有精度高,收敛速度快,避免收敛早熟等优点。     

基于NS-APSO算法的变压器局部放电超声定位方法

为了对变压器中的局部放电源进行精确定位,本文提出了一种基于自然选择自适应粒子群算法(natural selection-adaptive particle swarm optimization,NS-APSO)的超声定位方法。在自适应粒子群算法的基础上融入自然选择的思想,每次迭代都对种群中的粒子进行“优胜劣汰”处理,用好的粒子替换差的粒子从而提高种群的整体质量。为了增强算法的实用性,基于MATLAB中的GUI模块开发了一款能够对不同尺寸变压器内部局部放电源进行定位的软件。将定位结果与标准PSO算法得到的结果进行对比,结果表明基于NS-APSO算法的变压器超声定位方法具有更高的定位精度和全局搜索能力。     

基于粒子群算法的配电网故障定位研究

为了提高配电网故障定位的快速性和准确性,提出运用粒子群算法来优化配网故障定位。介绍了粒子群算法的原理,并分析了故障定位的工作流程。针对传统配电网的故障定位进行了仿真分析,验证了粒子群算法应用于配电网故障定位的可行性。仿真结果表明,所提方法具有较大的实用性和优越性,能够大大提高故障定位的速度和精度。     

基于换相开关的配电变压器三相不平衡治理研究

针对配电变压器三相不平衡现象,提出了一种基于换相开关的三相不平衡治理方案。为配电变压器低压台区设计了实时负荷调整策略,重点研究了优化算法的目标函数,使换相开关以较少的换相次数降低三相不平衡度、线路损耗及变压器损耗。改进粒子群算法的惯性权重、粒子速度和位置更新公式,并完成换相模型求解,得到最优换相方案。用MATLAB仿真验证了改进粒子群算法的优越性及优化后换相方案对降低配电变压器三相不平衡度的有效性。     

基于二进制粒子群算法的辐射状配电网故障定位

粒子群算法是一种群体智能优化算法,具有简单易行、容易实现、收敛性好等优点。通过建立适当的优化模型,提出了基于二进制粒子群算法的辐射状配电网故障定位算法,并通过算例验证了该算法的可行性和有效性。结果表明该算法收敛速度快,能够对辐射状配电网中单点和多点故障进行准确定位,并在部分故障信息畸变的情况下,能得出正确结果,容错性能好。     

基于DGA的粒子群相关向量机变压器故障诊断

传统智能算法中因算法自身的固有缺陷,从而导致变压器故障诊断结果不理想。为此,针对相关向量机中核函数参数的选取对分类效果产生影响的问题,笔者在对运用粒子群算法优化相关向量机的可行性进行充分分析的基础上,构建了粒子群优化的相关向量机方法,以DGA作为特征输入,利用粒子群优化算法对核函数参数σ进行优化,以获得最优的相关向量机故障诊断方法,从而提高变压器的故障诊断精度。实例对比分析表明,与SVM、RVM方法相比,粒子群相关向量机方法具有更高的诊断精度。     

基于路径时间差的变压器局部放电超声定位方法研究

通过仿真详细阐述了超声波信号在变压器内的传播特性与传播路径。结合仿真结果,建立了变压器的数值节点模型,研究了超声信号非直达波路径与直达波路径的寻路算法。将两条路径的时间差作为特征参量与实测波形的时间差进行比对,采用粒子群优化算法迭代得到放电源的位置。在35 kV实验变压器上进行了定位实验,验证了算法的准确性。     

基于二进制粒子群算法的辐射状配电网故障定位

粒子群算法是一种群体智能优化算法,具有简单易行、容易实现、收敛性好等优点.通过建立适当的优化模型,提出了基于二进制粒子群算法的辐射状配电网故障定位算法,并通过算例验证了该算法的可行性和有效性.结果表明该算法收敛速度快,能够对辐射状配电网中单点和多点故障进行准确定位,并在部分故障信息畸变的情况下,能得出正确结果,容错性能好.     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

基于邻域粒子群优化神经网络的变压器故障诊断

为了提高变压器故障诊断正判率,提出了一种邻域粒子群算法优化BP神经网络的电力变压器油中气体分析(DGA)方法,即通过相关统计分析和数据的预处理,选择变压器油中典型气体作为神经网络的输入,然后利用训练好的邻域粒子群算法优化后的神经网络进行变压器故障类型诊断。试验结果表明,该类方法具有很好的分类效果,较好地解决了变压器放电和过热共存时故障的难分辨问题,对故障类型的正判率较高。     

基于优化神经网络和DGA的变压器故障诊断

人工神经网络技术已经在变压器的状态诊断得到应用,为了克服故障分析中BP神经网络存在的不足,提出了一种自适应混沌粒子群优化神经网络在变压器故障诊断的新方法。该算法通过进化速度因子和聚集因子调整惯性权重,并改进学习因子,引入混沌系统,构成混沌粒子群算法优化神经网络参数,有效地克服常规BP算法训练收敛速度慢、易陷入局部极小值等缺点。最后基于DGA对变压器故障实例分析仿真,对比常规变压器诊断方法结果表明,该算法能够提高诊断效率以及故障模式识别的准确性。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

基于BP神经网络与改进粒子群的光伏MPPT算法

针对光伏阵列在环境突变情况下尤其是局部阴影下的多峰值现象,提出一种基于反向传播(BP)神经网络与改进粒子群的最大功率点跟踪(MPPT)算法。该算法利用BP神经网络近似定位最大功率点,并利用对粒子群算法中的惯性权重值进行非线性动态优化后的改进粒子群精确定位最大功率点。仿真结果表明,复合算法可以更好地跟踪最大功率点,有效避免前期易陷入局部极值的问题,提高了精度,减小了功率振荡。     

改进PSO-SVM算法的变压器分接开关故障诊断

研究了电力变压器有载分接开关的故障诊断问题。对变压器分接开关的故障特性及原因分析后,考虑到传统支持向量机在诊断过程中效率低下、精确度差等缺点,提出了一种改进粒子群(PSO)优化支持向量机(SVM)的故障诊断方法。首先,对粒子群算法的惯性权值和学习因子做了相应改进,克服了PSO算法后期迭代精度不高的缺点;然后,利用改进后的PSO算法优化支持向量机的主要参数;最后,仿真结果表明,改进的PSO SVM算法的诊断精度和速度均高于传统诊断方法,更适合在变压器分接开关诊断中应用。