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.     

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.     

基于改进PSO-BP混合算法的电力变压器故障诊断

采用粒子群算法和反向传播神经网络建立一种新型变压器故障诊断网络模型,设计故障诊断方法.仿真分析结果表明：基于该网络模型的诊断方法与传统的三比值法相比较,具有较好的故障识别与分类能力,显著提高了诊断准确率,将在电力设备故障诊断中有良好应用前景.     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

磁性材料成型烧结生产调度优化方法及应用

建立以最小化提前和拖期时间、最小化炉重偏差为目标的混合整数线性规划模型, 解决磁性材料成型-烧结两阶段生产调度问题. 提出一种混合粒子群优化算法(HPSO)进行模型的求解,该算法采用基于订单的编码方式. 针对粒子群算法易陷入局部最优, 在迭代过程中引入模拟退火思想. 改进粒子群算法的全局极值和个体极值选取方式, 使算法尽快收敛到非劣最优解. 生产现场实际数据仿真结果表明: 该混合粒子群算法无论在求解精度, 还是求解速度上均优于普通粒子群算法和遗传算法.     

利用改进遗传神经网络算法进行电力变压器故障诊断

将改进遗传算法与BP算法有机结合的混合算法用于神经网络训练,有效地解决BP算法易陷入局部极小问题,并对其应用于电力变压器故障诊断进行了仿真.实例仿真结果表明该方法对变压器进行故障诊断具有较快的收敛速度和较高的诊断精度.     

混合混沌粒子群算法在苯与甲苯闪蒸过程优化中的应用

针对粒子群算法(PSO)所存在的收敛速度慢、易陷入局部极值和优化精度较低等缺点,提出了一种自适应的混合混沌粒子群优化算法(HCPSO),根据群体适应度方差对粒子群进行自适应混沌更新.通过两种经典测试函数的寻优计算,表明HCPSO算法可显著提高寻优搜索的效率和精度.将HCPSO算法应用于苯-甲苯体系闪蒸过程的优化研究,与常规PSO算法对比,结果表明:该优化算法具有寻优效率高、全局性能好和优化结果更稳定的优点.     

大型风力机主轴承故障信号提取方法

针对大型风力机主轴承易发生故障且特征信号难以提取的问题和传统盲分离算法计算量大、收敛性较差的缺点,提出了基于粒子群优化的盲源分离算法.算法根据负熵最大化判据,采用粒子群优化算法对盲源分离过程进行优化,且将该算法成功应用于某风场大型风力机主轴承故障信号的提取中.分析结果表明,该算法可有效分离大型风力机主轴承与其他部件的振动信号,与其他算法相比具有分离精度高、可靠性好等优点,对风力机主轴承的故障诊断十分有效.     

一种云模型PID控制器参数整定优化算法

为了解决PID控制器参数整定过程中的优化和复杂性问题,增强PID控制器参数整定的自适应性,结合差异演化算法和粒子群算法,提出一种带有差异演化变异算子的粒子群混合优化算法,利用一维云模型映射器将人的控制经验通过语言原子转换为控制规则器,设计具有自适应功能的云模型控制器;将该优化算法应用于一维云模型PID控制器参数整定与优化,并与传统方法进行仿真比较.结果表明,基于带有差异演化变异算子的粒子群混合优化算法的智能控制器具有简单易行、控制性能良好、自适应性和鲁棒性强的特点,可为云模型控制器参数设计提供参考.     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

基于人工鱼优化的神经网络汽轮机振动故障诊断

建立了人工鱼群神经网络模型,利用人工鱼的聚群、追尾和觅食行为训练RBF神经网络的权系数,提高了神经网络的收敛速度和精度.依据此模型提出一种故障诊断方法,并应用于汽轮机振动故障分析.仿真结果表明:本算法与BP及RBF算法相比具有较高的故障诊断准确率和较好的泛化能力.     

Improved BP Neural Network for Transformer Fault Diagnosis

The back propagation （BP）-based artificial neural nets （ANN） can identify complicated relationships among dissolved gas contents in transformer oil and corresponding fault types, using the highly nonlinear mapping nature of the neural nets. An efficient BP-ALM （BP with Adaptive Learning Rate and Momentum coefficient） algorithm is proposed to reduce the training time and avoid being trapped into local minima, where the learning rate and the momentum coefficient are altered at iterations. We developed a system of transformer fault diagnosis based on Dissolved Gases Analysis （DGA） with a BP-ALM algorithm. Training patterns were selected from the results of a Refined Three-Ratio method （RTR）. Test results show that the system has a better ability of quick learning and global convergence than other methods and a superior performance in fault diagnosis compared to convectional BP-based neural networks and RTR.     

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％。     

基于改进PSO-BP网络的配电网故障选线与测距

针对人工智能算法在解决配电网故障选线和测距问题时容易陷入局部最优解并难以满足精确性和鲁棒性要求的问题,提出了一种基于改进粒子群优化神经网络的配电网故障选线与测距算法.该算法结合混沌优化算法和粒子群优化算法得到收敛能力更强的粒子群优化算法,通过提取配电网的零序电压与电流的暂态及稳态特征来构成特征向量,并分别使用训练集训练改进粒子群优化神经网络算法,从而能更精确地预测配电网的故障线路及其距离.仿真测试结果表明,所提出的算法能获得更精确的选线和测距结果,具有一定的实用性.     

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。     

基于粒子群优化算法的BP神经网络在图像识别中的应用

介绍了一种采用微粒群算法与BP算法相结合的方法用于BP神经网络模型优化，来提高模型的收敛速度和精度。仿真结果表明，与BP算法相比较，PSO—BP学习算法训练的神经网络不仅训练时间明显缩短，而且其预报精度也得到了较大的提高。     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

神经网络在电力变压器故障诊断中的应用

基于模糊理论和神经网络理论 ,提出了变压器故障诊断的新方法 ,根据特征气体法和改良IEC三比值法 ,建立了模糊神经网络诊断模型。此模型有效地处理了故障诊断中的不确定因素 ,并具有较强的知识获取能力 ,表明了这种方法的有效性和应用前景