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。     

萤火虫-粒子群优化神经网络的异步电机转子断条故障诊断

针对目前异步电机转子断条故障诊断方法存在的局限性及其缺陷,在利用小波包分析提取电机转子断条故障特征向量的基础上,提出一种基于萤火虫-粒子群神经网络的故障诊断方法,构建电机转子断条的神经网络故障诊断模型,采用萤火虫-粒子群算法优化神经网络的结构参数。试验分析表明,该方法用于电机转子断条故障诊断,诊断速度快、准确性高、可靠性好。     

基于改进粒子群混合算法的电机故障诊断研究

对基本粒子群优化PSO算法进行改进,并将改进粒子群优化算法与误差反向传播BP算法结合起来构成的混合算法用于训练人工神经网络,对电机转子进行故障诊断.提取电机转子振动频谱分量作为神经网络的训练样本,将代表故障信息的数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型.仿真结果表明,改进PSO-BP粒子群混合算法可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度.     

基于粒子群优化神经网络的水轮机振动故障诊断

为了提高水轮机振动故障诊断正判率,提出粒子群算法优化BP神经网络的水轮机振动故障诊断方法,即把通过特征提取获得的机组故障特征量作为神经网络的输入,然后利用训练好的粒子群算法优化后的神经网络进行水轮机振动故障类型诊断。诊断结果表明,该方法具有良好的分类效果,比BP神经网络诊断模型诊断精度高。     

基于Hilbert模量与改进BP神经网络的电机转子断条故障诊断

为了更加快速准确识别感应电机转子断条故障,文中提出一种基于定子电流Hilbert模量与混沌粒子群算法(Chaos Particle Swarm Optimization,CPSO)优化BP神经网络的感应电机转子断条故障诊断方法。该方法首先通过定子电流Hilbert模量进行故障特征提取,然后采用CPSO-BP神经网络进行故障状态的自动识别。Hilbert模量可以将定子电流中的基波信号转化为直流分量,降低其对特征提取的干扰,从而凸显故障特征。而CPSO-BP神经网络方法相比BP神经网络具有更好的权值系数,可以进一步提高故障识别率。经实例验证,基于Hilbert模量与改进BP神经网络的电机故障诊断方法性能良好。     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

基于自适应粒子群的模拟电路故障诊断

为了加快模拟电路故障优化算法收敛性和优化效率,采用了一种基于自适应粒子群算法的模拟电路故障诊断方法。利用小波分解技术提取待诊断电路的测试信息作为故障特征,借助于遗传变异的思想在粒子群算法中引入"变异"理念,然后使用自适应的粒子群算法优化RBF神经网络的结构参数,实现模拟电路的故障诊断。仿真结果表明,利用自适应粒子群算法与传统的粒子群算法相比,其训练步数明显加快,扩大算法的搜索范围,从而有效提高了网络的训练速度和优化精度。     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

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。     

基于帐篷映射的混沌自适应粒子群优化算法在同步发电机励磁控制中的应用

针对励磁控制系统中比例–积分–微分控制参数整定难的问题,提出了一种基于帐篷映射的混沌自适应权重粒子群优化算法对控制器参数进行优化,采用2级优化策略,第1级采用自适应权重粒子群优化算法执行全局搜索;第2级采用基于帐篷映射的混沌搜索对第1级的结果执行局部遍历搜索,并通过在粒子群算法中引入自适应权重及在混沌局部搜索中采用帐篷映射的方法对混沌粒子群搜索算法进行改进,解决了常规粒子群算法易陷入局部极值且在迭代后期收敛效率低的问题,在建立励磁控制系统简单模型的基础上,实现同步发电机励磁系统的参数优化控制。仿真研究表明,新方法与常规粒子群方法相比具有更好的收敛速度和精度,能有效改善励磁控制系统空载起励和孤网过渡过程的动态性能。     

基于改进粒子群优化神经网络的电力变压器故障诊断

为了提高电力变压器故障诊断的准确性,采用了一种自适应变异粒子群优化神经网络的方法,用于BP网络的权值优化。并根据变压器的故障特征,用优化好的BP网络进行故障诊断。该算法修正了粒子个体行动,克服了标准粒子群和BP网络易陷入局部极小的问题。实例仿真结果表明,该方法具有较好的分类效果,具有一定的实用性。     

基于SAPSO算法的异步电动机参数辨识

异步电动机等效电路参数的准确辨识对电动机的控制具有重要作用,同时,等效电路参数的变化可以反映电动机的运行状态,故参数辨识也被运用到电机故障诊断中。将现代最优化算法应用到三相异步电动机的等效电路参数辨识中。通过将粒子群优化算法(PSO)和模拟退火算法(SA)相结合,可以准确有效地对异步电动机的6个等效参数进行辨识,与遗传算法相比,SA-PSO算法易于实现且收敛速度快。算法采用考虑铁耗的异步电机d-q坐标系下的模型来实现,将温度对电阻参数的影响考虑在内。通过算例证明了算法能够有效地对电机参数进行辨识及跟踪电阻的变化。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于改进的PSO-BP神经网络的无刷直流电机控制

实时检测无位置传感器的无刷直流电机运行过程中的转子位置,并输出相应的开关管导通与关断信号是控制无刷直流电机的一项关键技术.本文针对神经网络控制存在开关管误导通的问题,引入非线性的惯性权重因子并采用异步时变的学习因子改进策略对标准粒子群算法(PSO)进行改进,通过改进的PSO算法对BP神经网络进行优化,进而控制无位置传感器无刷直流电机的换相顺序.仿真实验表明,采用基于改进的PSO-BP神经网络方法控制无刷直流的运行,可以取得满意的结果.     

基于APSO-SSVM的异步电动机转子故障诊断

基于信号分析的异步电动机的转子断条与偏心故障诊断方法中,常用传统的电机电流信号特征分析(MCSA)方法。由于采样频率偏低、强大的基波旁瓣效应等因素的影响,会导致特征频率成分被淹没、难以量化故障程度等问题。因此,提出了一种基于自适应粒子群优化逐序支持向量机(APSO-SSVM)的异步电动机故障诊断方法。首先,利用经验小波变换(EWT)对原始信号进行滤波;然后,对滤波后的信号进行特征提取并输入到SSVM诊断模型中;最后,通过APSO算法确定各次序下SVM模型的最佳超参数,从而实现转子断条数量的精确故障诊断。     

核主成分分析和粒子群优化支持向量机在电力机车笼型异步牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统。其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

混合神经网络在变压器故障诊断中的应用

针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。     

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。