神经网络在变压器故障诊断中的比较研究

在将神经网络应用于变压器故障诊断的过程中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合算法GA-BP算法;通过实例结果分析,表明该算法可以有效地运用于变压器故障诊断中,提高故障诊断的准确率.     

电力变压器的动态隧道BP网络故障诊断算法

变压器油中溶解气体分析是电力变压器绝缘故障诊断的重要方法。将人工神经网络中的BP算法应用于电力变压器故障诊断。由于BP算法训练神经网络具有训练易陷入局部极小,收敛速度缓慢的缺点,动态隧道技术运用到训练BP网络上,可以有效地改进BP网络易陷入局部极小的缺陷。经大量实例分析,并将其结果与传统的BP算法的结果进行比较,表明该算法能有效地对电力变压器单故障样本进行分类,具有较高的诊断准确率。     

基于动态对角递归网络的变压器故障诊断

本文介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练。同时,将动态对角递归网络引入到电力变压器的故障诊断中,通过改良三比值方法来实现故障诊断,提高了神经网络故障诊断收敛性及增量学习能力。最后,仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。     

基于动态对角递归网络的变压器故障诊断

本文介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练。同时,将动态对角递归网络引入到电力变压器的故障诊断中,通过改良三比值方法来实现故障诊断,提高了神经网络故障诊断收敛性及增量学习能力。最后,仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。     

基于遗传模糊神经网络的煤气鼓风机故障诊断

为充分利用遗传算法的全局搜索能力和BP算法的局部搜索能力,提出了基于遗传算法的遗传模糊神经网络模型,研究了故障特征参数模糊化处理和利用遗传算法优化神经网络权重的方法,加快了网络收敛速度,提高了收敛精度.在煤气鼓风机故障诊断中的应用表明,遗传模糊神经网络克服了BP算法中存在的网络学习收敛速度慢,以及容易陷入局部极小的问题,有效提高了故障诊断的精度.     

遗传神经网络在模拟电路故障诊断中的应用

针对传统BP神经网络在模拟电路故障诊断中存在的不足,提出遗传算法和BP神经网络相结合的遗传神经网络模拟电路故障诊断方法;充分利用遗传算法全局、并行寻优的能力对BP神经网络的学习过程进行优化,防止神经网络训练时出现收敛速度慢和陷入局部极小等缺陷;在MATLAB平台上编程实现模拟电路故障诊断的仿真实验;仿真结果表明,相对于传统的BP神经网络算法,遗传神经网络算法不仅提高了网络训练收敛速度,而且提高了模拟电路故障诊断平均正确率,为模拟电路智能化诊断提供一种新的思路。     

基于径向基神经网络的变压器故障诊断

研究了一种基于RBF神经网络的电力变压器故障诊断方法。该方法采用目前应用较多的隐含层为径向基函数的最小正交二乘法训练人工神经网络,克服了BP算法易陷入局部极小、收敛速度慢的缺点。利用MATLAB仿真实现,结果表明该方法具有速度快、诊断精度高等优点,能有效地运用于电力变压器故障诊断中。     

基于优化神经网络的变压器故障诊断方法研究

传统基于反向传播（BackPropagation,BP）神经网络的电力变压器故障诊断方法正判率较低,本文利用粒子群算法优化神经网络算法进而对变压器故障诊断展开研究。具体做法是在电力变压器油的气体分析过程中采用优化后的神经网络方法进行故障诊断,其中优化算法为邻域粒子群算法,将经过采集、归类、预处理后的变压器油气体相关数据输入优化后的BP神经网络,利用网络进行充分优化与训练,完成电力变压器的故障类别诊断。案例分析结果显示本文基于神经网络的变压器故障诊断方法提高了故障类别诊断的正确率。     

GEP在变压器故障诊断中的应用

变压器油中溶解气体分析是电力变压器绝缘故障诊断的重要方法.文中将改进的基因表达式程序设计算法应用于电力变压器故障诊断,利用新的选择算子、变异(变换)、重组算子和多种群算子保证了种群的多样性,确保算法不陷入局部最优,而快速达到全局最优.经实例分析,并将其结果与BP神经网络和人工免疫分工算法的结果相比较,表明该算法能有效地对电力变压器故障进行诊断,具有较高的诊断准确率.     

遗传神经网络在模拟电路故障诊断中的应用

故障诊断对于事故后快速恢复具有重要的意义.模拟电路故障诊断有许多方法,提出了一种基于遗传算法优化的BP神经网络智能诊断技术.该方法采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原来BP网络随机设定的初始权值和阈值.然后再用改进的BP算法用已由遗传算法确定的空间对网络进行精确搜索.实验仿真结果表明基于遗传算法优化过的神经网络的训练步数得到大大的减少,泛化能力也得到提高.克服了传统BP算法的收敛速度慢,容易陷入局部极小的缺点.     

线性分类器与BP网络联合诊断变压器故障

油中溶解气体分析(DGA)是目前电力充油设备潜伏性故障诊断的重要手段。为了克服传统BP网络及其改进诊断算法所具有的隐层节点数多、收敛时间长的缺陷,减少算法运算量及提高变压器故障诊断的正确率,提出了一种新的诊断算法:线性分类器-BP神经网络(LC-BP)故障辨识方法。通过对变压器大量过热和放电两类典型故障数据的研究,发现其DGA故障数据的特征空间线性可分且分离度较好。基于以上特性,先用线性分类器诊断过热和放电故障,然后利用两个小型BP网络分别进行进一步诊断,得到最终诊断结果。实验结果表明,提出的LC-BP算法具有良好的分类能力,故障诊断的正确率达到94%,且网络结构简单,运算量小,从而为变压器的故障诊断提供了一条新的有效途径。     

基于混合pi-sigma神经网络的故障诊断

由于电力变压器故障的模糊性和多样性,目前利用IEC三比值法在变压器故障诊断中存在准确率不高之难题.针对电力变压器的特点,综合考虑各因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于混合Pi-sigma神经网络及其算法的变压器故障诊断模型,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.用训练过的混合pi-sigrna神经网络模型对变压器故障进行验证和诊断的仿真结果表明,算法具有较快的收敛速度和较高的计算精度.证实了算法应用于电力变压器故障诊断的有效性.     

改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法（GA）和误差反向传播（BP）算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。     

可拓神经网络在变压器故障诊断中的应用

可拓神经网络是一类新的神经网络,它结合了可拓学理论和人工神经网络技术。可拓神经网络已经在模式识别、故障诊断、分类聚类等领域有了成功的应用。针对变压器故障诊断的特点,提出一种基于可拓神经网络的电力变压器故障诊断方法。介绍了可拓神经网络;构造了基于可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点。该方法具有一定的应用及推广能力。     

基于遗传优化BP网络的汽轮发电机故障诊断

针对汽轮发电机组的振动故障诊断的特点,分析了BP网络和遗传算法原理和缺陷.为了克服BP算法中存在的网络学习速度慢,容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种自适应遗传神经网络算法,并将其应用于汽轮发电机组故障识别.实验数据表明,该算法可以克服BP网络的不利影响,完成故障信号分析,收敛速度快,能有效地识别故障,具有一定的参考价值.     

基于灰色区间的神经网络在复杂系统故障诊断中的应用

复杂系统变压器的油中溶解气体分析是变压器绝缘寿命估计和绝缘故障诊断的重要依据,针对传统BP算法收敛速度慢,学习效率低等缺点,运用灰色系统理论,通过缩小神经网络输入样本的灰色区间,避免输入样本矢量的无限制增长,提高了神经网络学习性能,加快了网络的收敛速度;在此基础上,提出了一种基于灰色区间神经网络的变压器故障诊断模型;实例诊断结果表明,该模型能够快速找出故障类型而且能确定故障部位,具有很高的故障诊断率,并且大大提高了收敛速度,验证了其有效性。     

一种遗传BP网络及其在故障诊断中的应用

针对旋转机械故障自动诊断问题及传统BP网络和遗传算法在进行故障诊断时所存在的缺点,提出了一种改进的遗传BP网络方法,该方法首先利用改进的遗传算法进行粗精度的学习以达到选取初值的效果,然后采用改进的BP算法完成对给定精度的网络学习,建立的网络学习收敛速度快且易于实现。仿真实验证明了该方法对旋转机械故障诊断问题具有良好的适应性。     

基于混合智能学习算法的函数优化研究

为了改善人工神经网络在优化计算中的一些缺陷和提高遗传算法的局部搜索能力及收敛性能,提出了一种混合智能学习算法,采用遗传算法和误差反向传播算法(BP算法)相结合,将BP算法以一个算子的形式插入到遗传算法中,以提高利用人工神经网络和遗传算法进行优化计算的搜索能力和收敛性能;通过对实例函数的优化计算,对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度有较大改善.     

基于BP算子的自适应混合遗传算法研究

将误差反向传播算法(BP算法)以一个算子的形式融入到遗传算法中,以提高遗传算法的优化性能.其基本思路是:在遗传算法收敛速度放慢时启用BP算子,把新一代群体作为BP算子的初始值再用BP算法训练网络,这样交替运行BP算法和遗传算法,直到达到问题要求的精度.通过对4例实验函数的优化,证明了混合遗传算法具有良好的收敛性和稳定性.实验对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度方面都有了很大的改进.     

基于遗传优化神经网络的故障诊断研究

针对BP神经网络具有收敛速度慢、易陷入局部极小的缺点，利用具有全局搜索能力的遗传算法来优化BP神经网络的权值和阈值，并用遗传优化BP网络实现故障诊断。基于MATLAB实现该算法，仿真实验表明，该算法具有明显的优越性，可以避免BP算法的不足，极大地提高了网络的学习性能，具有一定的实用性。