基于粒子群优化神经网络的变压器故障诊断

为克服电气分析应用中误差反向传播(BP)神经网络存在的不足,提出了一种利用改进粒子群算法优化神经网络的变压器故障诊断新方法。该法的惯性权重自适应调整,以平衡局部和全局搜索能力;收缩因子加快算法的收敛速度,有利于更快地收敛于全局最优解。利用改进的粒子群算法优化神经网络参数,并结合BP算法训练网络可有效地克服常规BP算法训练网络权值和阈值收敛速度慢、易陷入局部极小和遗传算法独立训练神经网络速度缓慢等缺点。最后,进行变压器故障实例分析的仿真结果表明,该算法具有较快的收敛速度和较高的诊断准确度,证实了该方法的正确性和有效性。     

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。     

改进粒子群优化神经网络在变压器故障诊断中的应用

变压器绕组早期故障的诊断是实现安全生产、避免大事故的技术前提。由于变压器器身振动信号包含有丰富的信息,所以可以通过监测变压器振动信号来预估绕组的状况。笔者首先利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,并将其作为BP神经网络的输入向量,同时利用改进粒子群算法(IPSO)对BP神经网络进行优化。最后利用训练好的BP神经网络对变压器进行故障诊断。试验结果表明:与传统BP神经网络法和PSO-BP神经网络方法相比,该方法克服了BP神经网络的一些缺陷,具有较快的收敛速度和较高的诊断精度,对变压器绕组的早期故障具有良好的预测能力。     

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BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

基于粒子群优化神经网络的高压断路器故障诊断

传统的反向传播神经网络训练算法存在学习速度慢,容易陷入局部最优值等弊端。将粒子群优化的神经网络用于高压断路器故障诊断中,根据高压断路器测试系统检测所得的实验数据,提取相应的特征向量,建立高压断路器故障诊断模型。仿真结果表明此方法简单、有效、精度高,与采用传统的反向传播神经网络的模型相比具有明显的优越性,为高压断路器故障诊断提供了有效的方法。     

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。     

BP神经网络改进IEC-60599在电力变压器故障诊断中的应用

由于电力变压器是电力系统中重要的故障原因、故障现象和故障机理间存在着随机性和模糊性等不确定因素,故障特征量和故障征兆间没有明确的一一对应关系,这就给故障诊断增加了困难。BP神经网络诊断变压器故障已经越来越受到重视,可常规的BP算法对大样本数据进行训练时,大多存在收敛速度慢、甚至有时不收敛的缺点,因此提出了改进BP算法从而加快了训练速度和增加了诊断的可靠性。对文献[2]中提出的改进的新导则IEC-60599三比值诊断方法在进行中、低温过热故障时进行修正。     

基于改进PSO—BP算法的变压器故障诊断

提出一种利用改进粒子群算法和反向传播算法相结合的混合算法训练神经网络进行电力变压器故障诊断的方法.在改进的粒子群算法中考虑了邻居粒子中最优粒子信息,修正个体行动策略,增强粒子群的社会学习功能,保证全局搜索的有效性;引入随机粒子群机制,利用粒子群进化过程中的种群变异机制提高算法的寻优性能.变压器故障实例仿真和分析表明,该算法在收敛速度、计算精度和平均收敛性能方面都有较大改进,可有效诊断电力变压器故障.     

基于DGA的粒子群极限学习机电力变压器故障诊断

传统单一人工智能方法对变压器故障诊断中采用的大量不完备信息不能够有效处理,导致故障诊断准确率不高。为弥补这一不足,在全面分析粒子群算法(particle swarm optimization,PSO)和极限学习机(extreme learning machine,ELM)各自优势的基础上,构建了一种基于粒子群优化极限学习机的变压器故障诊断方法。该方法以DGA作为特征输入,利用粒子群算法对极限学习机的输入层权值和隐含层阈值进行优化,从而提高变压器故障诊断的精度。实例对比分析表明,与BP神经网络和极限学习机方法相比,粒子群极限学习(PSO-ELM)方法有更高的诊断准确率。     

基于BP神经网络的变压器故障诊断

基于溶解气体分析(DGA)的变压器故障诊断法能发现用电气试验不易发现的轻度故障,还可以在初期阶段就判别正在缓慢发展的事故,是变压器内部故障早期诊断的最佳方法。     

基于粒子群神经网络的汽轮机故障诊断

提出了一种基于粒子群优化神经网络的进化神经网络模型（PSO-ANN）。在实例研究中,该模型被应用于汽轮机故障诊断中。与传统BP网络诊断结果相比,本文的方法具有运算效率高、收敛速度快的特点,是一种有效可靠的新型故障诊断技术。     

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神经网络的电力变压器故障诊断

介绍了基于BP神经网络的电力变压器的故障诊断方法,并给出了实例.     

粒子群优化BP神经网络在电梯群控系统中的应用

为了达到最优电梯群派梯指标,提出了一种基于粒子群优化的BP神经网络电梯群控方法,将带变异因子的改进粒子群优化技术应用到BP神经网络中,获得电梯评价指标中的满意度,以改进粒子群优化BP神经网络的初始权值和阀值。仿真结果表明,改进粒子群优化的BP神经网络算法减少了迭代次数,缩短了运行时间,证明了新方法的有效性。     

电力变压器BP神经网络故障诊断法的比较研究

将BPNN应用于电力变压器故障诊断,并对变压器绝缘油常用的5种溶解气体分析标准进行了神经网络效率的比较研究。这些标准是改进的Rogers,IEC,Doernenburg,Duva和CSUS。研究显示,所运用的诊断标准或方法不同,神经网络诊断电力变压器故障的效率也不相同,其值在88.3%～96.7%范围内;根据这些标准所设计的四比值法(FGR)和6种特征气体法(SKG)具有更高的诊断效率。验证结果显示,BP神经网络诊断法适合于变压器潜伏性故障的诊断。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于ACS-SA文化基因算法的BP神经网络变压器故障诊断

针对BP神经网络在变压器故障诊断上存在的不足,提出基于ACS-SA文化基因算法的BP神经网络变压器故障诊断方法。在实际系统中,针对缺乏准确的变量参数估计,将边界变异策略和自适应步长策略引入标准布谷鸟算法中;提出一种在改进的布谷鸟算法中结合局部搜索策略的文化基因算法;建立BP神经网络变压器故障诊断模型,并用文化基因布谷鸟算法优化BP神经网络的权值和阈值。仿真实验及对比研究结果表明,该算法能准确有效地识别变压器的故障类型,较其他算法(CS-BP神经网络算法和POS-BP神经网络算法)有更高的准确率,为变压器故障诊断提供一种新思路。