基于BP网络远程无线电力变压器故障诊断系统

针对电力变压器故障的特点,运用BP神经网络技术对传统的电力变压器故障诊断方法加以完善,以TMS320VC5402 DSP为硬件核心,设计了高速实时电力变压器故障诊断模块,同时利用Zigbee网络实现了电力变压器故障远距离无线诊断。通过电力变压器故障诊断实例,比较了BP神经网络法和传统的改良三比值法在诊断电力变压器故障类型方面的性能。比较实例表明,基于BP网络远程无线电力变压器故障诊断方法能有效地对电力变压器单故障和多故障样本进行分类诊断,提高了诊断准确率,同时还可以进行远距离无线诊断,从而节省了成本。     

基于BP网络远程无线电力变压器故障诊断系统

针对电力变压器故障的特点,运用BP神经网络技术对传统的电力变压器故障诊断方法加以完善,以TMS320VC5402 DSP为硬件核心,设计了高速实时电力变压器故障诊断模块,同时利用Zigbee网络实现了电力变压器故障远距离无线诊断.通过电力变压器故障诊断实例,比较了BP神经网络法和传统的改良三比值法在诊断电力变压器故障类型方面的性能.比较实例表明,基于BP网络远程无线电力变压器故障诊断方法能有效地对电力变压器单故障和多故障样本进行分类诊断,提高了诊断准确率,同时还可以进行远距离无线诊断,从而节省了成本.     

基于改进残差网络的锂离子电池故障诊断

针对残差网络(ResNet)对特征提取准确率低和拟合度不够的问题，提出一种基于改进残差网络的锂离子电池故障诊断方法。首先，利用Simulink对电池容量变小、内阻变大、充电不足和自放电大等4种故障进行故障模拟，得到故障电压数据，作为输入，将首层提取的特征因式分解，分别加到后面的每一层；然后，引入注意力模块(SELayer)分支轻量化；最后，采用反卷积上采样，使远距离残差特征融合，加深特征提取能力，并降低计算量。改进残差网络故障模拟实验表明，与传统的ResNet50、ResNext、DensNet121和DensNet169等4种模型相比，所提模型的诊断准确率从88.63%提高到99.00%以上，参数量从2 500万减小到了2 470万，收敛速度上也具有一定的优势。     

改进DRSN 的抽油机轴承故障诊断系统∗

传统油田抽油机维护主要靠人工巡检,油田开采又处于高负荷、强噪声的环境,导致油田抽油机轴承工况 监测难度较大.针对抽油机轴承故障诊断存在准确率低、抗噪声性能弱和效率低、成本高的问题,提出一种基于改进 深度残差收缩神经网络(DRSN)模型的多信息诊断抽油机轴承故障的方法.首先,根据抽油机轴承从正常状态到故 障状态的性能退化过程,通过多采样点随机采样获得初步数据,将预处理的现场采集抽油机轴承多信息数据样本作为 网络输入.然后,通过改进DRSN模型,引入跳跃连接使得梯度信息能直接从深层反向跨越传递到浅层,避免了梯度 消失问题,使得网络更易于优化,同时软阈值化和注意力机制的加入,使得网络模型可以根据数据集的噪声含量设定 不同的阈值,降低噪声干扰并提高诊断准确率.最后,通过实验对比改进DRSN 模型与传统神经网络模型的训练结 果,发现改进DRSN模型训练误差更低,诊断响应速度更快,平均故障诊断准确率提高３％~８％.     

基于残差卷积神经网络的开关柜局部放电模式识别

传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低,难以在实际工程中应用.提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法,通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题,并综合利用开关柜局部放电数据的浅层与深层特征融合学习,实现模式识别.通过开关柜不同绝缘缺陷类别...     

基于张量重构融合诊断的电动汽车直流充电桩开路故障诊断方法

电动汽车充电桩的开路故障影响电网电能质量、威胁充电安全,研究开路故障诊断对保障电网安全稳定运行、降低充电桩维护成本具有重要意义。针对充电桩开路故障信号多维度特点,该文提出一种张量重构融合诊断方法。该方法分别利用残差网络(residual network,ResNet)的多维特征并行提取能力和门控循环单元(gated recurrent unit,GRU)的时序特征提取能力,提取充电桩充电模块电路中前、后级故障特征,并对前、后级特征进行融合诊断,实现了充电桩中充电模块前、后级故障的较高精度诊断。提出的基于张量重构的前级三相故障数据预处理方法,避免了传统深度学习算法使用的图像化输入或一维输入,充分发挥了深度神经网络的并行诊断性能。与传统的故障诊断方法相比较,所提方法使用深度学习技术,无需人为选定故障特征参数。仿真证明所提方法对不同强度噪声影响下的故障数据平均诊断准确率可达96%以上,特别是在信噪比(signal-noise ratio,SNR)10dB的高噪声情况下,依然具有90%以上准确率,在实验测试中该方法准确率达94.54%,进一步验证了该方法的有效性。     

粗糙集神经网络故障诊断系统的优化方法研究

神经网络的联想能力不足影响它在故障诊断中进一步应用，该文根据粗糙集理论擅长于处理不完整小样本数据的优点，提出了使用粗糙集理论优化BP神经网络故障诊断系统的基本策略，构建了优化的粗集神经网络模型。通过对轴承故障数据和磨削工况分析表明，使用该模型可以有效地减少输入层神经元的个数，改进网络内部结构，提高神经网络模型的学习效率和诊断的准确率，在故障诊断中有良好的应用前景。     

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

基于数据特征增强和残差收缩网络的变压器故障识别方法

为增强深度残差收缩网络对变压器故障特征的学习能力从而提高故障识别精度,文中研究构建了故障特征气体向量配合改进的深度残差收缩网络来识别变压器故障。首先,构建可变软阈值函数消除恒定偏差的影响,利用快速回溯算法加快阈值确定速度的同时确保输出结果的完整性。然后,提出带可变权重的交叉熵函数降低误识别对网络精度的影响,并将构建的特征气体向量作为网络输入,保证网络学习并识别更多故障因素的特征。最后,以过热故障和电弧放电故障为样本的实验结果验证了该方法的有效性。与传统方法相比,所提方法的识别精度高,而且适用于电力系统多特征故障识别。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

融合粗糙集和神经网络的变压器故障诊断

为提高变压器故障诊断的准确性,进行了利用粗糙集和神经网络来诊断变压器故障的研究。首先将连续属性的决策表离散化,部分属性采用基于油中溶解气体分析知识的方法离散化,部分属性采用自然算法和等频划分算法离散化;然后用粗糙集属性约简方法对离散后的决策表进行属性约简以获取最小决策表,约简后的最小决策表反映了变压器油中溶解气体的5种比值与故障的关系,是对IEC三比值法的扩展;最后用最小决策表训练BP神经网络,并用测试数据对训练后的BP神经网络进行检验。结果表明该方法比IEC三比值法有更高的故障判断准确率,结合粗糙集和神经网络诊断变压器故障可约简变压器故障诊断决策表,简化神经网络的结构,提高故障诊断的准确率。     

神经网络在变压器故障诊断中典型算法研究

为了随时检测变压器状态,及早发现并排除变压器可能存在的故障,笔者将3种不同的神经网络(即BP网络、GA-BP网络与RBF网络)应用于变压器故障诊断中,分别介绍了这3种网络的结构及原理,故障诊断采用MATLAB语言编程实现。大量实验数据结果分析表明,RBF网络在诊断准确率相比其他两种网络具有一定的优势。     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

基于ADASYN数据平衡化的PSO_BP变压器套管故障诊断

变压器套管作为设备重要的绝缘部件,其绝缘性能直接影响着设备的安全运行。为诊断变压器套管绝缘状态,改善小样本不平衡数据对诊断结果的影响,使用粒子群算法优化反向传播神经网络（Particle Swarm Optimization_Back Propagation Neural Network,PSO_BP）和自适应综合过采样（Adaptive Synthetic Sampling,ADASYN）方法对变压器套管进行故障诊断。首先收集了变压器套管的历史故障数据,建立了具有明确故障类别的变压器套管油中溶解气体样本集,并通过ADASYN算法对原始数据中的少数类样本进行合成,得到平衡后的故障数据;将平衡后的油中溶解气体作为模型输入,故障状态作为标签输出,通过PSO_BP模型对变压器套管进行诊断;并在原始样本集下使用BP、遗传算法优化反向传播神经网络（Genetic Algorithm_Back Propagation Neural Network,GA_BP）、布谷鸟搜索算法优化反向传播神经网络（Cuckoo Search_Back Propagation Neural Network,CS_BP）以及PSO_BP模型对套管进行诊断。结果表明,针对变压器油纸套管绝缘状态进行故障诊断的多个模型中,基于ADASYN平衡数据后的PSO_BP模型（Adaptive Synthetic Sampling_Particle Swarm Optimization_Back Propagation Neural Network,ADASYN_PSO_BP）与其它模型相比准确度最高,能有效改善小样本不平衡数据对诊断结果的影响,为判断变压器油纸套管绝缘性能提供了有效方法。     

BP神经网络在油浸式变压器过热性故障诊断中的应用

针对充油变压器绝缘故障诊断的三比值法的局限性,建立以变压器油中溶解气体含量为样本数据,对不同的隐含层数目进行仿真分析,通过比较确定了适用于变压器绝缘故障诊断的BP神经网络模型。研究表明,这种方法提高了神经网络的收敛速度,符合电力变压器故障诊断系统的实际情况,准确率高。     

基于人工神经网络的变压器励磁涌流的鉴别

研究了基于神经网络方法的电力变压器励磁涌流鉴别。对变压器励磁涌流及故障电流进行了数字仿真,比较了两者在物理特性上的区别。利用Matlab的人工工具箱,分别建立了BP和RBF神经网络模型,对励磁涌流和故障电流的样本进行训练及测试。结果表明,人工神经网络可以正确地区分励磁涌流和故障电流,RBF神经网络能更加快速、准确地判断出变压器的故障。