基于BP网络算法优化模糊Petri网的电力变压器故障诊断

为了提高电力变压器故障诊断的正确率,提出了一种基于BP网络算法优化模糊Petri网的电力变压器故障诊断方法。利用具有自学习、自适应能力的BP网络算法,在确定模糊Petri网的权值、阈值、可信度等网络参数初始值的前提下,实现模糊Petri网网络参数的优化。在模糊Petri网网络结构上,运用BP网络算法,对电力变压器DGA样本进行学习训练,使模糊Petri网网络参数逐步向真实值逼近。实例分析结果表明,该方法能够有效地诊断电力变压器中的单一故障和多重故障,提高故障诊断正确率,证明了方法的正确性和有效性。     

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法。利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力。将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型。利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性。     

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法.利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力.将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型.利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性.     

磁灶35KV变电站1号主变发热的处理

阐述了利用油色谱跟踪分析及结合有关试验，诊断出磁灶３５ＫＶ变电站１号主变发热的原因，经吊心处理铁心短路后，达到规范要求，使变压器能满载正常运行。     

深圳10KV配电网中性点经电阻接地的运行分析

随着网络的增大，过去深圳１０ＫＶ配网中性点不接地运行，变电设备事故频繁１０ＫＶ网络中性点经１６Ω电阻接地后，特别是变压器运行的可靠性大大提高。     

多神经网络方法在变压器油色谱故障诊断中的应用

电力变压器的故障诊断对于变压器的维护起着至关重要的作用,诊断的可信度能给变压器维护提供更好的依据。为了克服单个神经网络不能给出诊断结果可信度的缺点,将多神经网络方法引入到变压器油色谱故障诊断中,利用多个神经网络对变压器诊断结果的方差给出了诊断结果的可信度;同时将多个网络输出的平均作为网络的诊断结果,减少了网络诊断的误差,提高了诊断的准确率。故障变压器实例验证了多神经网络方法的有效性。     

将具有可信度的BP神经网络应用于变压器故障诊断

BP神经网络具有自学习和自适应能力,比较适合于基于油中溶解气体分析的变压器故障诊断。分析了常规BP算法的不足,指出了加动量项BP算法的原理和优点。该方法减轻了网络训练过程中的振荡,加速了网络的收敛。针对常规的BP神经网络不能给出诊断结果的可信度问题,利用多个网络共同诊断,根据多个诊断结果的标准差获得诊断结果的可信度,多个结果的均值作为最终诊断结果,从而提高了准确性。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,并将训练所得的多个神经网络用于变压器故障诊断。结果表明了该方法的有效性。     

神经网络应用于电力变压器故障诊断

将电力变压器油气分析法作为检测数据来源，利用神经网络这一强有力的故障诊断工具，有效地诊断电力变压内部故障。仿真结果表明，用神经网络诊断变压器故障具有更加优秀的性能。文中，作者采用的ＢＰ网络模型及算法，并对网络训练过程中一些技巧问题进行了讨论。     

基于径向基网络实现变压器故障诊断

研究采用径向基神经网络进行变压器故障诊断,以提高变压器故障诊断率。分析了径向基函数神经网络的结构和工作原理,确立了适合变压器故障诊断的网络学习算法,并设计了一个诊断变压器故障的三层径向基网络。通过采用MATLAB进行仿真实验。结果表明径向基神经网络是一很强的分类器,能够有效的对变压器故障进行诊断。     

一种基于神经网络的高压输电线路故障分类器

故障分类顺是输电线路保护中的基本模块,文中以一个实际５００ｋＶ输电网络为模型,提出了基于ＢＰ前馈网络和Ｋｏｈｏｎｅｎ自组织特征映颓无疑的高压输电线路故障分类方法,并进行了仿真研究,结果表明,这种方法快速,可靠,对输入信号容错性强,尤其在高阻接地故障时的具有较好的分类性能,可以用于支持高速保护装置。     

Kohonen neural network and wavelet transform based approach to short-term load forecasting

This paper presents Kohonen neural network and wavelet transform (WT) based technique for short-time load forecasting of power systems. Firstly, the historical seasonal load data are classified into four patterns using Kohonen neural network and then Daubechies D2, D4 and D10 WTs are adopted in order to forecast the hourly load. The wavelet coefficients associated with certain frequency and time localisation are adjusted using the conventional multiple regression (MR) method and the components are reconstructed to predict the final loads through the five-scale synthesis technique. The outcome of the study clearly indicates that the proposed composite model of Kohonen neural network and WT approach can be used as an attractive and effective means for short-term load forecasting.     

复合神经网络在电力系统暂态稳定评估中的应用

提出了一种基于复合人工神经网络的电力系统暂态稳定评估方法。该复合网络由Kohonen网络与若干径向基(RBF)网络组成。它结合了两种网络的优点,因此提高了稳定评估能力。分别采用Kohonen网络、径向基网络以及该复合网络对华中电网的仿真结果证实了该方法的优越性。     

应用人工神经网络算法进行短期负荷预测

针对电力负荷预测对Kohonen网的聚类能力和BP网的非线性拟合功能进行了讨论,提出了一种建立负荷日类型模型的方法,并在此基础上用Kohonen网和BP网组合而成的神经网络模型来进行短期负荷预测,提高了负荷预测的精度。     

基于Kohonen网络的典型绝缘缺陷局部放电模式识别

针对变电站环境下局部放电识别所面临的不可控干扰多、现有识别方法初始参数难确定的问题,在设计符合变电站放电特点的典型缺陷,并采集多个样本数据的基础上,结合统计特征参数提取方法,基于具有自组织竞争识别、抗干扰性强特点的Kohonen网络,得出了一种适用于干扰环境下局部放电识别的新方法。通过探究Kohonen网络竞争层节点数对识别效果的影响,得出了针对样本数据的最佳识别参数,并将此网络与常用的模式识别算法在同等条件下进行对比,证明了其面对多种放电识别时的高稳定性与高识别率,验证了其用于变电站环境下局部放电识别时的优良性能。     

基于空间分割前向竞争网络的信号识别

本文提出运用空间分割竞争网络结合Kohonen学习规则实现有规则模拟信号分类识别方法.以信号谐波、信号面积和信号正负面积之比等参数为识别特征,利用软边界处理的Kohonen训练规则,将识别特征值分布特性通过软边界技术快捷地训练到寻址层隶属度矩阵中.该方法减少了训练样本、提高学习速度,克服了由于大样本训练导致空间块隶属度统计不足的缺点.实验证明该方法识别常见信号特征有效性高.     

基于KOHONEN神经网络的电力系统负荷动特性聚类与综合

提出了应用Kohonen神经网络解决电力负荷动态特性的聚类问题：首先对每组负荷扰动数据建模，进而将各负荷模型对相同电压激励的响应与相应的负荷有功运行水平合并形成特征向量，最后引入Kohonen神经网络进行聚类。通过对河北沧州地区1996年、1997年和1998年电力负荷特性数据的聚类与综合处理发现：Kohonen神经网络是一种学习速度快、分类精度高、抗噪声能力强、并且适用于电力负荷动态特性聚类的神经网络模型。同时还发现电力负荷特性具有可重复性，这也证明了总体测辨法的可行性。若将这些典型负荷模型实用化，将有利于提高电力系统仿真准确度。     

自组织映射神经网络用于暂态稳定性分析的研究

对几种形式的自组织映射神经网络进行了集中介绍,并对自组织特征映射（SOFM）神经网络和学习矢量量化（LVQ）神经网络在电力系统暂态稳定模式识别中的应用性能进行比较。利用SOFM网络输出层聚类信息对不同ANN输入特征量的选取效果进行了直观的比较。在这些比较的基础上,利用Kohonen网络“无监督聚类、有监督学习”的工作方式,给出一种基于Kohonen网络的复杂系统在线事故筛选和发电机功角预测方法。利用华中电网的数据对这种网络进行了大量的计算,计算证实了该方法的有效性。     

KOHONEN NEURAL NETWORK CLASSIFIER FOR VOLTAGE COLLAPSE MARGIN ESTIMATION

ABSTRACT

Owing to frequent black-outs world wide, voltage collapse has received much attention in the electric utilities industry. This paper presents an artificial neural network based method for on-line voltage collapse margin estimation. Homotopy Continuation based Newton-Raphson method is used to drive system operating point to knee of nose curve. The distance of operating point from critical point, measured in terms of system loading may be regarded as margin to voltage collapse. This paper utilizes Kohonen classifier to estimate margin so that computational efforts are reduced compared to conventional methods. Also there is ample of saving in training time compared to error back propagation for parameter estimation. Kohonen neural network classifier transforms input patterns into neurons on the 2-dimensional grid. Power system conditions are assigned to neurons on the grid based on self-organized feature mapping. Finally these neurons are allocated voltage collapse margins corresponding to their system conditions representation. The effectiveness of the proposed technique is tested on sample systems.     

基于遗传算法优化的复合神经网络在稳定评估中的应用研究

提出了一种基于遗传算法优化的复合神经网络的电力系统暂态稳定评估方法.该网络由一个Kohonen网络和若干径向基函数网络组成.通过遗传算法的优化,复合网络的学习性能和聚类能力得到了较大的提高.通过对华中电网算例的仿真试验结果证实了该方法的可行性.     

基于数据挖掘的电力负荷脏数据动态智能清洗

来源于SCADA系统的负荷历史数据由于各种原因含有一定的脏数据,在进行高精度的电 力负荷预测或系统分析前必须仔细而合理地对历史数据进行清洗。文中基于数据挖掘理论提出一 种动态的智能清洗模型,先根据模糊软聚类思想对Kohonen神经网络进行了改进,改进后的 Kohonen神经网络能实现模糊软聚类的并行计算,提出的动态算法能根据样本集的更新而自动确 定新的聚类中心(即特征曲线),最后与径向基函数(RBF)网络一起构成脏数据的智能清洗模型。 模型的快速性和动态性特点使其宜于进行负荷数据的实时处理,对重庆江北负荷数据的实例分析 说明了该模型的高效性。