人工蜂群优化支持向量机的电气故障诊断方法研究

电气故障诊断具有重要的实际应用价值,针对电气故障诊断中的支持向量机(SVM)参数选择问题,提出了人工蜂群优化SVM的电气故障诊断模型。首先采用小波分析去除信号中的噪声,并提取特征,然后采用人工蜂群优化算法确定SVM的最优参数,建立电气故障诊断模型,最后通过与其他电气故障诊断模型进行对比实验。结果表明,WA-ABC-SVM可以描述电气设备状态与特征间的变化关系,提高了电气故障的诊断正确率,诊断结果要高于对比模型。     

基于布谷鸟算法的光伏组件故障诊断模型优化

光伏组件是光伏发电系统中重要的组成部分。为了分析光伏组件在运行过程中出现的故障情况,建立布谷鸟搜索算法优化反向传播(BP)神经网络光伏组件故障诊断模型,并使用布谷鸟搜索算法寻找BP神经网络中的阈值和权值,降低网络对初始值的敏感度,避免网络陷入局部最小,实现模型分类效果的优化。对比结果显示,该模型能够准确有效地识别光伏组件的故障类型。相对于其他算法,优化的故障诊断模型具有更高的精确度,证明了该模型的有效性和可行性。     

SF6气体绝缘变压器故障诊断分析

分析了SF6气体绝缘交压器故障机理,提出了采用特征气体杂质检测和电气试验相结合的故障诊断方法,并基于故障实例进行了诊断和验证.     

基于布谷鸟算法和支持向量机的变压器故障诊断

电力变压器是电力系统运行中的重要设备之一,对故障和缺陷进行正确的诊断,关系到整个电网的运行安全。支持向量机(SVM)能够较好地解决小样本、非线性特征的多分类问题,适用于变压器故障类型判断。利用布谷鸟搜索算法,对支持向量机进行寻优得到全局最优解,从而得到具有最佳参数的支持向量机分类模型。该分类模型将变压器油色谱数据(DGA)中各气体相对含量作为评估指标,将变压器的故障分为低能放电、高能放电、中低温过热、高温过热等4个故障类型。通过已有的数据实例分析得出,利用布谷鸟搜索算法得到的分类模型比常用的网格搜索算法(GS)、粒子群搜索算法(PSO)、遗传算法搜索(GA)等算法得到的模型拟合准确率更好。     

基于信息融合和神经网络的变压器内部故障快速诊断方法

变压器内部故障诊断通常需要利用油中溶解气体进行分析,但这些信息提取、检测分析过程繁琐,实时性较差。因此文章中提出了一种仅需要电气量的变压器内部故障快速诊断方法,采用小波包分析提取短路电流和差动电流的频域故障特征,采用最大值体现零序电流的故障特征,采用信息融合技术将所得到的所有故障特征进行融合,并利用BP神经网络算法对变压器内部电气故障类型进行诊断。在MATLAB/Simulink平台建立来仿真模型并进行了算例分析,结果表明文章中所提出的变压器内部电气故障诊断方法具有高准确性和高可靠性的优点。     

混合布谷鸟算法在高压断路器故障诊断上的应用

为了更准确、快速地对高压断路器故障进行分类、诊断,提出一种基于混合布谷鸟算法优化的最小二乘支持向量机(LSSVM)的故障诊断方法。首先提取分合闸线圈的时间和电流特征量得到特征向量,再利用模拟退火算法(SA)与布谷鸟算法(CS)结合形成的混合布谷鸟算法(CS-SA),对支持向量机进行寻优,旨在得到具有最优参数支持向量机分类模型,提高诊断结果的准确性。最后,利用收集到的数据对该算法进行诊断验证,结果表明利用混合布谷鸟算法优化后的LS-SVM得到的分类模型比常用的粒子群算法、遗传算法、标准布谷鸟算法优化得到的模型准确率更高。     

基于自编码多层感知器的电力负荷管理终端运行故障诊断方法

针对现有电力负荷管理终端运行故障辨识率低问题,提出一种基于自编码多层感知器的电力负荷管理终端运行故障诊断方法。首先,分析负荷管理终端运行状态指标与故障;其次,阐述自编码多层感知器电力负荷管理终端运行的故障诊断模型及其实现方法,通过终端运行技术指标时序数据的等间隔式滑动窗口,操作获取表征终端运行状态特征候选集合,采用自编码器AE特征选择子模型,提取最优特征子集,借助多层感知器MLP故障诊断辨识子模型,实现终端运行故障分类诊断;最后,通过实验验证所提方法有效性。结果表明所提方法能提升电力负荷管理终端运行故障辨识精确率、召回率和辨识效率,实现电力负荷管理终端运行故障的精细化诊断。     

基于BCL-ASA-BP神经网络的模拟电路板芯片故障诊断

针对模拟电路板芯片故障界定标准不明确和实现快速、准确分类困难的问题,本文提出了一种基于双元卷积Logistic原子搜索算法(Binary Convolution Logistic-Atom Search Algorithm,BCL-ASA)优化BP神经网络(BCL-ASA-BP)的故障诊断模型。首先,对电路板芯片不同状态下的温度进行采集和特征提取,并采用欧氏距离对特征进行融合,建立含有芯片故障界定标准的故障特征模型。接着,利用双元卷积Logistic映射初始化原子搜索算法的种群规模和位置,提高收敛速度和精度。然后,通过BCL-ASA优化BP神经网络寻优过程,获得最优权值和阈值。最后,将芯片故障特征模型输入到BCL-ASA-BP神经网络中进行训练和测试,完成电路板芯片故障诊断。实验采用电源电路板进行可靠性分析,结果表明,BCL-ASA-BP对芯片故障综合诊断准确率可达98.35%,较传统BP算法提升13.9%。     

变压器故障诊断中信息融合技术的应用

电力变压器的可靠性直接影响供电的稳定,为此结合电力变压器故障诊断的具体情况,从信息融合的角度提出了基于信号类型及不同特征向量组合的集成诊断模型。该模型利用基于故障机理内在因素的专家系统,采用匹配知识规则,通过模糊推理,得特征向量与变压器故障信息间的关联性质,完成故障诊断,且诊断完成后,利用数据挖掘技术将诊断过程中的特征量、推理过程、结果以编码形式存入专家系统规则库。该模型将油中溶解气体、电气参数等特征量结合作为故障判据,评估变压器状态,并利用评估结果丰富专家系统的规则库。在讨论了多传感器信息融合技术用于变压器在线故障诊断时的具体实现方法后通过实例进行分析说明:利用来自传感器的各种故障信息进行融合,作为变压器故障诊断的判据,提高了诊断的可靠性和准确性,这将对提高电网安全性能及电气设备的诊断自动化与智能化水平起到推动作用。     

基于ISFLA-SVM的变压器故障诊断

为提高变压器故障诊断的准确性,提出了一种改进混合蛙跳算法优化支持向量机模型参数的变压器故障诊断方法。该方法首先采用均匀随机化与反近似对立相结合的方法对混合蛙跳算法的种群初始化进行改进,提高初始解的质量;其次引入差分变异算子,并将余弦适应性骨架差分进化算法内嵌入混合蛙跳算法的局部搜索算法中,同时利用Levy变异算子代替随机更新操作,提高了局部搜索算法的精度,加快了收敛速度;最后利用改进后的混合蛙跳算法对支持向量机模型参数进行优化,建立故障诊断模型。经典测试函数的仿真结果和实例验证结果表明,文中提出的改进混合蛙跳算法的性能有大幅度提高,优化后的支持向量机故障诊断模型相比于SFLA、AS-SFLA、ODSFLA算法优化结果具有更高的诊断准确率,更快的迭代速度,可对变压器故障进行有效诊断。     

多支持向量机模型的输电线路故障诊断方法

为提高电力线路故障诊断的准确性,充分利用广域监测系统的同步量测信息,提出一种基于电气量故障信息特征的多支持向量机模型诊断方法。首先,获取同步监测信息,利用对称分量法提取故障信息特征,建立特征集。其次,采用遗传算法优化支持向量机模型参数,构建诊断模型。最后,利用D-S证据理论融合方法对不同支持向量机模型的诊断结果进行融合,获得最终的故障诊断结果。实例验证结果表明,依据特征量进行故障诊断的准确率能较稳定的达到97%,具备提高诊断精度和降低结构复杂度的优势。另外,与传统方法相比,多支持向量机诊断模型能准确识别故障特征,且有效提升诊断准确率在4%以上,具有更高的准确性与有效性。     

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。     

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。     

一种滚动轴承故障状态诊断方法

针对滚动轴承故障受噪声污染大，故障特征不明显，导致的故障诊断困难问题，提出了一种新的滚动轴承故障诊断方法。首先利用基尼指数对滚动轴承进行健康状态评估，并对状态异常的振动信号采用最优参数最大相关峭度解卷积进行降噪预处理以突出冲击成分，计算预处理信号的层次熵组成特征矩阵，最后采用布谷鸟算法优化支持向量机相关参数，并完成滚动轴承故障状态的智能诊断。通过实验分析验证了所提方法的可行性，且具有较高的准确率。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

基于ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

小波消噪和人工蜂群优化神经网络的建筑电气故障诊断

为了提高建筑电气故障诊断的正确率,提出小波消噪和人工蜂群优化神经网络的建筑电气故障诊断模型。首先采用小波分析对采集的建筑电气状态信息进行处理,并提取建筑电气特征,然后将训练样本输入到多层前馈(BP)神经网络进行学习,并采用人工蜂群算法优化BP神经网络的参数,建立建筑电气故障诊断模型,最后采用仿真实验对模型的性能进行测试。实验结果表明,相对于其他建筑电气故障诊断模型,模型可以较好地描述建筑电气状态信息,不仅提高了建筑电气故障诊断的正确率,而且提高了故障诊断的速度,具有更高的实际应用价值。     

基于时序特征模式识别的列车网侧过流故障实时诊断

为了提升列车的智能化水平与现场检修效率,文中从系统角度出发,针对高速列车牵引传动系统网侧过流的精确故障定位问题,提出一种基于故障时序特征模式识别的实时诊断方法。该方法首先通过机理分析选择故障源集合关联的系统信号,其次,结合案例数据波形与专家经验,挖掘故障源与系统信号的关联规律,提取相关故障特征指标;然后,基于故障特征指标的时序变化特性,利用高斯混合模型与隐层马尔科夫链算法建立列车网侧过流的时序特征辨识的故障诊断模型。最后,应用列车实际运行数据对提出的故障诊断模型进行验证,实验结果表明,所提算法能实现有效的故障检测与隔离功能,具有良好的应用价值。     

基于神经网络的电气自动化设备故障智能检测方法

电气自动化设备故障智能诊断是确保电气自动化设备能够稳定运行的基础,但传统故障诊断技术存在故障诊断精度低的问题,因此开展了基于神经网络的电气自动化设备故障智能诊断的研究.通过构建电气自动化设备故障智能诊断模型,对参数进行统一化处理;利用神经网络自适应的模式识别技术,基于神经网络提取离散型故障信号;将适应值精确到函数中具体的某个点坐标上,以输入节点作为故障征兆,输出节点作为故障原因,实现电气自动化设备故障智能诊断定位.试验结果表明,设计的故障诊断技术能够诊断出数量更多的电气自动化设备故障,故障诊断精度更高,可以实现对电气自动化设备故障智能的精准诊断.     

基于模糊积分融合理论的电网故障诊断策略研究

针对电力系统自动化水平不断提高、广域测量技术高速发展的现状,提出一种综合电气故障信号电气量、开关量的多数据源信息融合的电网故障诊断方法。该方法将电气量诊断结果和开关量诊断结果相结合,对电气量采用小波分析提取故障奇异度、故障诊断度;开关量采用时序贝叶斯网络理论建立诊断模型进行诊断,得到各个元件的故障表征。最后,通过模糊积分理论对求得的元件故障概率进行多源信息的融合得出电网故障诊断决策。仿真计算表明,该策略能够将电气量和开关量的故障诊断信息进行融合,得到精确的故障诊断结果。