自适应遗传算法在变压器超高频局放模式识别中的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法,对实验室中变压器超高频局部放电自动识别系统检测到的5种放电类型进行了模式识别。实验结果表明,AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题,具有较高的识别率和较强的推广能力,可以很好的应用于变压器超高频局部放电的模式识别中。     

粒子群优化小波自适应阈值法用于局部放电去噪

为了提高局部放电在线监测中小波去噪的自适应能力,并降低去噪信号的畸变率,提出了一种用于电力设备局部放电信号去噪的粒子群优化小波自适应阈值方法。该方法采用小波对局部放电信号进行分解,在阈值选择时采用基于SURE无偏估计的最优阈值自适应选择方法,结合粒子群优化算法进行全局自适应搜索最优阈值,使最优阈值自适应寻优速度大大提高。为了验证其去噪效果,还引入遗传算法对小波自适应阈值法进行优化计算。对局部放电仿真信号与实测局部放电信号的去噪结果表明,本文与标准软阈值法和遗传算法优化小波自适应阈值法相比,能更好地去除局部放电信号中的白噪声,计算速度更快,具有良好的去噪效果和应用价值。     

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。     

小波包在局放信号极性检测中的应用

对于大型电机来说,局部放电信号的极性对于局放类型的判别有重要 的意义,但对于在线监测设备,由于存在干扰,极性的提取相当困难,文中介绍了局部信号极性与放电类型之间的关系,提出了用小波包算法提取信号极性的方法,仿真表明,该方法是可行的,并可在强干扰下提取局放信号极性信息。     

基于粒子群优化的最佳阈值法在局部放电信号去噪中应用

抑制白噪声干扰是局部放电（ Partial Discharge,PD）在线检测中的关键技术。提出一种基于粒子群优化的最优阈值选取去噪方法。该方法采用小波对局部放电信号进行分解,在选取阈值时建立广义交叉验证准则,以广义交叉验证准则作为适应度值函数,并结合粒子群优化算法自适应地确定出各分解层的最佳阈值。该方法不依赖任何先验知识,实现局部放电信号自适应去噪。对局部放电仿真信号和实测局部放电信号的去噪结果表明：本文提出的方法与标准阈值法相比,能更好地去除局部放电信号中的白噪声。     

基于时域脉冲特征量的神经网络方法在变压器局放模式识别中的应用

对电力变压器特高频局放单个时域脉冲信号做小波包分解,以其能量前三位和熵值前三位加上能量和熵值共8个特征量作为神经网络的输入特征量,分别研究了BP神经网络、Elman神经网络和PNN神经网络对4种典型变压器局部放电信号的模式识别效果。通过对实验室实测信号的识别,证明了采用此特征量的神经网络识别方法简单有效实用,从而为电力变压器局放信号的识别提供了有效的参考。     

二进小波变换结合自适应滤波用于局放检测

在局部放电在线监测和实时信号处理中,干扰较大时单纯依靠传统的硬件滤波较难准确提取有用信号,而在软件抗干扰中,传统多抽头自适应滤波器的参数设置也较难,有时会导致收敛很缓慢甚至不稳定。为此,提出了一种将二进小波变换与自适应滤波结合的局放信号检测算法,先对信号作简单的单抽头自适应LMS算法滤波,然后对滤波结果进行基于āTrous算法的二进小波变换来提取有用信号。通过对仿真白噪、窄带周期干扰及现场实测数据处理表明,该算法有很好的去噪性能,稳定性和实时性优于传统的自适应滤波,满足大部分工程要求,为工程实际应用提供了有效的去噪手段。     

自适应混合粒子群算法在梯级水电站群优化调度中的应用

针对梯级水电站群长期优化调度发电量最大模型,提出了一种自适应混合粒子群进化算法（AHPSO）。该算法引入混沌思想生成初始解,并定义了粒子能量、粒子能量阈值、粒子相似度和粒子相似度阈值来描述算法的自适应变化以及群体进化程度,同时结合遗传变异思想进行粒子操作,最后提出了一种基于邻域的随机贪心策略以解决算法后期进化速度慢的缺点。以澜沧江下游梯级水电站群为计算实例的结果表明,AHPSO比基本粒子群算法有更好的收敛性和优化结果,计算时间比逐步优化算法少,且优化结果相近,是一种可供选择的计算方法。     

自适应小波及其在局部放电检测中的应用

基于小波用于消噪处理的目的,提出了自适应选取小波的方法。该方法首先用吴方法构造给定支集的正交小波,然后在大量的正交小波集中以门限信息花费函数作为优化选取小波的目标函数。现场实验结果表明,该方法可改善局部放电信号的提取效果,准确率高,波形失真小,而且有很强的鲁棒性。     

自适应免疫粒子群算法在光伏MPPT中的应用

光伏阵列在局部遮阴条件下,其P-U特性曲线呈多峰特性,传统的最大功率点跟踪(MPPT)算法容易陷入局部最优,而无法追踪到最大功率点。粒子群(PSO)算法适用于复杂多极值的寻优问题,因而在多峰值MPPT中得到广泛应用。针对粒子群算法寻优过程中易早熟收敛至局部最优、迭代后期收敛速度慢以及精度低等问题,提出了一种自适应免疫粒子群算法。该算法对惯性权重和学习因子进行自适应调整,并且与免疫算法相结合。仿真结果表明：该算法在静态局部遮阴以及动态局部遮阴条件下,均能追踪到最大功率点,并且收敛速度更快,精度更高,稳定性更好。     

组合式粒子群神经网络的96点负荷建模的应用

粒子群算法是一种新型寻优策略,具有收敛速度快、收敛精度高的优点。提出一种改进粒子群神经网络的负荷预测模型,通过改进粒子群算法优化BP神经网络的权值和阈值,改善神经网络的缺陷,将优化好的BP神经网络对某电力系统进行短期负荷预测。仿真结果表明,该算法收敛速度快,网络性能良好,并具有较强的自适应能力。     

自适应变异粒子群算法及在输电网规划中的应用

针对标准粒子群优化（SPSO）算法易陷入局部最优的缺点,引入了一种自适应变异的粒子群优化（AMPSO）算法,并应用于电力系统输电网规划。该算法在迭代过程中加入变异操作,并根据种群适应度方差值自适应地调整变异概率的大小,以此来增强算法跳出局部最优的能力。在输电网规划算例中的应用结果表明,变异操作改善了算法的寻优性能,使得AMPSO算法的寻优效率远高于SPSO算法。     

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。     

基于粒子群算法的时序电路测试生成

本文论述了将粒子群算法应用在时序电路自动测试生成的研究结果。结合时序电路的特点,构造测试生成的粒子表达方式,建立自动测试生成离散粒子群速度-位置模型,通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。针对国际标准时序电路的验证结果表明,与同类算法相比,该算法可以获得较高的故障覆盖率和较小的测试矢量集。     

基于自适应粒子群算法的变压器局部放电定位研究

随着对电力系统安全运行的要求越来越高,对变压器局部放电定位的研究也就愈发重要,将智能算法引入变压器局部放电定位中是很有效的途径。提出自适应粒子群算法对变压器局部放电定位,通过实验验证分析,此算法具有精度高,收敛速度快,避免收敛早熟等优点。     

文化微粒群神经网络在用电量预测中的应用

为了提高传统神经网络在中长期用电量负荷预测中的速度和预测精度,将文化算法、微粒群算法融入神经网络中,设计了文化微粒神经网络模型;将该模型用于我国某地区中长期用电量预测建模,采用了滚动时间窗技术处理输入输出数据,进一步优化模型数据输入量.该方法综合了微粒群算法的全局寻优能力和文化算法的演化优势.通过与传统的灰色预测模型以...     

线性递减权重粒子群优化人工神经网络算法的光伏系统谐波检测

提出了一种改进的人工神经网络(ANN)算法,利用线性递减权重粒子群优化算法(LDWPSO)来调节ANN各层的权重值,得到收敛最小时的权向量,计算谐波相角,实现对谐波的检测。仿真结果表明,线性递减权重粒子群人工神经网络算法(ANN-LDWPSO)具有高控制精度和快收敛速度,并能准确地检测电网谐波,从而验证了算法的可行性和实用性。