改进BP网络算法在配电网故障诊断中的应用研究

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出利用一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练.该算法使BP神经网络学习速率和稳定性得到提高.将这种改进的BP网络算法应用于配电网诊断实例,用这种改进的网络算法进行分类,采用VB语言作为开发工具调用神经网络工具箱建立了一个简化的故障诊断系统,验证了该算法的有效性、正确性.     

一种改进型BP网络算法在凝汽器故障诊断中的应用

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练。该算法使BP神经网络在学习速率和稳定性上有了进一步的提高。并将这种改进的BP网络算法应用于凝汽设备故障诊断实例中取得了实效。     

改进的BP网络在凝汽器故障诊断中应用

针对BP网络学习收敛速度慢和易陷入局部最小点的不足，提出了一种恒误差修正率控制的网络学习率自适应调整方法。将这种改进的BP网络算法应用于凝汽设备故障诊断中，在1台300MW机组上取得了实效。     

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。     

一种改进型BP网络在汽轮发电机组故障诊断中的应用

在标准BP网络基础上,提出一种加优先权值的改进BP网络模型,给出该网络模型的结构、具体的学习训练算法和反馈算法,并阐述输入层与输出层神经元部分连接的依据及其连接优先权值的确定问题。结合汽轮发电机组故障诊断实例,从单故障识别和多故障识别两个角度证明了该模型具有较强的故障识别能力,其诊断结果也更符合故障实际情况。     

优化BP神经网络在配电网故障定位中的应用

针对电力系统设施建设及措施的不到位导致配电网故障、事故不能完全避免的问题,对配电网故障进行定位显得格外重要。为此采用云理论及遗传算法对BP神经网络进行优化,以提高故障定位的准确性。     

BP算法的研究及在汽轮机故障诊断中的应用

运用Nguyen-Widrow方法初始化Levenberg-Marquardt算法中的变量参数,在此基础上,L-M算法在训练神经网络中的应用,减少了网络训练时权值和阈值的调整次数,加快了算法收敛速度,保证了误差为误差平面的全局最小值,并将使用N-W方法的L-M算法应用于汽轮发电机的故障诊断。经理论和实践证明该方法提高了故障诊断的准确性和可靠性,并为转动机械提供了有效的故障诊断方法。     

BP神经网络在模拟电路故障诊断中的应用

模拟电路故障诊断有很多方法,介绍一种基于BP神经网络的智能诊断方法。     

BP网络在水电机组故障诊断中的应用研究

介绍了人工神经网络的基本性能和ＢＰ网络模型及算法,并将神经网络中的ＢＰ模型应用于水轮发电机组振动故障诊断中,比较了选择不同的网络参数对诊断系统性能的影响。实验证明,基于ＢＰ网络的水轮发电机组振动故障诊断方法具有较高的实用价值。     

BP网络在水轮发电机组振动故障诊断中的应用研究

将人工智能引入水轮发电机组的故障诊断,有利于大中型水电厂“无人值班（少人值守）”管理模式的加速发展。本文首先简单介绍了人工神经网络的基本性能和ＢＰ网络模型及算法,然后将神经网络中的ＢＰ模型应用于水轮发电机组振动故障诊断中,比较了选择不同的网络参数对诊断系统性能的影响。实验证明,基于ＢＰ网络的水轮发电机组振动故障诊断方法具有很高的实用价值。     

基于BP神经网络的变压器故障诊断及其应用

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究一种基于BP神经网络算法的变压器故障诊断方法.通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明本算法的有效性.     

基于BP神经网络的光伏阵列故障诊断研究

光伏阵列多安装在较恶劣的室外环境中,因此在运行过程中常会发生故障。为辨别光伏阵列故障类型,提出了基于L-M算法的BP神经网络的故障诊断方法。在深入分析不同故障状态下光伏阵列输出量变化规律的基础上,确定了故障诊断模型的输入变量。本方法无需额外的设备支持,具有简便、成本低的优点;可以在线实时地进行故障诊断。仿真和初步实验结果验证了基于BP神经网络的故障诊断方法可以有效地检测出光伏阵列短路、断路、异常老化及局部阴影等四种故障。     

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BP网络的开关电源故障诊断方法研究

分析了开关电源故障诊断方法研究的现实意义,以BP神经网络、数据模糊化和功能测试理论为基础,针对开关电源电路特征提出了采用功能BP网络与子模块BP网络相结合并行处理方法,首先避免了建立庞大的BP网络,其次解决了大规模模拟电路功能模块串行处理效率低的问题.测试和仿真结果表明,所提出的方法能够有效地诊断模拟电路故障模块和故障元件.     

基于改进型小波神经网络的灭火系统故障诊断

在装甲车辆灭火系统故障诊断中,小波神经网络算法能将故障诊断定位到元件级,但各元件存在容差,导致参数变化的连续性和随机性使得诊断率不高。为了提高小波神经网络算法在灭火系统中的诊断率,针对网络在运行过程中存在着收敛效果差、训练误差大及容易陷入局部极小值的缺点,网络无法继续训练和测试,提出一种以增加动量的小波自适应神经网络的改进型算法,可以使网络运行更稳定,学习速率更快。经MATLAB仿真实验表明改进后的算法诊断率远高于普通算法。     

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。     

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。     

混合神经网络在变压器故障诊断中的应用

针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。