基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于深层卷积神经网络电动飞机主驱动电机故障诊断方法

为解决电动飞机主驱动电机故障诊断方法因电机结构复杂、信号非平稳与机械大数据等因素引起的诊断困难问题,提出了基于深层卷积神经网络的电动飞机主驱动电机故障诊断新方法。首先研究了SoftMax分类器判断故障类型问题。其次研究了卷积神经网络结构中激活函数对模型诊断结果准确率的影响,利用残差模块提高了深度卷积神经网络模型的准确率。Python仿真表明:在同等条件下卷积神经网络电动飞机主驱动电机故障诊断的准确率和运行时间都优于SDAE、ASPNN。     

基于多分支门控残差卷积神经网络的短期电力负荷预测

短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一,针对负荷数据的时序性特征,为提升电力负荷预测精度,建立了一种基于多分支门控残差卷积神经网络(residualgatedconvolutional neural network,RGCNN)的短期电力负荷预测模型。该模型首先采用多分支门控残差卷积神经网络对历史负荷的周周期特征、日周期特征、近邻特征进行深度特征提取;其次为增加模型的非线性拟合能力,采用注意力机制对权重进一步合理分配;最后通过归一化指数函数计算后输出负荷预测结果。使用2016年某电力竞赛数据进行实验,通过与4种常用模型对比,该模型预测结果的平均绝对百分误差（MAPE）评价指标下降了0.02%～0.70%,验证了该模型提高负荷预测精度的有效性。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

基于改进卷积双向门控循环网络的轴承故障诊断

针对传统深度学习方法没有充分利用轴承信号的时序特点,以及难以处理动态数据的问题,提出一种基于改进卷积双向门控循环神经网络的轴承故障智能诊断方法.采用卷积神经网络从输入信号中提取代表性特征,引人双向门控循环神经网络挖掘故障数据在时间维度上的语义信息,通过注意力机制自适应地对特征图通道赋予不同权值,从而实现高精度的轴承故障...     

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。     

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...     

卷积神经网络在油浸式变压器故障诊断的应用*

变压器作为变电站的主要电气设备,其智能化程度直接决定了智能变电站的发展程度,是电力系统中关系国民生产生活的重要环节。采集变压器油中溶解气体的含量及类型,通过建立卷积神经网络模型确定变压器的故障类型。在卷积神经网络算法原理的基础上,利用Java编程构建模型,将一维卷积神经网络应用到变压器故障诊断中,以变压器油中溶解的5种气体含量值作为输入向量,变压器的6种状态对应的编码值作为输出向量,并对网络中的池化层进行改进。在模型建立过程中讨论了卷积核的大小、数量、样本长度对模型精度的影响,并通过优选函数的方法确定激活函数。实验表明,将该方法生成的网络应用于变压器故障诊断,可为合理诊断变压器故障提供有价值的参考。     

基于卷积神经网络的UPS系统逆变器故障诊断研究

随着计算机技术及电力电子技术的快速发展,不间断电源(Uninterruptible Power Supply, UPS)的应用越来越广泛。逆变器是UPS系统中非常重要的一个部分,它是蓄电池与用户之间的桥梁,而逆变器故障是UPS系统的常见故障类型之一。UPS系统中一旦逆变器发生故障,就会造成电能质量下降,甚至会引起其他部件的故障,因此快速、准确地定位逆变器故障对提高UPS系统的可靠性具有重要的意义。针对逆变器中单个、两个开关管开路故障及输出侧滤波电容失效故障进行故障诊断。首先模拟UPS系统中的三相逆变器的各种故障情况,得到各种情况下的输出电压波形,从而得到它们的电压矢量相位数据,之后将电压矢量相位数据输入卷积神经网络中进行训练,进而利用训练好的卷积神经网络模型实现UPS系统逆变器故障诊断和定位。最后,仿真结果表明所提出的故障诊断策略具有非常高的效率及准确率。     

基于残差神经网络的换流变压器状态识别模型研究

研究了一种基于马尔可夫变迁场和残差卷积神经网络的换流变状态识别模型,并通过换流站现场实测数据进行了分析,验证了该模型的有效性与优越性.     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。     

基于双谱与双流卷积神经网络的断路器故障诊断

高压断路器操动机构的振动信号包含了断路器运行状态的重要信息,对操动机构工作状态的诊断辨识十分重要。针对振动信号随机、非平稳的复杂特性,提出了一种基于双谱分析和双通道流浅层卷积神经网络的断路器故障诊断方法。对振动信号进行双谱分析和小波分析,分别提取2D双谱矩阵以及1D小波频带能量作为双流卷积神经网络的双通道特征;对断路器模拟实验采集到的五种工况下的振动信号进行有监督训练。结果表明,双谱分析能够抑制高斯噪声、保留操动机构不同工况下主要峰值形态特征并融合小波频带能量特征,所提模型训练迭代5次即可达到98.33%的高识别精度,实现断路器操动机构的故障诊断辨识。     

基于加权小波神经网络的油浸式电力变压器故障检测

分析变压器油中溶解气体含量进行变压器故障诊断的关键是找到油中溶解气体含量和故障之间的非线性关系.针对已有检测方法诊断准确性不高的问题,提出不基于Fourier变换,而是利用细分的方法构造一类新的具有加权性质的小波函数.将小波函数作为前馈神经网络的隐含层函数并优化网络的学习率,构造出加权小波神经网络处理变压器油中溶解气体含量数据.通过实际故障数据验证,此方法较已有的诊断方法准确性更高,在同等计算精度下速度更快,进而提高了变压器故障诊断的效率.     

基于IBBOA优化BP神经网络的变压器故障诊断

为提高变压器故障诊断准确率,提出基于IBBOA优化BP神经网络的变压器故障诊断模型.在IBBOA-BP模型中,引入自适应权重,协调BBOA的全局和局部搜索能力;增加变异算子,提高蝴蝶种群的多样性,避免蝴蝶个体陷入局部最优.通过IBBOA优化BP神经网络的权值和阈值,避免BP神经网络出现易早熟问题,提高变压器故障诊断模型...     

基于量子神经网络信息融合的变压器故障诊断

针对电力变压器故障的多样性和故障信息的不确定性、数据量大及无规律性的特点,提出了基于量子神经网络信息融合的故障诊断方法.将多个电力变压器故障参数信息引入到各子量子神经网络进行局部融合诊断,再将各局部诊断信息引入决策融合网络进行全局融合,最终诊断出5种电力变压器故障并给出可信度评价.实验仿真结果表明:量子神经网络信息融合方法有效,诊断结果可靠,能将不确定性的数据合理地分配到各类故障模式中,故障正判率达到97.78％,远高于BP神经网络信息融合及改良IEC三比值法.     

基于神经网络的变压器故障诊断

为了保障变压器在电力系统中能够安全有效的运行,提出了一种将RBF神经网络与模糊控制算法相结合对变压器进行故障诊断的方法。设计了具有6层神经网络的学习体系,并且将模糊隶属度函数引入到第2层中,加快了神经网络的学习速度。基于变压器故障的数据统计,通过对其内部的气体含量进行分析对故障类型进行分类。通过样本数据对所设计的模糊RBF神经网络进行故障诊断训练。实验结果表明,通过训练后的该模型对变压器的故障诊断具有更好的效果。     

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。     

基于改进卷积神经网络的风电轴承故障诊断策略

针对风电机组滚动轴承故障特征微弱、提取困难、诊断效率低下等问题,提出一种基于改进卷积神经网络(Convolution Neural Network,CNN)的故障诊断算法.改进CNN模型结构,在全连接层前增加新的卷积层,挖掘信号的深层特征以提高模型的泛化能力.对卷积层数据进行批归一化处理,采用带有动量的随机梯度下降训练...     

基于残差卷积神经网络的温度敏感负荷辨识方法研究

地区电网负荷特性易受环境温度影响,导致负荷辨识结果往往存在较大偏差,研究了基于残差卷积神经网络的温度敏感负荷辨识方法,有效提高负荷辨识准确率.首先,利用基准负荷比较法,构建了商业各企业基准日负荷曲线;其次,利用皮尔逊相关系数法,筛选出与温度相关性强的温度敏感负荷,同时采用多项式回归模型进一步分析温度敏感负荷与实时温度变化的规律,量化温度因素的影响程度;最后,针对温度敏感负荷,提出利用负荷与温度的多项式回归模型系数构建动态温度敏感负荷特征库,作为辨识模型的输入.将基于残差卷积神经网络的负荷辨识结果与传统卷积神经网络负荷辨识结果进行对比,前者的辨识准确率有较大提升.