基于海鸥算法优化概率神经网络的变压器故障诊断*

:传统概率神经网络PNN依靠经验取平滑因子进行变压器故障诊断,导致预测准确率不高,因此提出一种基于无编码比值法（九维度）的海鸥算法优化概率神经网络PNN,构建一种新型变压器故障诊断模型。该方法用海鸥算法优化平滑因子,再将结果赋值给PNN模型进行训练,减少人为因素对神经网络设计的影响。结果表明,相对于传统PNN模型、PSO PNN模型及SSA PNN模型,该方法准确率更高,为变压器故障诊断提供了新方法。     

基于优化平滑因子σ的概率神经网络的变压器故障诊断方法研究

目前在概率神经网络的机理研究中存在一个瓶颈问题:在有限的模式样本中提炼出能反映整个样本空间的平滑因子σ,目前的σ估计都基于经验或有限样本聚类的方法,并不能将空间的概率特性很完整地表达出来,而遗传算法可以在没有任何先验知识的情况下发现系统潜在知识。采用遗传算法来优化概率神经网络的σ,并把它应用于电力变压器的故障诊断中。通过MATLAB7.0仿真结果得出,经过遗传算法优化平滑因子后的概率神经网络可以大大提高故障诊断的准确性。     

基于概率神经网络的电力变压器故障诊断

提出了一种基于概率神经网络的变压器故障诊断方法,并用遗传算法优化概率神经网络的平滑因子,从而提高概率神经网络诊断的正确率.结果表明,实际的油色谱数据验证了此变压器故障诊断方法的可行性和正确性.     

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。     

基于概率神经网络的电力变压器故障诊断

提出了一种基于概率神经网络的变压器故障诊断方法,并用遗传算法优化概率神经网络的平滑因子,从而提高概率神经网络诊断的正确率。结果表明,实际的油色谱数据验证了此变压器故障诊断方法的可行性和正确性。     

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。     

基于DGA和AO-PNN的变压器故障诊断方法研究

为提高油浸式电力变压器故障诊断的准确率,提出了一种将AO-PNN模型与油中溶解气体分析法(DGA)相结合的故障诊断方法。该方法引入天鹰优化算法对概率神经网络进行优化,将DGA比值输入模型最终得到变压器的故障诊断结果。仿真结果表明,与其他常用的机器学习模型相比,提出的模型有更高的准确率,可有效运用到变压器故障诊断领域。     

基于 IPPA 优化 PNN 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,本文提出一种改进寄生捕食算法(IPPA)优化概率神经网络(PNN)的电力变压器 故障诊断模型,首先利用主成分分析(PCA)对故障数据进行数据降维减少无效特征,然后利用混沌反向学习,柯西变异算子和 融合贝塔分布的线性递减函数的权重等多策略改进寄生捕食算法( IPPA),提高其优化能力,并使用改进后的 IPPA 算法优化 PNN 网络的平滑因子,以提高 PNN 的分类精度和鲁棒性。 最后将 PCA 处理后的数据输入到 IPPA-PNN 模型中进行故障诊断 并以变压器数据为依据进行测试,测试结果表明,IPPA-PNN 模型准确率达到 93%相比于 PPA-PNN 和 PSO-PNN 模型提高了 7%和 10%能够有效地提高变压器的故障诊断性能。     

基于 LSSA 优化 DBN 的双有源桥变换器 开路故障诊断

针对双有源桥(dual active bridge, DAB)变换器中IGBT开路故障诊断精度较低的问题,提出基于莱维飞行麻雀搜索算法(Levy sparrow search algorithm, LSSA)优化深度信念网络(deep belief network, DBN)的故障诊断方法。首先,利用莱维飞行策略改进麻雀搜索算法的收敛速度和全局优化能力。然后将DBN的均方差作为适应度函数,利用LSSA寻找DBN的最优隐藏层单元数,根据得到的最优值建立DBN故障诊断模型。通过RT-LAB搭建DAB变换器半实物仿真系统,对变压器漏感电流信号进行故障诊断,在收敛速度、适应度值和诊断精度指标方面进行对比分析。实验结果表明诊断模型可以有效诊断DAB变换器开路故障,且诊断精度达到99%。     

模糊输入的概率神经网络在变压器故障诊断中的应用

将概率神经网络引入到电力变压器的故障诊断中,并提出了利用模糊数学的知识对神经网络输入进行预处理的方法.采用改良的三比值方法来实现故障诊断,建立了基于模糊输入的神经网络故障诊断模型.通过对神经网络模型的实例训练及仿真,证明了此方法有较好的收敛性,提高了故障诊断的有效性和准确性.