基于遗传算法优化XGBoost的油浸式变压器故障诊断方法

为了提高油浸式变压器故障诊断的精度及可靠性,研究了一种基于遗传算法优化极端梯度提升(XGBoost)的油浸式变压器故障诊断方法.首先,以油中溶解气体分析(DGA)为依据,采用无编码比值方法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;以归一化样本为输入建立基于XGBoost的故障诊断模型,并采用遗传算法对...     

基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究

为提高油浸式电力变压器故障诊断的精度及可靠性,提出了一种基于改进天鹰算法(modified aquila optimizer, MAO)优化核极限学习机(kernel based extreme learning machine, KELM)的油浸式电力变压器故障诊断方法。利用Tent混沌映射、卡方概率密度函数,对原始天鹰优化算法(Aquila Optimizer, AO)进行改进,改进后的算法有效提升了收敛速度与寻优精度。利用MAO算法对核极限学习机模型中的正则化系数和核函数参数进行联合寻优,构建最优故障诊断模型。实验结果显示,MAO-KELM对变压器故障诊断的准确率达到95.8%,比AO、GWO和PSO优化的核极限学习机故障诊断模型分别提升了3.52%、10.07%和11.64%,体现了MAO算法的优越性,同时与传统模型进行比较,证明所提方法的诊断效果具有明显优势。     

变压器油中溶解气体故障诊断的改进模糊算法

变压器故障原因十分复杂,故障现象与故障机理间的联系存在着模糊性和不确定性。现有的经典故障诊断算法应用广泛,但存在一些固有缺点。为此,引入遗传算法,对模糊迭代自组织数据分析算法(iterative selforganizing data analysis techniques algorithm,ISODATA)进行改进,提出优化诊断方法,提高了算法效率,降低了ISODATA对于初始聚类的依赖性。结合具体诊断案例,对改进前后诊断方案各方面指标进行比较分析,证明所提方案的准确性、高效性。采用遗传算法改进的模糊ISODATA更符合实际需要,可方便地应用于对油浸式变压器的故障诊断。     

采用遗传算法优化装袋分类回归树组合算法的变压器故障诊断

传统的变压器故障诊断方法依靠经验,不能很好地反映故障特征和模式之间的深刻联系,诊断准确度不高。为此,采用遗传算法(GA)对装袋分类回归树组合(Bagging-CART)算法进行了优化,优化后的算法可有效提高变压器故障诊断准确度。该算法在油中溶解气体分析(DGA)技术的基础上,以分类回归树(CART)算法作为基分类器,并采用装袋(Bagging)算法对CART算法进行集成,得到Bagging-CART强分类器。鉴于Bagging算法在集成过程中会生成相似甚至相同的基分类器,从而影响强分类器的泛化能力,故进一步利用遗传算法寻找最优基分类器组合进行了选择性集成。实验结果表明:单一CART算法的故障诊断准确度为83.33%;Bagging-CART全集成算法的故障诊断准确度为88.67%;而遗传算法优化Bagging-CART算法的故障诊断准确度可达91.33%,故障诊断准确度得到了提升。     

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。     

基于蚁群算法的变压器故障诊断方法研究

针对目前电力变压器故障诊断方法中的不足,提出了蚁群算法优化的神经网络故障诊断方法。充分利用蚁群算法的全局优化和启发式寻优能力,对神经网络连接权值进行优化,再利用神经网络的非线性处理及自学习能力对变压器故障样本进行训练,并仿真测试。实验结果表明,与传统故障诊断方法相比,该算法有效避免了陷入局部极小和诊断正确率不高等问题,大大减少了训练时间,提高了故障诊断效率,更能准确地反映变压器的实际故障。     

用LS-SVMs分析油浸式变压器故障

鉴于支持向量机法可较好地解决小样本、非线性、高阶动态系统的检测、分类、诊断等领域的一类实际问题,为改进变压器的故障诊断方法,采用分层决策最小二乘支持向量机作为油浸式变压器故障分类器,利用多层动态自适应优化算法优化了径向基核函数δ,惩罚参数c。采用最少特征量—4种气体作为故障识别的依据,用4级支持向量机进行训练和诊断,以此判断油浸式变压器运行所处的状态。最小二乘多级支持向量机分类器克服了神经网络存在大量的学习样本又易陷入局部极小值等缺点,具有所用特征量少,训练时间短,诊断准确率高等优点。     

基于特征判定系数的CSO-SVM的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和特征熵权法（EWM）进行故障诊断的方法。通过相关系数加权峭度（CCWK）原则筛选CEEMDAN分量并重构信号,实现在剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数（FDC）实现单一数据诊断变压器故障类型;通过主成分分析法（PCA）减小混合域特征尺度,采用鸡群优化算法（CSO）优化支持向量机（SVM）模型进行故障诊断。对某变电站110kV三相油浸式变压器进行分析,结果表明与概率神经网络（PNN）和SVM等变压器故障诊断方法相比,文中方法在提前定性故障类型的同时,能够进一步提高变压器故障诊断准确率与效率。     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

基于多策略改进蜣螂算法优化的变压器故障诊断

为了保证油浸式变压器故障诊断的可靠性,提出了一种基于多策略改进蜣螂算法(multi-strategy improved dung beetle optimizer, MIDBO)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的变压器故障诊断方法。由于蜣螂算法存在全局搜索能力较差、容易陷入局部最优解的缺点,首先通过Bernoulli混沌映射、引入自适应因子和Levy飞行策略融合动态权重系数进行改进,并对其性能进行评估。然后针对BiLSTM的诸多超参数利用MIDBO进行优化,形成MIDBO-BiLSTM故障诊断模型。通过核主成分分析(kernel principal component analysis, KPCA)提取特征值,进而深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。最终实验结果表明所提出的MIDBO-BiLSTM变压器故障诊断方法准确率高、泛化能力强。其准确率高达94.67%,适用于变压器的故障诊断。     

220kV迪光变电站接地网故障诊断优化分析

针对传统变电站接地网故障诊断分析中,存在因实测误差导致收敛性不足,存在大量误诊断的情况。本文针对中山市220kV迪光变电站接地网(采用ф22型镀锌钢铺设)实际故障情况,采用基于Matlab的最优化遗传算法(Genetic Algorithm,简称GA),对迪光变电站接地网系统故障进行诊断。遗传算法经过5000次迭代以后,具有迅速收敛性,大大提高了工作效率,使能够迅速的找出故障所在位置。     

基于仿电磁学算法的辐射状配电网故障定位

A typical 0-1 programming problem in distribution network is described for the fault location problem.To solve the problem effectively,a new approach named Electromagnetism-like Mechanism algorithm(ELM)is proposed.The simulation for fault location with 8 distribution nodes is executed through comparing with the Genetic Algorithm.The correctness of the fault location model and the effectiveness of ELM are testified in solving 0-1 optimization problem.     

A new-fangled adaptive mutation breeder genetic optimization of global multi-machine power system stabilizer

This paper presents the design and implementation of Power System Stabilizers in a multimachine power system based on innovative evolutionary algorithm overtly as Breeder Genetic Algorithm with Adaptive Mutation. For the analysis purpose a Conventional Power System Stabilizer was also designed and implemented in the same system. Simulation results on multimachine systems subjected to small perturbation and three phase fault radiates the effectiveness and robustness of the proposed Power System Stabilizers over a wide range of operating conditions and system configurations. The results have shown that Adaptive Mutation Breeder Genetic Algorithms are well suited for optimal tuning of Power System Stabilizers and they work better than conventional Genetic Algorithm, since they have been designed to work on continuous domain. This proposed Power System Stabilizer is demonstrated through a weakly connected three multi-machine test systems.     

基于MHHO-BP算法的DC-DC电路软故障诊断

针对DC-DC电路软故障诊断中特征提取困难和分类准确率低的问题,提出了一种基于多策略改进哈里斯优化算法-反向传播MHHO-BP)神经网络的故障诊断方法。该方法通过VMD对故障信号进行处理,提取其时域和频域特征作为故障向量,采用MHHO算法优化BP神经网络的权值和阈值,建立DC-DC电路的VMD-MHHO-BP软故障诊断模型。实验结果表明,对于DC-DC电路软故障,该方法相较于鲸鱼优化算法(WOA)和蝴蝶优化算法(BOA)优化BP神经网络,其诊断效果好,准确率高。     

基于遗传算法和模拟退火算法的电力系统的故障诊断

根据元件故障与保护动作和断路器跳闸之间的逻辑关系，首先把电力系统的故障诊断问题表示为０－１整数规划问题。在此基础上，采用了两种方法求解，第一种方法是遗传算法，第二种方法是模拟退火算法。这两种方法都能以较大的概率收敛到全局最优解，并能够求得多个最优解。提出的方法理论严密，与当前比较流行的以启发式知识为基础的专家系统方法不同。本文的方法可以处理任意复杂的故障，也可以处理有保护和断路器误动作的情况，且计算时间与故障的复杂程度基本无关。此外，提出的方法原则上适合于并行处理。     

基于遗传聚类算法的油中溶解气体分析电力变压器故障诊断

电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C-均值相结合的遗传-模糊聚类算法,并将其应用于DGA电力变压器数据分析,实现了变压器的故障诊断。实验数据表明:该算法收敛速度快,能有效地对样本进行聚类,提高了识别故障率。     

A REFINED GENETIC ALGORITHM FOR FAULT SECTION ESTIMATION IN POWER SYSTEMS USING THE TIME SEQUENCE INFORMATION OF CIRCUIT BREAKERS

ABSTRACT

A new method to fault section estimation in power systems by using the time sequence information of tripped circuit breakers is presented. The main contributions of this paper include the following three aspects: a. the mathematical model of the fault section estimation problem by using the time sequence information of the tripped circuit breakers at the actuating time zone of any protective relay is proposed for the first time; b. an efficient method to identify the faulty subnetworks is developed by using the information from circuit breakers. In this way the fault diagnosis can be fulfilled in a very short time for large scale power systems and can be implemented online; c. a new method based upon Refined Genetic Algorithm(RGA) is used to solve the fault section estimation problem. Test results for there sample power systems have shown that the RGA method can find multiple optimal solutions directly and efficiently in a single run.     

基于改进贝叶斯网络的电机轴承故障诊断

针对电机轴承振动信号受噪声干扰影响特征提取和传统贝叶斯网络故障诊断准确率低的问题,提出一种基于改进贝叶斯网络的电机轴承故障诊断方法。采用自适应噪声集合模态分解的方法对数据进行降噪处理,增加了模型的鲁棒性;采用差分进化和模拟退火算法对蝗虫算法进行优化,增强蝗虫算法的全局和局部搜索能力;将优化后的蝗虫算法应用于贝叶斯网络结构学习构建轴承故障诊断模型;通过实验对比证明,该方法对轴承的多故障分类具有更强的学习能力和更高的准确率,实验对部分样本的故障诊断率达到97.15%,平均准确率达到98.73%。     

基于Volterra核的MIMO非线性电路建模及智能特征提取

为了解决模拟乘法器等多输入测量电路的智能故障诊断准确率低的问题,文中研究了多输入多输出(MIMO)电路的基于Volterra级数的建模方法,为电路的故障诊断提供模型,提出了整体退火遗传特征提取方法,利用整体退火遗传算法的全局寻优能力优化故障诊断特征参数的提取,以选出各种故障状态之间特征差异最大的特征,以提高故障诊断的准确率,以模拟乘法器电路为例进行了建模及故障特征智能优化提取实验.实验表明,文中方法可以有效建模并提高智能故障诊断的准确率.