根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

一种改进的遗传优化策略在电机故障诊断中的应用

依据神经网络和遗传算法的特点,本文提出了利用遗传算法(GA)优化神经网络,将二者有机的结合起来,建立故障诊断的优化模型(GA—BP)网络,在遗传算法中放弃传统的轮盘赌,采用一种叫锦标赛的选择策略并改变迁移策略来进行遗传算法,优化BP网络的初始权值和阈值。以各种原始资料和现场实录资料作为训练样本,首先进行遗传算法的运行,得到了优化的权值和阈值,作为BP网络的的初始权值和阈值,接下来通过BP网络训练样本,实现BP网络学习的目的,建立样本(作为输入变量)与实际故障类型(作为目标变量)之间的潜在联系。最后用测试样本对GA—BP网络进行测试,检验表明用改变选择策略并改变迁移策略的遗传算法来优化BP网络的诊断正确率明显得高于未进行优化BP网络,不仅能发挥神经网络的泛化映射能力而且诊断速度也有提高,有较强的学习能力。     

一种新型短期负荷预测模型的研究及应用

提出基于量子神经网络进行短期负荷预测的方法.建立起由量子比特神经元改进而来的三层量子神经网络模型,应用量子门进行计算,输出层的权值和阈值进行非线性变换,实现神经网络非线性映射功能,并利用遗传算法优化了量子神经网络的初始参数.仿真结果表明,此算法在收敛速度,泛化能力和预测精度方面明显优于普通三层BP网络.     

基于径向基函数网络的距离保护方案

提出了一种利用径向基函数网络（RBFN）来实现神经网络式距离保护的方法。同基于BP网络的神经网络式距离保护的训练时间相比,所需的网络训练时间大大减少。同时,从检验结果可以看出,基于RBFN的神经网络式距离保护具有很好的模式识别能力。     

基于BP神经网络群的中压配电网电压降落估算

对影响农村中压电网电压降落的因素进行了分析,利用神经网络具有自学习、联想记忆功能以及逼近任意非线性映射的能力,提出了基于BP神经网络群的中压电网电压降落估算方法。为解决由于样本多、分类空间复杂而易导致网络不容易收敛的问题,采用分层的BP网络群结构,将样本分类,由各BP子网进行单类样本训练,完成对样本的并行训练及测试。该方法依据电压降落影响因素及实际电网结构参数,确定神经网络输入输出特征量;按照线路负荷分布类型将样本分类,减小了BP网络训练复杂度;根据样本误差和误差变化调整学习率和冲量因子,提高了BP网络学习效率。实际算例结果验证了所提出方法的有效性和可行性。     

基于SOM-BP组合神经网络的交联电缆局部放电模式识别

为同时避免SOM神经网络不能以向量形式表示模式识别结果,BP神经网络需要大量训练样本的不足,深入研究神经网络基本原理,设计了一种将SOM神经网络作为初级网络,BP神经网络作为次级网络,两者间串联连接的SOM-BP组合神经网络模型。在试验室开展交联电缆局部放电模拟试验,提取了超宽频带单次放电脉冲时域波形的3、4阶统计特征作为放电指纹。随后,分别将3种神经网络作为分类器完成了局部放电模式识别,并通过对比SOMBP神经网络与两种单一神经网络的识别效果验证了该模型的正确性。识别结果表明,以SOM-BP组合神经网络作为分类器时各模式识别率均大于90%,且无论是各类识别率还是整体识别率,该网络识别效果均为最佳,证明了组合模型的有效性及合理性。     

风力发电机故障诊断的优化算法研究

为提高风力发电机故障诊断的可靠性,结合小波变换,提出一种遗传算法优化BP神经网络(GA-BP)的综合优化算法.利用单子带重构改进小波变换方法对风力发电机的定子电流信号进行分解与重构,提取准确的特征量;通过遗传算法的选择、交叉、变异等操作和全局寻优特性获取稳定的权值和阈值,赋值于BP网络作为初始值;借助BP网络的自学习、寻优具有精确性等特性不断训练网络;最后以BP神经网络的非线性映射能力完成对风力发电机的故障诊断.算法对比和实例分析表明,该算法对风力发电机的故障诊断有良好的实用性.     

小波包分析和BP神经网络在滚动轴承故障模式识别中的应用

根据滚动轴承振动信号的不同故障模式在频域能量分布中的差异性,提出了基于小波包分解与重构和BP神经网络的轴承故障模式识别技术。论文首先对轴承振动信号进行小波包三层分解,完成了振动信号在空间的完整拆分,同时得到了第三层由低频到高频的小波包分解系数,再依据小波包分解系数分别重构各频段的信号,并提取信号各频段的能量。然后利用信号各频段的能量组成的特征矢量作为BP神经网络的输入样本,对BP神经网络进行训练,获得不同故障模式识别网络模型,最后利用测试数据对建立起来的BP神经网络模型进行检验,通过BP神经网络判别滚动轴承的故障类型。实验结果证明,采用小波包分解与重构和BP神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

基于BP神经网络有杆抽油机井下示功图识别研究

介绍了基于BP神经网络对有杆抽油机井下示功图的一种模式识别方法。首先利用有杆抽油机运动数学模型把井上采集数据变换为井下数据,然后通过几何变换的方法提取井下数据特征值,训练BP神经网络,分析训练效果,最后使用非训练数据样本对识别准确性进行验证。通过仿真数据验证,识别效果较好、速度快。该方法建立的BP网络具有复杂度较低、速度快、效果好的优点。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

基于RLMD与BAS-BP的柴油机故障诊断研究

为了提高柴油机水泵盖体故障信号的特征提取能力,快速有效地诊断出故障类型,提出了鲁棒的局部均值分解算法（RLMD）与天牛须算法（BAS）优化的BP神经网络相结合的故障诊断方法。首先,对采集的信号序列进行小波阈值和RLMD双重降噪,再根据斯皮尔曼相关系数筛选出与原信号相似度高的信号分量（PF）;然后,求出每个分量的小波能量熵、小波奇异值熵作为故障特征;最后,利用BAS优化的BP神经网络进行故障诊断和识别。同时,与GA-BP、PSO-BP优化的神经网络相比较。结果表明：BAS-BP在各方面都优于PSO-BP、GA-BP神经网络,且BAS-BP的故障分类准确率可达到98.90%。     

几种特征选择方法在局部放电模式识别中的应用

局部放电模式识别的输入特征量选择是非常关键的步骤。针对油纸绝缘中5种典型局部放电类型,从其相间局部放电（PRPD）谱图中提取出31个统计算子。分别运用K-W检验、类内类间距离比、顺序前进法以及遗传算法等4种方法对这些算子进行了选择优化。分别用这些选取的特征量组合作为输入向量,通过BP神经网络这个统一的模式识别技术来比较研究这4种特征选择方法,结果表明,顺序前进法和遗传算法由于考虑了特征量之间的相关性,所选择的特征量优于另外2种方法。     

基于改进型神经网络的电能质量扰动识别

为了改善神经网络的电能质量扰动识别能力,提出了一种改进型神经网络。在分析了传统BP神经网络和遗传算法优化BP神经网络(GA-BP)的基础上,将遗传算法和贝叶斯正则化神经网络相结合,并采用小波包能量熵作为特征向量。改进后的神经网络能有效克服传统BP神经网络易陷入局部最小,GA-BP易出现过拟合现象且网络节点数偏多等缺点。在MATLAB平台上建立各种电能质量扰动信号的仿真模型,分别采用传统BP神经网络、GA-BP及改进型神经网络进行扰动识别对比。仿真结果表明,改进后的神经网络显著提高了识别正确率。     

基于小波神经网络的PM2.5浓度预测模型

为改善传统BP神经网络对PM2.5浓度预测存在训练时间长和过度拟合的问题。提出一种基于小波神经网络PM2.5浓度预测的方法,可更好地缩短训练时间,加快收敛速度且能够有效避免陷入局部最小值。对于数据处理,采用灰色关联分析法进行相关因子筛选,以提高数据挖掘质量。研究证明,引入灰色关联分析法与小波神经网络的预测手段能有效提高PM2.5浓度的预测精度,相比BP神经网络的预测模型预测效果更好,具有可行性。     

改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

基于移民算子遗传BP神经网络的模拟电路故障诊断

针对传统BP神经网络实现模拟电路故障诊断时存在的缺陷:容易收敛于局部最优值且训练时间过长等,提出了利用遗传算法(GA)优化的BP神经网络来对模拟电路进行故障诊断的方法.实验结果证明,优化后的BP网络可有效地避免收敛于局部最优值,大大地缩短了训练时间.同时为了提高遗传优化的收敛速度和精度,避免"早熟"现象,本文提出了一种引入移民算子的遗传算法,仿真结果表明了该算法的有效性.     

基于小波与分形理论的电力设备局部放电类型识别

根据小波理论建立了表征局部放电脉冲信号的三维时频谱图,该三维谱图综合反映了局放脉冲信号的3个基本特征:时间分量、频率分量和放电能量的分布。采用了分形理论从所建立的三维时频谱图中提取放电特征,并构成识别特征量,采用误差反传神经网络对局部放电信号的类型进行模式识别。试验结果表明,该方法可有效区分局部放电的类型。     

基于HGA-BP算法的调速系统辨识研究

针对BP网络学习算法的不足,提出了一种基于递阶遗传算法（HGA）的BP网络建模方法。文中对递阶遗传算法在优化神经网络过程中的一些参数,如适应度函数、编码方案和交叉变异概率等提出具体的设计方法。该算法可以同时对神经网络进行拓扑结构优化和参数求解。最后采用该方法,实现了具有复杂非线性特征的某调速系统的精确建模。实验结果及其与改进BP算法建模方法的比较,验证了该算法的有效性。