变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断

充分利用粗糙集理论对知识的约简能力与模糊径向基函数(RBF)神经网络优良的分类诊断能力,基于粗糙集与RBF网络实现数据挖掘的电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBF神经网络的前置,对经离散化的样本集进行约简,形成精简的规则集,将高于一定可信度的挖掘规则用于电力变压器故障诊断;另一方面,将粗糙集挖掘的低于可信度要求的规则所对应的挖掘样本,作为模糊RBF神经网络的训练样本集,同时将粗糙集对这些样本的聚类结果作为模糊RBF神经网络的聚类因子,在此基础上构建改进的4层RBF神经网络,用来诊断不能用粗糙集挖掘的规则诊断的事例。经检验,系统具有较好的分类诊断能力。     

用RBF网络进行电力变压器局部放电故障诊断

用径向基函数(RBF)神经网络对变压器局部放电的6种放电类型进行了模式识别。研究结果表明,无论是放电的二维谱图还是三维谱图,RBF网络的学习收敛速度、识别率较BP网络都有很大的提高,同时避免了BP网络对初始权值敏感、陷入局部极小等问题,可作为电力变压器局部放电故障诊断的一种新型模式分类器。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断.经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高.     

径向基函数神经网络在电力变压器故障诊断中的应用

基于油中溶解气体分析法,采用径向基函数（radicalbasisfunction,RBF）神经网络模型对电力变压器进行故障诊断。为了提高诊断模型的辨识精度,分两步对RBF神经网络的模型参数进行辨识：首先采用减聚类算法确定RBF神经网络隐含层基函数的中心点,然后采用量子粒子群优化（quantum-behavedparticleswarmopti-mization,QPs0）算法求解基函数的宽度以及隐含层与输出层的连接权重。仿真实验结果表明,该方法的故障诊断正确率较高,达90．67％。     

神经网络在变压器故障诊断中典型算法研究

为了随时检测变压器状态,及早发现并排除变压器可能存在的故障,笔者将3种不同的神经网络(即BP网络、GA-BP网络与RBF网络)应用于变压器故障诊断中,分别介绍了这3种网络的结构及原理,故障诊断采用MATLAB语言编程实现。大量实验数据结果分析表明,RBF网络在诊断准确率相比其他两种网络具有一定的优势。     

基于循环神经网络和蝙蝠算法的变压器故障诊断

进行变压器故障诊断时,电力变压器的故障类型和故障特征往往存在着强非线性的函数关系。然而,基于循环神经网络的电力变压器故障诊断模型一般会出现故障类型诊断不清晰、收敛速度慢等问题。针对上述问题,本文提出一种采用循环神经网络和蝙蝠算法相结合的电力变压器故障诊断模型。该模型通过循环神经网络首先建立初步的故障诊断模型,然后基于蝙蝠算法优化循环神经网络的参数。通过仿真验证,基于循环神经网络和蝙蝠算法的变压器故障诊断模型具备收敛性好、故障诊断准确率高等特点。     

基于BP网络远程无线电力变压器故障诊断系统

针对电力变压器故障的特点,运用BP神经网络技术对传统的电力变压器故障诊断方法加以完善,以TMS320VC5402 DSP为硬件核心,设计了高速实时电力变压器故障诊断模块,同时利用Zigbee网络实现了电力变压器故障远距离无线诊断.通过电力变压器故障诊断实例,比较了BP神经网络法和传统的改良三比值法在诊断电力变压器故障类型方面的性能.比较实例表明,基于BP网络远程无线电力变压器故障诊断方法能有效地对电力变压器单故障和多故障样本进行分类诊断,提高了诊断准确率,同时还可以进行远距离无线诊断,从而节省了成本.     

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。     

基于模糊模块化网络的电力变压器故障诊断

建立了变压器故障诊断的模糊模块化网络模型,实现对电力变压器的故障诊断.     

RBF神经网络在凝汽器故障诊断中的应用

针对BP神经网络计算过程存在收敛速度慢的缺点,提出了RBF神经网络应用于凝汽器故障诊断的基本方法。介绍了RBF神经网络的结构、凝汽器的故障类型和征兆集的建立方法。对比了RBF神经网络与BP神经网络的诊断结果,证明RBF神经网络的在线诊断速度、诊断精度均优于BP神经网络,对凝汽器的故障诊断准确可靠。     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法,仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法。仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

基于人工神经网络的变压器励磁涌流的鉴别

研究了基于神经网络方法的电力变压器励磁涌流鉴别。对变压器励磁涌流及故障电流进行了数字仿真,比较了两者在物理特性上的区别。利用Matlab的人工工具箱,分别建立了BP和RBF神经网络模型,对励磁涌流和故障电流的样本进行训练及测试。结果表明,人工神经网络可以正确地区分励磁涌流和故障电流,RBF神经网络能更加快速、准确地判断出变压器的故障。     

基于改进RBF神经网络的光伏组件故障诊断

由于光伏组件的输出特性受多种因素混合影响,对光伏组件的故障检测是一个严峻的考验.为了保证故障诊断的实时性和精确性,采用多传感器法提取短路和开路故障特征,利用电压扫描法获取不均匀光照引起的热击穿和电击穿故障的判断依据,以故障特征为判据,给出一种基于K均值聚类算法的改进RBF神经网络的光伏组件故障诊断方法,在Matlab平...     

基于频谱法与径向基函数网络的水电机组振动故障诊断

引起水电机组振动的原因很复杂,而且水电机组的振动故障往往是多故障同时发生,使得故障诊断很困难,目前主要是应用基于模式识别的神经网络来进行故障分类,尤其是BP网络应用较多。文章提出应用频谱法与径向基神经网络相结合的方法对水电机组的振动故障进行诊断。采用对水电机组振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的。水电机组振动故障诊断仿真分析表明,与常规方法相比,利用频谱分析和神经网络相结合的方法进行故障诊断具有简单有效等优点。     

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AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.