基于最优正则极限学习机的变压器故障诊断

针对基于极限学习机的变压器故障诊断模型隐含层神经元个数较多时,存在过拟合、稳定性差以及精确度不高的问题,提出了一种最优正则极限学习机的变压器故障诊断方法。方法收集了变压器油中溶解气体作为故障指标,将采集的数据集合随机分成训练集、验证集和测试集。首先通过训练集对极限学习机故障诊断模型进行训练;其次,将验证集输入已构建的模型,利用验证集精度与训练精度的差值进行反馈,并引入最优正则系数对模型参数进行惩罚性调整;最后,利用更新后模型对测试集进行故障诊断。通过算例分析与比较可以得出,最优正则系数极限学习机比极限学习机稳定性强,精确度高,并且方法简单,计算速度快,可有效实现变压器故障诊断。     

基于DGA的粗糙集与人工鱼群极限学习机的变压器故障诊断

为有效克服变压器不完备故障样本数据对故障诊断结果的影响,文中构建了一种基于粗糙集的人工鱼群极限学习机变压器故障诊断方法,该方法首先运用粗糙集对决策表中的16个条件属性进行约简;其次,根据最简规则表对训练样本进行编码,利用已编码的训练样本对极限学习机进行训练,并运用人工鱼群优化方法对极限学习机的权值及阈值进行优化;最后,利用训练好的极限学习机方法对编码好的样本进行故障诊断。该方法将粗糙集在不完整数据方面所具有的优良特性与极限学习机优良的泛化能力有机融合,以有效提高故障诊断精度。经实例对比分析表明,所构建方法具有更高的诊断准确率,从而验证了该方法的有效性。     

栈式降噪自编码网络在变压器故障诊断中的应用

为提高变压器故障诊断的准确率,提出了一种新型的变压器故障诊断网络,该网络以基于栈式降噪自编码网络为基础,把深度学习用在诊断变压器设备故障方面,建立深层网络模型,采取逐层贪婪编码的方式进行自适应的非监督式预训练,实现高维深层故障特征的自适应提取和挖掘,进而使用反向传播算法对模型进行监督式微调。最后利用Softmax分类器,对故障进行分类输出。最后通过实例验证表明,提出的栈式降噪自编码网络能准确、有效地对变压器进行故障诊断,与传统方法相比,该方法提高了变压器故障诊断的准确率。     

基于DGA的粒子群极限学习机电力变压器故障诊断

传统单一人工智能方法对变压器故障诊断中采用的大量不完备信息不能够有效处理,导致故障诊断准确率不高。为弥补这一不足,在全面分析粒子群算法(particle swarm optimization,PSO)和极限学习机(extreme learning machine,ELM)各自优势的基础上,构建了一种基于粒子群优化极限学习机的变压器故障诊断方法。该方法以DGA作为特征输入,利用粒子群算法对极限学习机的输入层权值和隐含层阈值进行优化,从而提高变压器故障诊断的精度。实例对比分析表明,与BP神经网络和极限学习机方法相比,粒子群极限学习(PSO-ELM)方法有更高的诊断准确率。     

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。     

综合RapidMiner与改进粒子群极限学习机算法的变压器故障诊断

针对三比值法用于变压器故障诊断缺编码以及各种人工智能方法抗干扰能力不足等问题,提出了综合RapidMiner与改进粒子群极限学习机算法RM-MPSO-ELM的变压器故障诊断方法。该方法利用RapidMiner工具,结合变压器样本数据,挑选出与故障类型最相关的输入变量,并针对极限学习机算法参数选择困难的问题,利用改进粒子群优化算法进行了参数优化。最后,使用极限学习机算法对变压器的潜在故障进行识别,并将之与IEC三比值法、支持向量机方法以及不同组合的极限学习机算法的诊断性能进行了比较。结果表明,本文所提方法具有更高的诊断精度。     

基于遗传算法改进极限学习机的变压器故障诊断

针对变压器故障的特征,结合变压器油中气体分析法以及三比值法,提出了基于遗传算法改进极限学习机的故障诊断方法。由于输入层与隐含层的权值和阈值是随机产生,传统的极限学习机可能会使隐含层节点过多,训练过程中容易产生过拟合现象。该方法运用遗传算法对极限学习机的输入层与隐含层的权值与阈值进行优化,从而提高模型的稳定性和预测精度。将诊断结果与传统的基于极限学习机故障诊断进行对比,结果表明,基于遗传算法改进极限学习机变压器故障诊断的精度更高。     

多策略改进 MPA 算法与 HKELM 的变压器故障辨识

为解决目前变压器故障诊断精度低的问题,提出一种多策略改进海洋捕食者算法( MPA) 与混合核极限学习机 (HKELM)的变压器故障辨识方法。 首先通过核主成分分析法(KPCA)对高维线性不可分的变压器故障数据进行降维,获取特 征支持数据;然后通过伯努利混沌映射、改进阶段转换判据、最佳候选者等策略综合改进 MPA,加强全局开发能力;最后使用改 进的 IMPA 算法对 HKELM 的参数寻优,构建变压器故障诊断模型。 为验证模型有效性,分析比较常用算法优化的 HKELM 的 4 种变压器故障诊断模型。 其中 IMPA-HKELM 的诊断精度为 94. 7%,相比于另外 3 种基础算法优化的模型,诊断精度分别提升 了 5. 4%、8%、10. 7%。 结果表明,提出模型有效提升了故障诊断的分类性能,并实现了较高的故障诊断精度。     

基于粒子群与多分类相关向量机的变压器故障诊断

为有效提高变压器故障诊断准确率,文中将粒子群优化算法与多分类相关向量机方法相结合,构建了一种基于粒子群优化多分类相关向量机的方法用以变压器故障诊断。该方法首先将油中溶解气体与4种特征气体比值相结合作为故障特征量,以进一步丰富故障信息。其次,利用粒子群优化算法并结合训练样本数据对多分类相关向量机的核参数进行优化,以获得能够最优的及能有效提高故障分类效率的参数。最后,将9种特征量作为特征输入,并利用已训练完毕的多分类相关向量机进行故障诊断。经实例分析表明,该方法使故障特征量与故障分类模型得到了有效补充、改进及完善,且其故障诊断效率更具优势。     

基于IDOA-DHKELM的变压器故障诊断

针对溶解气体分析(dissolved gas analysis,DGA)诊断变压器故障准确率偏低的问题,提出了一种基于改进野犬优化算法(improved dingo optimization algorithm,IDOA)优化深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的变压器故障诊断方法。首先采用核主成分分析(kernel principal component analysis,KPCA)对气体数据降维并提取有效的特征量;其次将多项式核函数与高斯核函数加权结合,构造出新的混合核函数,并引入自动编码器对极限学习机进行改进,建立DHKELM模型。将反向学习、柯西变异和差分进化算法融入到野犬算法中,并利用2种典型的测试函数对IDOA性能进行测试,证明了IDOA具有更强的稳定性和寻优能力。利用IDOA对DHKELM的关键参数进行寻优,建立IDOA-DHKELM变压器故障诊断模型。最后,将KPCA提取的特征量作为模型的输入集,并对不同变压器故障诊断模型进行仿真验证。研究结果表明,相较于其他模型,IDOA-DHKE...     

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,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。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。     

基于加权综合损失优化深度学习和DGA的变压器故障诊断方法

为进一步提高变压器故障诊断效果,提出了一种基于加权综合损失优化深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以DGA特征量为输入,以Softmax层各故障状态概率分布为输出,基于堆栈稀疏自编码深度学习理论构建了变压器故障诊断模型。针对常规交叉熵损失函数下,变压器故障诊断效果偏低,训练样本不平衡分布影响故障诊断水平的问题,采用加权综合损失函数对深度学习模型进行优化。案例分析结果表明:相比传统方法,本文方法可削弱训练样本不对称对变压器故障诊断的不利影响并提高变压器故障诊断水平,各训练集下,本文方法故障诊断准确率可保持在90%以上。     

基于Adaboost-INGO-HKELM的变压器故障辨识

针对目前变压器故障诊断准确率低的问题,提出一种多策略集成模型。首先通过等度量映射(isometric mapping, Isomap)对高维非线性不可分的变压器故障数据进行降维处理。其次,利用混合核极限学习机(hybrid kernel based extreme learning machine, HKELM)进行训练学习,考虑到HKELM模型易受参数影响,所以利用北方苍鹰优化算法(northern goshawk optimization, NGO)对其参数进行寻优。但由于NGO收敛速度较慢,易陷入局部最优,引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进。同时为了提高模型整体的准确率,通过结合Adaboost集成算法,构建Adaboost-INGO-HKELM变压器故障辨识模型。最后,将提出的Adaboost- INGO-HKELM模型与未进行降维处理的INGO-HKELM模型、Isomap-INGO-KELM模型、Adaboost-Isomap- GWO-SVM等7种模型的测试准确率进行对比。提出的Adaboost-INGO-HKELM模型的准确率可达96%,均高于其他模型,验证了该模型对变压器故障辨识具有很好的效果。     

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器（SSDAE）的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络（BPNN）和支持向量机（SVM）法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。     

基于极限学习机的变压器故障诊断方法研究

针对基于传统智能学习方法的变压器故障诊断存在训练速度慢、需调整的参数多及参数确定困难的问题,本文提出了基于极限学习机(Extreme Learning Machine,ELM)的变压器故障诊断方法。文中根据变压器故障的特点选取输入特征向量,分析了激活函数、隐含层节点数目对诊断性能的影响,并与基于BP神经网络和SVM的诊断方法进行了对比。实验结果表明,文中提出的变压器故障诊断方法性能明显优于BP神经网络,与SVM的诊断正确率相当,需要预先设置的参数更少,训练速度更快,更加便于工程应用。     

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。     

一种轴承故障诊断的多任务深度学习方法

提出一种基于多任务深度学习的故障诊断方法,将故障诊断任务分为故障分类和损伤程度识别。 共享层采用卷积神经 网络提取监测振动信号中蕴含的故障特征信息,两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征,进行故 障分类和损伤程度识别。 在多任务深度学习方法中两个子任务模块可以通过共享层相互影响,提高模型的特征提取能力,获得 更好的故障诊断性能。 在轴承数据集上进行故障诊断实验,同时与故障分类单任务模型和损伤程度识别单任务模型进行对比, 以检验多任务深度学习方法的故障诊断性能,实验结果显示多任务深度学习模型在测试集上两个任务同时正确的准确率为 99. 79%。 为进一步验证多任务深度学习方法的特征提取能力,在测试集中添加不同程度的高斯噪声进行故障诊断实验,在较 强噪声情况下,多任务深度学习模型的准确率明显高于单任务深度学习模型。 研究结果表明,多任务深度学习模型与单任务深 度学习模型相比故障诊断准确率更高,同时抗噪性能更好,具有一定的实用价值。     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

基于改进DDAE的风电场集电线单相接地故障测距

为解决风电场混合接线的集电线短路后难以精确定位的问题,提出基于改进深度自编码网络的故障测距方法。分析集电线故障零序电流可知,暂态电流值、稳态电流幅值、稳态电流相位与故障距离呈现强非线性关系,借助深度学习挖掘这一复杂关系实现集电线精确定位。在深度去噪自编码框架上添加距离回归输出端口,采用联合训练以提升定位网络的准确性、抗噪性和鲁棒性。其过程为：首先,借助PSCAD/EMTDC搭建集电线模型,将给定时窗内故障零序电流序列和对应距离作为故障样本,仿真不同情况故障生成样本集。然后,在训练集上训练改进深度自编码网络得到最优网络用于精确测定故障距离。借助各测点零序电流幅值关系可先确定故障区域,将故障信号送入已训练好的网络即可确定故障所在精确位置。本文方法对集电线多分支、混合短线路有着良好的适应能力;定位性能明显优于传统机器学习算法,且受过渡电阻、采样率、噪音、故障相位角影响较小。     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法.该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出.首先通过变分自编码器对...