基于改进蝙蝠算法优化BP神经网络的电力变压器故障诊断研究

提出了一种基于改进蝙蝠算法优化BP神经网络的电力变压器故障诊断方法。利用蝙蝠算法对BP神经网络的权值和阈值参数进行优化,并针对蝙蝠算法优化后期易陷入局部最优缺点,使用混沌算法对群体进行混沌优化,使其减少无效迭代,提高收敛速度。将优化得到的参数值应用到构建的BP神经网络诊断模型中,对数据进行训练和测试。通过实例分析,表明改进蝙蝠算法优化BP神经网络用于变压器故障诊断具有实用性和有效性。     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

基于BP神经网络的变压器故障诊断

针对变压器故障类型的特征,结合油中气体分析法及三比值法,应用BP神经网络对变压器进行故障诊断。根据BP神经网络的概念、结构和算法原理,探讨了不同隐含层的神经元个数对神经网络训练性能的影响。通过对仿真结果的分析与测试,结果表明BP神经网络对变压器故障诊断具有较好的应用效果。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

基于神经网络的短期电力负荷预测及其MATLAB实现

针对短期电力负荷预测问题,利用MATLAB软件建立日最高温度、日最低温度、日平均温度和平均湿度等气象因素对电力负荷的回归预测模型,具体对比给出BP神经网络与NARX神经网络两种回归预测结果,并通过对隐含层网络参数的调试对BP神经网络进行了适当的改进.     

基于图卷积神经网络的电力变压器故障诊断

针对电力变压器故障多、诊断精确度低等问题,提出了一种基于图卷积神经网络(Graph Convolutional Network, GCN)电力变压器故障诊断的方法,该算法可以准确地识别电力变压器的故障类别,且实现了将数据结构转化成图结构.以电力变压器为实验对象,利用小波包变换(Wavelet Packet Transform, WPT)提取变压器油中特征气体数据特征,构建特征向量;接着利用马氏距离(Mahalanobis Distance, MD)来表示各个向量之间的相似度,以数据特征为顶点、相似度为边构建图结构;最后利用图卷积神经网络实现变压器的故障类别分类,准确识别出变压器故障类别,能够针对变压器故障部分进行检修.仿真实验表明:与深度信念网络(Deep Belief Network, DBN)和卷积神经网络(Convolutional Neural Networks, CNN)相比,本文提出的方法做出的诊断结果更加精确,综合诊断效果最好.     

一种BP神经网络优化算法在配电网故障定位的研究

根据BP神经网络建立配电网网络结构模型,针对BP神经网络在配电网故障定位中精准度不高的问题,在BP神经网络的基础上引入遗传算法,通过遗传算法对BP神经网络的初始连接权值和阈值的选择做出改进,使改进后的BP神经网络能够对初始值的预测更加准确.仿真实验证明了改进后的BP神经网络在配电网故障定位中的可行性,故障定位准确度有了很大的提高.     

变压器故障诊断的ANN技术研究

目的解决溶解气体分析法在变压器故障诊断中准确率不高之难题。方法采用人工神经网络方法和基于动量因子技术的改进BP网络训练算法。结果建立了一BP神经网络模型,使网络具有较强的学习能力、泛化能力和适应能力。结论神经网络能较准确的对变压器故障进行诊断,具有一定的应用及推广价值。     

基于遗传编程判别函数法在电力变压器绝缘故障诊断中的应用

基于遗传编程(GP),提出了一种用于电力变压器绝缘故障诊断的判别函数法.该方法结合变压器油中溶解气体含量,利用GP算法的树状结构特点和模拟自然进化理论的全局寻优机制,自动从训练样本中学习到代表输入特征向量与对应故障类型之间关系的判别函数,以函数值的正负表示不同的故障类别.为了验证该方法的有效性,建立了变压器分层故障诊断模型,采用多个判别函数的方式逐步判别变压器绝缘故障的类型.与常规的三比值法、BP神经网络方法相比较表明,该方法提高了变压器绝缘故障诊断的正确率,具有良好的诊断效果.     

人工神经网络在机械故障诊断中的应用

由于BP神经网络学习算法存在易陷入局部极小及收敛速度慢的缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中.通过对机械设备振动信号的预测,可以及早发现故障,及时消除隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率.     

人工神经网络在机械故障诊断中的应用

由于BP神经网络学习算法存在易陷入局部极小及收敛速度慢的缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中.通过对机械设备振动信号的预测,可以及早发现故障,及时消除隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率.     

改进的BP神经网络实证分析

介绍了多层前馈神经网络BP 算法的基本思想,利用改进的BP 神经网络方法对郑州市房地产销售价格指数进行了预测,结果显示该方法预测精度较高.     

改进GA-PSO算法的船舶电力系统故障诊断

为解决船舶电力系统故障识别的准确性以及快速性问题,在BP神经网络预测的基础上,提出一种改进的粒子群(PSO)和遗传算法(GA)混合优化BP神经网络的方法。改进包括两方面：一是对粒子群的惯性权重和学习因子进行改进;二是对遗传算法的变异概率和交叉概率进行改进。对发生故障时的三相电压信号进行小波包分解,提取各频率段的能量熵作为故障特征。经测试,优化后的算法诊断准确率明显提高,神经网络训练次数和误差减小,验证了改进GA-PSO-BP算法的可靠性,以及用于船舶电力系统故障诊断的实用性。     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

基于BP人工神经网络的电力变压器故障诊断研究

通过改良三比值法处理一组电力变压器油中溶解气体的特征值,并将数据作为输入训练神经网络,调整权值和阀值,通过相互比较确定各项网络参数,将误差控制要求范围内.最后使用得到的概率神经网络对样本进行了成功的预测,验证了将BP神经网络算法运用于变压器故障诊断具有十分理想的效果.     

改进的BP神经网络预测地表沉陷

地表沉陷过程中呈现了众多的复杂性、非线性和破坏性,而用传统的三层BP神经网络预测地表沉陷精度较低,本文通过引进遗传算法来改进BP神经网络,对地表沉陷作了有效预测。     

基于遗传神经网络的航空装备故障预测

为在武器系统故障发生前实现预测、实现装备的视情维修,开展基于遗传神经网络的故障预测技术研究.采用实数编码方式和自适应的交叉率、变异率改进遗传算法,并将改进遗传算法用于神经网络的权重学习得到遗传神经网络.利用监测到的装备特征参数数据进行网络训练,然后将遗传神经网络预测装备特征参数的退化趋势.预测实例表明遗传神经网络可在故障发生前实现故障预测,较基本神经网络有较大性能改善,可提高武器装备的保障能力,实现视情维修.     

粗糙集-改进神经网络落煤瓦斯涌出量预测

为对井下落煤瓦斯涌出量进行预测,采用粗糙集与改进神经网络相结合的方法,在样本数据的筛选上吸取粗糙集数据约简的优点,使选择的数据样本简洁且更具代表性;充分利用BP神经网络的非线性拟合能力,将遗传算法与其相结合,避免BP网络陷入局部最优.利用编写的程序确定隐含层节点数,相比以往经验公式取值更具优势.最后在任家庄煤矿成功应用.研究结果表明:利用粗糙集与改进神经网络相结合模型进行预测,结果准确可靠,克服了以往BP模型的不足.该模型对井下落煤瓦斯涌出量预测具有一定参考价值.     

区域工业用水量非线性预测模型的优选

针对BP神经网络在确定输入因子时的任意性,将相关性分析引入BP神经网络输入因子的选取中,通过计算输入因子和输出因子之间的相关系数,并根据相关程度来确定输入因子,同时利用遗传算法优化BP神经网络的权值和阈值的方法,建立了改进BP神经网络模型.将该模型应用于永定河山区工业用水量预测中,通过和传统非线性回归法进行比较,结果表明改进BP神经网络拟合和预测精度均较高.改进BP神经网络法的平均相对误差达到1.4100/,预测的2010年和2030年工业用水量将分别达到3.63×108m3和4.46×108m3.预测结果可为水资源规划和管理提供依据.     

BP神经网络在建筑物流领域中的应用

建筑物流成本在施工企业总成本中占有较大的比重。本文针对建筑企业某种物资采购量、市场存有量、出口量以及市场价格的历史数据建立了径向BP神经网络预测模型,该网络具有三路输入,三个神经隐层。利用历史数据作为BP神经网路的训练样本,对某种物资的市场价格进行了预测分析。结果表明,模型可较准确地预测不同市场情况下的物资价格,基于神经网络的物流预测对建筑企业的采购决定是一个行之有效的预测方法。