基于支持向量机和遗传算法的变压器故障诊断

为了提高变压器故障诊断准确率,该文提出了一种基于支持向量机(support vector machine,SVM)和遗传算法(genetic algorithm,GA)的电力变压器故障诊断方法。基于5种常用油中溶解气体分析方法的20种不同输入建立初始特征集合,采用二进制方式将支持向量机惩罚因子、核参数及特征子集编码至遗传算法染色体,建立基于5折交叉验证正确率的适应度函数,联合优化最优特征子集和支持向量机参数组合。然后依据最优特征子集和参数组合训练诊断模型,并利用测试集和故障实例验证诊断性能。实例分析结果表明:该方法能准确、有效地诊断变压器故障,比基于传统特征子集的支持向量机-遗传算法模型、IEC三比值法、反向传播神经网络和朴素Bayes等方法具有更高的诊断准确率。     

基于数据不确定性的变压器故障诊断研究

针对采集的变压器油中溶解气体数据的波动性和不确定性,通过引入蒙特卡洛算法进行数据处理.根据油中溶解气体试验,将处理后的变压器油中溶解气体数据进行两两比值.分别根据变压器运行规程、DGA知识以及模糊c均值聚类法对气体含量和比值进行离散化处理,再进行属性约简,并将约简结果作为神经网络的前置输入,对神经网络训练及故障进行诊断.实验结果表明,该方法可以对变压器故障进行准确判定,具有更好的工程实用性.     

基于油中溶解气体谱图的变压器故障识别方法

根据油中溶解气体含量对电力变压器进行故障诊断,一个关键环节是如何从故障气体数据中提取有效反映故障特性的特征量。论文提出了基于特征气体谱图形状参数识别变压器故障的方法,以5种油中溶解气体:乙炔、氢气、乙烷、甲烷和乙烯的相对含量构建了故障的特征气体谱图,并将图形偏斜性、突出性等形状参数作为特征量应用于变压器的故障诊断。应用的结果表明,这种方法有效区分变压器的放电性故障、过热性故障以及"氢主导型"故障,且识别效果达到90%以上,明显优于实践中常用的三比值方法。     

遗传支持向量机在电力变压器故障诊断中的应用

针对支持向量机中的参数通常靠交叉试验来确定的状况,提出了遗传支持向量机,即使用遗传算法来优化支持向量机中的参数,并将之进一步应用在基于溶解气体分析的变压器故障诊断中.以变压器油中5种主要特征气体作为支持向量机的输入,以7种变压器状态作为相应的输出,选用径向基核,使用遗传算法得到优化参数,充分发挥了支持向量机具有较高泛化能力的优势.实验表明,本文方法能够在较大范围内准确地找到相应的优化参数,并能有效地进行变压器的故障诊断.     

变压器油中溶解气体含量检测故障诊断仪的设计

研究了应用变压器油中溶解气体含量检测来诊断变压器故障的方法,针对气体传感器之间存在的"交叉敏感"设计了基于人工神经网络的气体检测系统.神经网络采用使用最为广泛的BP网络.从而能构成对气体的较准确的分析测试.单片机选择Intel 16位的80C196KB,简化了接口电路的设计.设计中采用了油中气体分析法来确定变压器的故障并通过数码管显示出故障类型并由单片机来实现.     

思维进化算法优化模糊神经网络的变压器故障诊断

提出一种基于思维进化算法的模糊神经网络变压器故障诊断方法。该方法利用思维进化算法中的趋同和异化操作,对模糊神经网络中输入变量的隶属度函数位置参数和宽度参数以及神经网络的连接权值进行全局优化,可有效地克服常规模糊神经网络BP算法收敛速度慢、精度不高和遗传算法训练模糊神经网络速度缓慢、易陷入局部极小等缺点,有利于更快地收敛于全局最优解。并将其应用到基于溶解气体分析的变压器故障诊断中,实例表明,采用该方法具有较快的收敛速度和较高的诊断准确度,说明了该方法的正确性和有效性。     

基于综合关联度分析的电力变压器故障诊断

在电力变压器故障诊断中,针对油中溶解气体分析,传统的三比值法难以包括和反映电力变压器内部故障的所有形态,在实际工作中存在许多变压器故障因查不到故障编码而无法判断的问题.结合油中溶解气体分析技术和灰色关联的相关理论,提出了一种面积关联度和斜率关联度相结合的综合关联度分析方法,给出了变压器故障诊断的算法步骤,并对权重系数的选取进行了探讨.该方法既能表征序列曲线的离散程度,又能反映序列曲线的变化走向相似度,能全面描述序列间联系的紧密程度.实验表明,将该方法用于变压器故障诊断,不仅克服了三比值法存在的问题,而且故障诊断准确率也高于面积关联分析方法和斜率关联分析 方法.在收集到的数据中随机选取350组进行计算,诊断准确率达到93.7%.     

样本规范化在故障诊断神经网络方法中的应用

在神经网络模型中,训练样本的不同特征变量(输入变量)反映响应变量(输出变量)的灵敏程度有一定的差别,若将各特征变量直接作为神经网络的输入,则会湮没一些弱小量可能含有的有效信息.采用油中溶解气体分析法建立以变压器油中溶解气体含量为输入,变压器故障类型为输出的BP神经网络变压器故障诊断模型,分别运用最大值最小值规范化、一般浓度规范化、特征浓度规范化三种方法对训练样本进行规范化.研究结果表明,不同样本规范化方法对故障诊断效果的影响显著,运用特征浓度规范化进行规范化处理要优于其他方法.     

基于油中溶解气体的变压器内部故障分析

变压器油中溶解气体分析技术,是用气相色谱分析变压器油样中溶解气体的成分和含量,判定变压器有无内部故障,诊断故障类型,并推定故障点的温度、故障能量等。介绍了变压器故障时产气特征,分析了基于三比值法的变压器故障类型判断方法,并结合三个实际案例分析了此方法的故障诊断效果。     

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.     

Edge detection of range images using genetic neural networks

Due to the complexity and asymmetrical illumination, the images of object are difficult to be effectively segmented by some routine method. In this paper, a kind of edge detection method based on image features and genetic algorithms neural network for range images was proposed. Fully considering the essential difference between an edge point and a noise point, some characteristic parameters were extracted from range maps as the input nodes of the network in the algorithm. Firstly, a genetic neural network was designed and implemented. The neural network is trained by genetic algorithm, and then genetic neural network algorithm is combined with the virtue of global optimization of genetic algorithm and the virtue of parallel computation of neural network, so that this algorithm is of good global property. The experimental results show that this method can get much faster and more accurate detection results than the classical differential algorithm, and has better antinoise performance.     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

基于规则的神经网络在模式分类中的应用

针对模式分类任务,提出一种基于粗糙集规则的神经网络构造方法.首先,利用粗糙集理论和遗传算法约简输入特征,在尽量保持分类能力不变的情况下降低条件属性维数,并推导出简练的分类规则集合.然后,以规则集为基础构造BP神经网络结构、确定网络层数、输入输出节点数等,并计算规则的条件属性重要度和依赖度2个参数对连接权值进行初始化.最后,通过一个实例验证了方法的有效性,结果表明该方法能有效解决传统神经网络构造难、解释难、过拟合等问题,提高了分类精度,降低了训练时间.此外,初步探讨了网络训练时对知识提炼的影响.     

递阶结构进化神经网络在故障诊断中的应用

主要研究进化神经网络在旋转机械故障诊断中的应用 ,提出了一种基于递阶结构的遗传算法与进化规划相结合的神经网络学习新算法 ,利用该算法可以同时对网络进行结构优化和权重求解。通过旋转机械故障分类应用实例 ,与传统的 BP训练算法作了比较 ,证明基于递阶结构的进化神经网络算法不仅在权重训练方面比传统 BP训练算法更加快速稳定 ,避免陷入局部极小点 ,而且同时对网络结构进行了优化 ,得到了结构更为简捷的旋转机械故障分类网络     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

基于遗传算法优化的自适应FNN-PID控制器研究

针对传统PID控制器参数整定后因无法在线自动调整而导致控制效果不理想的问题,提出了一种基于遗传算法优化模糊神经网络（FNN, Fuzzy Neural Network）的自适应FNN-PID控制器模型。该模型结合了模糊神经网络良好的自适应自学习能力和遗传算法强大的全局搜索能力,利用遗传算法对模糊神经网络的参数进行优化与训练,使PID控制器能够根据被控对象的变化而适时在线调整自身参数KP, KI和KD,从而达到理想的控制性能。将该控制器应用于异步电动机控制系统进行仿真实验,结果表明：基于遗传算法优化的自适应FNN-PID控制器具有较好的自适应能力和鲁棒性,控制效果明显优于传统PID控制器。     

基于遗传神经网络的城镇基准地价评估应用——以广西灌阳县为例

提出了一种融合遗传算法与BP神经网络的城镇基准地价评估模型。该模型以正方形网格作为基本评价单元,以遗传算法优化BP神经网络连接权值,以BP神经网络训练样本数据,实现其他网格地价的模拟与预测。结果表明,遗传算法可以有效增强BP神经网络快速学习网络权值能力和克服收敛速度慢、易陷入局部极小值等问题,BP神经网络的网络训练学习与自适应性符合处于动态变化的土地价格发展要求,呈现出广阔的应用前景。     

基于BP神经网络的皮肤病诊断方法

自动诊断系统是当前人工智能研究中的一个重要课题，有着十分广泛的应用前景。本文提出了基于BP神经网络的皮肤病诊断方法，讨论了网络隐含层神经元数选取问题、网络输入矢量的标准化处理问题以及网络连接权值的初值选取问题。对366名皮肤病患者的数据做了自动诊断识别实验，实验结果表明，文中所设计的神经网络诊断方法比常用的最近邻方法更有效地降低了诊断错误率。     

基于RBF神经网络的股市建模与预测

提出一种基于ＲＢＦ神经网络的股市预测建模方法,并采用递阶遗传算法训练ＲＢＦ网络的参数、权重和结构,对上证综指和个股（伊利股份）的建模与预测结果表明,该训练方法使ＲＢＦ神经网络具有很强的学习与泛化能力,它在股市这样一个复杂的非线性随机系统建模中具有很高应用价值。     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.