模糊神经网络在电力变压器故障诊断中的应用

及时和正确地诊断出电力变压器的故障,对维护电力系统的正常安全运行具有非常重要的意义。本文把基于模糊理论和神经网络的模糊神经网络模型应用于变压器的故障诊断中,实例分析结果表明该方法能有效提高变压器故障诊断的正确性。     

基于自适应学习速率法的补偿模糊神经网络

为克服常规网络收敛速度慢、无法结合专家知识等缺点,引入补偿模糊神经元,结合模糊系统强大的知识表达能力和神经网络优秀的自学习能力,并利用自适应学习速率法动态地改变学习率.提出了一种新型的基于自适应学习速率法的补偿模糊神经网络,并将其应用到实际例子中.结果证明,它不仅能在线适当调整参数,还能动态地优化相应的模糊推理,加快训练速度.     

模糊神经网络在变压器故障诊断中的应用

提出并研究了模糊神经网络在变压器故障诊断中的应用问题。以油色谱分析数据作为输入，故障类型作为输出，建立了邦联诊断的模糊网络模型。故障实例的测试结果表明了这咎方法的有效性。     

基于自适应模糊推理的电力变压器故障诊断研究

将自适应神经网络的自学习优点与模糊数学的模糊推理方法进行有效的结合,解决了变压器绝缘故障诊断中模糊规则难以确定的问题,利用自适应神经网络的自学习功能,通过神经网络的学习确定了模糊规则和模糊隶属度。建立了变压器故障诊断的ANFIS模型,实现了电力设备故障诊断,反映了变压器的实际运行状态。     

自适应粒子群优化BP神经网络的变压器故障诊断

在分析粒子群参数特征的基础上,提出自适应粒子群优化算法,使用自适应粒子群优化BP神经网络,建立基于自适应粒子群优化BP神经网络(PSO-BP)的变压器故障诊断系统.通过对52组训练样本和28组测试样本的仿真实验,可知自适应PSO-BP法能提高变压器故障诊断的准确率,有效减小网络的误差精度.     

神经网络自适应滤波器在故障诊断中的应用

分析了用自适应滤波器进行故障诊断的方法．针对该方法在计算上要花费大量时间、难于完成实时诊断任务的缺点，提出了用神经网络自适应滤波器来完成故障诊断的方法．神经网络有极快的运行速度，能很好地完成实时诊断任务．     

自适应小波神经网络在故障诊断中的应用

为提高传统BP神经网络在故障诊断中的效率,提出用小波神经网络加以改进.采用动量法和学习率自适应调整结合的网络训练算法对小波网络的初始参数进行设置,提出自适应小波神经网络的故障诊断方法,详述其诊断原理,并结合实例证实了该方法应用于故障诊断的有效性.     

遗传算法在电力变压器故障诊断中的应用

论文在阐明电力变压器故障的一些智能诊断方法所存在的局限的基础上,对遗传算法在电力变压器故障诊断中的应用进行综述,指出其存在的优势以及不足之处,并展望了其后续的研究发展方向。     

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.     

证据理论在变压器故障诊断中的应用

为了提高变压器故障诊断的准确性,引入了一种基于证据理论的诊断方法。根据变压器故障的特征数据,采用2个并行的BP神经网络对变压器进行局部故障诊断,以获得彼此独立的证据,再采用证据理论对各证据进行融合。实验结果表明,该方法可有效地提高诊断的准确率,减少诊断的不确定性。     

基于遗传小波神经网络的变压器故障诊断

电力变压器油中溶解气体的色谱分析是变压器故障诊断的重要方法,通过该方法可以间接了解变压器的运行状态和内部潜在故障.人工神经网络已经成功地应用于电力变压器故障诊断,但学习样本数多和输入输出关系复杂性减慢了网络的收敛速度.为解决此问题,将用遗传算法改进的小波神经网络应用于电力变压器故障诊断,克服小波算法易于陷入局部极小、收敛速度慢等缺点.     

神经网络在变压器故障诊断中的应用

根据变压器故障诊断的特点,采用神经网络的误差逆传播算法,运用气相色谱分析方法,建立故障诊断的神经网络模型．运用人工神经网络的学习能力,通过对训练数据的学习,判断变压器的故障类型．     

一种基于油中溶解气体分析的变压器绝缘故障诊断新方法

将小波神经网络优良的分类诊断能力和最小二乘加权融合方法相结合,采用油气分析实现电力变压器的故障诊断.用非线性Morlet小波基作为神经网络激励函数,形成神经元,结合双方的优点,建立了紧致型小波神经网络.采用6个同一小波,其隐层单元数目、学习率等相关训练参数不同的单个子网络,对相同变压器故障信号样本进行训练,用最小二乘加权融合法对各个子网络的输出结果进行决策信息融合,通过对融合结果的分析,得到变压器故障的识别结果.测试结果表明,系统具有较好的分类诊断能力和可靠性.     

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。     

电力变压器故障诊断的神经网络专家系统

介绍了产生式系统与神经网络结合的一种方法──神经网络专家系统（NNES）。根据变压器故障诊断的特点，建造了用于电力变压器故障诊断的NNES。该系统充分发挥了NN与ES各自的优点，为变压器故障诊断创造了一条新的思路。     

蚁群神经网络在变压器故障诊断中的应用

针对蚁群算法收敛速度慢的问题, 提出了一种改进方法, 通过为蚁群算法增加一种收敛因子, 使其在信息素的全局更新中为每次迭代产生的最优路径赋予额外的信息素增量, 降低了算法陷入局部最优解的可能性。分析了改进蚁群算法的收敛性, 并对其寻优能力进行了测试, 结果表明, 改进蚁群算法具有较强的寻优能力和较快的收敛速度。用改进蚁群算法优化神经网络并将其应用于变压器的故障诊断, 与BP神经网络诊断结果对比, 蚁群算法优化神经网络具有更快的收敛速度和更高的诊断精度。     

基于决策树神经网络模型的电力变压器故障诊断方法

根据对变压器常见故障原因及危害程度的分析,构造了电力变压器故障诊断决策树．其判定级别为自上而下,而决策树的每一叶都对应着一种具体的故障模式,并在决策树的不同分支中选用不同的神经网络单元模块作为基本分类器,建立组合神经网络模型,实现了对故障的多分辨识别．该方法克服了以往单神经网络模型在结构复杂性和学习难于收敛方面的不足,大大提高了故障分析的准确度．应用结果表明该系统模型是富有成效的     

改进的M-ary支持向量机模型及其在变压器故障诊断中的应用

使用M-ary支持向量机进行基于油中溶解气体分析的变压器故障诊断研究.分析结果表明,M-ary支持向量机算法简单,与一对一支持向量机的诊断精度可以比拟.在此基础上,还对常用的M-ary支持向量机模型进行了改进,将各二类分类器的输出计算值直接使用另一支持向量机进行组合,可以更好地反映各分类器之间的非线性关系,从而使新模型具有更高的分类精度.变压器的应用实例证明了改进方法的有效性和优越性.     

深度学习在轴承故障诊断领域的应用研究

深度学习具有强大的学习能力和特征分类能力,能够在海量、多源和高维测量数据中进行特征提取,具有不依赖人工干预而进行模型诊断和泛化的能力,广泛应用于设备故障诊断领域。阐述了深度学习的典型模型:深度置信网络(DBN)、卷积神经网络(CNN)和自编码器(AE),重点论述了深度学习在轴承故障诊断领域的应用进展。最后讨论了深度学习在轴承故障诊断领域所存在的问题及发展趋势。