改进的QPSO算法在电网故障诊断系统中的应用

电网故障诊断系统通常基于建立的解析模型,通过分析保护和断路器的动作信息来推断可能的故障位置,从而识别保护与断路器的故障元件和误动作;根据保护动作原理,构建了一种改进的解析模型,并采用改进的量子粒子群算法对其目标函数进行优化求解;该模型不仅充分考虑到了保护和断路器的误动与拒动、断路器失灵保护等问题,且能辨识告警信息的误报和漏报;实验结果表明改进的算法不仅使故障诊断结果更精确,并能使故障情况很清晰地表示出来,有利于故障的及时恢复,同时使模型的运算速度和稳定性也进一步得到了提高。     

电力系统故障诊断的萤火虫和粒子群混合算法研究

电力系统故障诊断主要就是根据保护和断路器的动作信息来判别故障区域,而找出故障元件又是其难点和主要工作,以目标函数描述其模型,则故障诊断问题转化为0-1整数规划问题。适合于智能算法求解。用粒子群算法解决该问题时收敛速快,但容易陷入局部最优值;用萤火虫算法时能够找到全局最优值,但其后期收敛速度较慢。论文融合这两种算法并用之求解故障诊断的目标函数,仿真结果表明：融合后的算法兼备两种算法的优点,能够以较快速度收敛,并找到全局最优解,且收敛精度高,稳定性好。     

基于贝叶斯网络的复杂装备D-S诊断

利用D-S证据理论进行故障诊断时,首先需要确定出故障识别框架和基本置信分配.但在导弹武器等复杂装备中,存在着故障原因与故障征兆之间关联关系不确定的现象,增加了求取故障识别框架和基本置信分配的困难.文中提出了利用贝叶斯网络理论来解决难题的方法,使D-S证据理论能在复杂装备故障诊断中得到应用.文中首先给出了诊断贝叶斯网络的适应度函数,并利用改进的粒子群优化算法求解了诊断贝叶斯网络.然后分析了诊断贝叶斯网络中故障原因与故障征兆间的关联关系,给出了征兆集合、异因征兆集合概念.提出了求解故障识别框架和基本置信分配的方法.最后,通过实例的D-S诊断,验证了所提方法的正确性.     

改进PSO-BP方法在ATP车载设备多故障诊断中的应用研究

针对目前ATP车载设备采用单故障诊断方法存在诊断精度偏低的问题,首先对ATP车载设备的故障原因进行分析,并提取出9种故障特征作为输入,7种故障类型作为输出,同时结合ATP车载设备的结构和故障特点建立了改进PSO-BP的多故障诊断模型;其次,在模型求解过程中,引入遗传算法中的变异思想,通过动态调整粒子群的参数来优化BP网络,采用改进PSO-BP算法对此模型进行求解;最后,以武广线数据进行仿真验证,期望输出与实际输出基本一致,故障识别的正确率达到95%。结果表明,采用改进PSO-BP算法解决ATP车载设备的多故障诊断问题是一种有效的方法,其诊断能力优于传统的BP算法和PSO-BP算法。     

电力变压器故障预测与诊断仿真研究

电力变压器是电力系统的主要设备,对故障准确预测是保证运行安全的前提.研究电力变压器故障诊断问题,针对传统支持向量机参数寻优方法在诊断中往往费时而且得到的参数不一定最优,导致识别精度低,为了提高变压器故障识别精度,提出一种用粒子群优化支持向量机参数(PSO-SVM)的变压器故障诊断方法.在变压器故障诊断过程中,将变压器油中溶解气体作支持向量机输入,故障作为输出,在故障诊断的过程中利用粒子群算法动态调整支持向量机的参数,最后得到优化变压器故障诊断模型.以某地区供电局的变压器故障数据为例进行了仿真,实验结果证明,PSO-SVM的故障诊断识别精度高,是一种有效性、高精度的变压器故障诊断方法,为实际应用提供了依据.     

PSO-RBF神经网络在电机保护中的应用

针对电机保护只在被测参数达到或者超过设定动作阈值才动作,缺乏预测控制能力,设计了一种基于粒子群的径向神经网络。利用小波变换的时频分解能力、优异的奇异检测能力进行故障特征分量的提取;用粒子群算法和径向神经网络配合优化权重,从而使网络收敛快,训练时间短。通过电动机故障进行仿真实验,结果表明PSO-RBF神经网络实现了对故障的识别。     

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。     

PSO-SVM信息融合在广域后备保护中的应用

提出了基于粒子群优化支持向量机（PSO-SVM）的信息融合算法进行广域后备保护故障元件判别。广域后备保护需要采集多个节点相关信息以判别电网某区域的故障元件,选取了线路故障方向元件、线路距离II段元件和主保护动作状态三类信息。利用确定故障下的状态信息矩阵作为PSO-SVM的训练样本,再用随机故障时的元件状态信息矩阵作为测试样本。通过大量实验模拟了多种信息不确定情况下的故障判别结果。实验结果表明,基于PSO-SVM的保护算法具有很好的容错和正判能力。     

基于粒子群优化的可拓神经网络故障诊断方法研究

基于可拓学的故障诊断方法是智能故障诊断领域中较为新颖的研究方向;首先介绍了可拓故障诊断领域的研究现状;然后重点分析了可拓神经网络模型,包括它的结构和故障诊断原理,由于该模型存在参数设置主观、易早熟等问题,进而提出了基于粒子群优化的可拓神经网络模型,该模型以关联度作为测度工具物理意义明确,通过粒子群算法进行参数优化避免算法早熟;最后采用汽轮发电机组振动信号频谱数据进行算法验证,结果表明该算法能够正确诊断出全部故障,且诊断精度高。     

基于PSO神经网络的故障诊断方法研究

将粒子群优化算法和BP算法相结合,提出了一种基于粒子群神经网络的故障诊断方法.该方法分阶段实施神经网络的训练,有效地加强了算法的全局搜索能力,采用PSO优化了传播中的权值、阈值以及网络结构.这不仅弥补了BP算法的不足,而且删除了冗余连接,提高了故障模式识别的能力.仿真结果表明该方法加快了神经网络的学习收敛速度,提高了故障模式的识别正确率,可以有效地应用于设备的故障诊断.