模糊神经网络在小电流接地系统选线中的应用

用模糊神经网络理论重点改进了小电流接地选线原理中传统的“零序电流比幅”、“零序有功分量比幅”、“能量法”等方法，用仿真结果代入算法公式计算出样本，将其送入模糊极大-极小神经网络进行训练。训练结果表明，提出的方法对中性点非直接接地系统发生的单相直接接地和经过渡电阻接地故障都可正确选线，且判别依据不受系统结构和运行方式变化的影响，选线的正确度和可靠性均有明显的提高。     

基于人工免疫算法的小电流接地故障选线

小电流接地系统的单相接地故障选线问题一直没有得到很好的解决,通常采用的单一故障选线方法如小波变换法、五次谐波电流法和零序电流有功分量法等只能对部分故障信息进行处理,选线可靠性不高,因此提出了基于人工免疫算法的小电流接地故障选线方法.利用小波包变换和FFT算法提取零序电流的暂态、五次谐波和有功分量故障特征作为免疫系统的抗原,利用训练样本对该免疫系统训练后得到记忆集,利用抗原和记忆集的亲合度实现故障选线.ATP仿真结果表明该方法得出的选线结果具有较高的精度和较强的鲁棒性.     

基于小波-神经网络的小电流接地选线的研究

研究了小波分析理论和人工神经网络技术在小电流接地系统单相接地故障选线中的应用。介绍了小波变换的奇异性检测理论和模极大值理论，神经网络的结构和改进算法，以及两者结合的选线方案。通过小波变换提取故障时各支路出线零序电流信号中的故障特征．作为神经网络的输入向量。建立典型的三层BP网络模型，从小电流接地系统动态仿真模型中采集大量样本训练网络，并针对不同故障模式进行测试。仿真实验的结果表明该方法能够准确、可靠地实现故障选线。     

基于蚁群算法的神经网络配电网故障选线方法

为了克服基于神经网络的故障选线方法收敛速度慢、易于陷入局部极小点的缺点,提出了蚁群算法和神经网络相结合的故障选线方法.利用ATP-EMTP做单相接地仿真试验,得到各线路的零序电流信号,通过小波变换和傅里叶变换提取其中的故障特征作为神经网络的输入.利用蚁群算法对神经网络进行训练,完成训练的神经网络模型即可实现故障选线.仿真结果表明,该方法训练速度快、误判率低.     

基于粗集神经网络的配电网故障选线研究

为了克服基于神经网络的故障选线方法训练时间长和网络结构复杂的缺点,提出了基于粗集神经网络的故障选线方法.利用ATP-EMTP做大量的单相接地故障仿真试验,得到大量的各馈线零序电流信号,通过小波变换和傅立叶变换从中提取各种暂态和稳态故障特征.利用粗集理论对故障特征进行预处理,将约简后的故障特征作为神经网络的输入,约简后的样本作为训练样本.完成训练的神经网络模型即可实现故障选线.仿真和现场验证结果表明,该方法训练速度快、误判率低.     

基于证据理论的小电流接地选线研究

针对单一小电流接地选线方法准确性低的缺点,提出了基于证据理论的小电流接地选线方法。并对6种典型故障进行仿真,得到各故障情况下线路的故障测度值。仿真结果表明,基于证据理论的小电流接地选线方法可以正确选出故障线路,适用面广,具有较高的可靠性。     

基于人工免疫算法的小电流接地故障选线

小电流接地系统的单相接地故障选线问题一直没有得到很好的解决,通常采用的单一故障选线方法如小波变换法、五次谐波电流法和零序电流有功分量法等只能对部分故障信息进行处理,选线可靠性不高,因此提出了基于人工免疫算法的小电流接地故障选线方法。利用小波包变换和FFT算法提取零序电流的暂态、五次谐波和有功分量故障特征作为免疫系统的抗原,利用训练样本对该免疫系统训练后得到记忆集,利用抗原和记忆集的亲合度实现故障选线。ATP仿真结果表明该方法得出的选线结果具有较高的精度和较强的鲁棒性。     

基于改进D-S证据理论的小电流接地系统故障选线

为了克服在小电流接地系统故障选线过程中由于征兆本身的可信度与征兆之间相关性而导致现有故障选线方法准确性较差的问题,文章基于改进的D-S证据理论建立了一种故障选线新方法.首先基于传统的D/S证据理论,建立了故障选线模型,然后通过借鉴信息熵和信息容量的概念,实现了征兆本身的可信度及征兆之间相关性的有效度量,最后,给出了基于改进组合规则的小电流接地系统的故障选线新方法,并通过实例验证了该方法的有效性.     

基于改进GoogLeNet的小电流接地系统故障选线方法

针对传统小电流接地系统故障选线方法准确率低、鲁棒性弱的问题,文章提出一种基于改进GoogLeNet的小电流接地选线方法.首先,利用小波变换将零序电流信号映射为二维时频图,制备小电流接地数据集;然后,在GoogLeNet网络基础上通过迁移学习共享已训练模型权重来提高原网络检测精度;其次,在原网络全连接层前通过引入Batc...     

一种新的小电流接地选线算法

在分析以往小电流接地选线各种算法的基础上,提出了一种基于数学形态学及小波变换综合的选线算法,该算法利用数学形态学滤波器对采集到的电压电流信号进行滤波,而后利用小波变换的奇异性理论和模极大值理论来构成接地选线算法,本算法很好地体现了形态学滤波器的噪声抑制能力和小波分解的奇异点检测能力.Matlab仿真结果表明,该算法不受中性点接地方式和线路参数的影响,且具有较强的承受过渡电阻的能力.     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

旋转机械故障诊断的量子神经网络算法

针对故障模式之间存在交叉数据的诊断不确定问题，将多层激励函数的量子神经网络引入多传感器信息融合之中，提出一种基于量子神经网络的多传感器信息融合故障诊断算法。并将其应用到旋转机械故障诊断中，通过测试被诊断设备的振动速度和加速度信号，求出两传感器对各故障模式的故障隶属度，利用多层激励函数的量子神经网络进行信息融合，得到融合的各故障模式隶属度值，确定真正的故障模式，提高了故障诊断的准确率。     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态,实现对电机故障模式的自动识别和准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断,获得彼此独立的证据,再运用DS(DempserShafer)证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,能够满足诊断的实时性要求。     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

基于多传感器信息融合和神经网络的汽轮机故障诊断研究

针对传统故障诊断方法存在的诊断准确性不高的问题,提出了基于D-S证据理论的多传感器信息融合技术与BP神经网络相结合的方法,实现对汽轮机的机械故障诊断.由多个传感器采集振动信号,分别经小波变换特征提取后获得故障特征值,再经BP神经网络进行故障局部诊断,得到相应传感器对故障类型的基本可信任分配函数值,即获得彼此独立的多个证据,然后运用D-S证据理论对各证据进行融合,最终完成对汽轮机机械故障的准确诊断.实验结果表明,该方法克服了单个传感器的局限性和不确定性,是一种有效的故障诊断方法.     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

基于DS证据理论的SVM分类模糊域数据修正

在介绍支持向量机(SVM)和DS证据理论的基础上,提出了一种利用DS证据理论对SVM分类模糊域数据进行分类修正的方法。该方法首先利用SVM对测试样本进行分类,对SVM分类输出模糊域的样本使用隶属度函数将SVM的输出距离转换成样本对各状态的隶属度;其次利用DS证据理论融合其他传感器信息,对各状态下的隶属度进行适度修正,从而实现该区域数据的重新合理排布;最后将该方法应用于高压断路器故障诊断,以验证其诊断性能。大量的实验结果表明,该方法可以利用断路器操作线圈电流数据,合理修正振动数据分类结果,实现断路器机械故障的准确检测。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

基于神经网络实用稳定性理论提高FNN容错性的方法及其在电力系统中的应用

在神经网络（NN)实用稳定性理论和对前馈神经网络(feed-forward neural network,NFF)容错性能（fault-tolerance performance,FTP)理论分析的基础上,提出了一种提高FNN容错性的实用方法,该法建立了基于FNN学习与模糊处理相结合的FNN模型重构机理,以改变FNN“伪吸引子”和“伪吸引域”来地提高FNN的FTP。文中以电力输电线路故障诊断为例,通过仿真测试证明了所提方法的可行性,并能有效地提高FNN的FTP,所研究的方法为基于FNN实时信息处理系统的实际应用提供了重要的保证。     

基于多分辨率小波网络-BP神经网-D-S证据理论信息融合模型的直流系统故障诊断方法

直流系统接地故障检测中常用的低频信号注入法容易受到大电容接地、环网以及电流互感器故障和饱和等因素的影响.针对这种情况,引入多传感器信息融合的思想,提出了基于"多分辨率小波网络-BP神经网络-D-S证据理论"信息融合模型的故障诊断方法,以综合多个信息源对直流系统的接地故障进行诊断.对具有3条支路的直流供电系统进行的仿真分析表明,在上述情况下利用该方法可以有效诊断出直流系统的故障支路,具有较好的诊断效果.