基于灰色新预测模式的变压器故障预测

从初始条件选择、背景值改造等方面对原有灰色模型进行了改进,并建立了新的改进非等间隔灰色预测模型,最后应用模型群优选预测法获得较好的结果。通过实例验证表明模型与一般的非等间隔灰色模型相比具有更高的预测精度。提出基于此新方法还可以建立变压器故障预测系统,客户可以通过本系统来预测短期的未来变压器各类特征量及可能存在的故障类型。     

改进人工鱼群算法优化小波神经网络的变压器故障诊断

针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型。基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度。结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高。     

小区间浴盆形火灾事故预测

基于传统灰色预测模型预测剧烈波动型火灾数据误差较大的缺陷,使用泰勒公式将灰色预测模型的原始数据序列展开,并展开拉格朗日型余项,以此修正传统的灰色预测模型,改进了传统的灰色预测算法。使用Matlab软件编程,分别采用传统的灰色预测算法和改进的灰色预测算法,针对小区间浴盆形火灾事故,选取三组数据进行预测。结果表明,修正后的灰色预测模型改善了传统灰色预测模型预测浴盆形火灾事故稳定性差、误差大、精度低的不足,预测曲线符合浴盆形曲线特征,与原始数据曲线特征具有较高的一致性。改进的灰色预测模型与传统的灰色预测结果相比,三组数据的平均相对误差分别降低86.59%、55.32%、55.70%。改进的灰色预测模型预测结果在精度、相对误差、关联度三方面都能满足要求。     

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％。     

基于梯形灰色聚类分析的电力变压器故障诊断

引入灰色系统理论,通过改进的灰色聚类算法,提出了影响因子的概念,通过影响因子对变压器故障标准模型的数据进行优化,选取梯形白化函数的两个端点,采用梯形灰色聚类算法对变压器故障类型性质及部位进行分析和判断。从而为变压器故障诊断提供了新的方法,实验分析结果表明,该方法与实际吊罩检测结果一致,具有一定的有效性和实用性,并且具有分析速度快,实时性好的优点。     

用灰关联分析判断变压器故障

针对三比值法中存在的不足,基于灰色关联度理论,提出了灰关联分析在判断变压器故障类型中的应用,运用实例验证了其正确性,对该方法进行了讨论。     

基于多模型组合优化算法的风速预测方法研究

风速的随机性和波动性较强,单一算法预测模型的精度不高。为此,提出基于蚁群优化算法的灰色模型和遗传神经网络算法相结合的预测方法;给出改进灰色模型,并利用蚁群算法的全局寻优能力,以残差平方和最小为原则,对改进灰色模型的权值进行优化,实现了对风速的预测。为进一步提高精度,把蚁群优化灰色模型的结果作为遗传神经网络算法的输入,实测风速数据作为遗传神经网络算法的输出,对网络进行训练,进一步减小了风速预测的偏差。预测结果与风电场实测数据的对比分析验证了多算法结合的预测方法的准确性和有效性。     

基于人工免疫方法的变压器故障诊断

将人工免疫方法引人变压器油中溶解气体分析,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类．通过对变压器故障数据的仿真研究表明：与IEC三比值法相比,该算法具有较高的诊断准确率．     

基于人工免疫方法的变压器故障诊断

将人工免疫方法引入变压器油中溶解气体分析,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类.通过对变压器故障数据的仿真研究表明:与IEC三比值法相比,该算法具有较高的诊断准确率.     

基于遗传支持向量机的多维灰色变形预测模型研究

多维灰色模型适合对多因素影响下的贫信息系统问题进行建模,但对多因素影响下的非线性变形系统建模和预测精不高,针对该问题进行分析研究.利用支持向量机算法建立多维灰色变形预测模型的残差与变形影响因素之间的非线性关系,对多维灰色变形预测模型的残差进行预测,并与多维灰色变形预测模型相加,对多维灰色变形预测模型进行修正,构建基于支持向量机的多维灰色变形预测模型.利用遗传算法优化支持向量机模型参数,提高支持向量机建模精度.该方法较好地解决了多维灰色变形预测模型精度不高的问题.把该模型应用于大坝变形预测,并与多种传统变形预测方法进行对比,结果证实该方法有效提高多维灰色变形预测模型的精度,且新模型精度远优于传统方法,是一种新的有效的变形预测模型.     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题，提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先，利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题；其次，基于灰度特征的特征量提取方案，实现对红外伪彩图特征量的提取；最后，引入粒子群优化BP神经网络（PSO-BP）算法对变压器套管特征进行分类识别。实验结果表明，该方法对红外图像中套管的运行状态具有较好的检测效果，对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%，平均准确率达到93.518%，优于传统BP算法和支撑向量机（SVM）算法。     

采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

基于鱼群优化的车载自组织网络路由算法

该文提出了一种基于鱼群优化且适用于城市道路环境的车载自组织网络路由算法。针对车载自组织网络中车辆的高速移动导致网络状态和拓扑频繁变化的特点,利用鱼群优化模型辅助搜索,及时为车辆找到新的最优中继节点,以保障网络中消息传输的性能。该文提出的鱼群路由优化算法(fish?swarm?routing, FSR) ,具有收敛速度快、效率高等优点。实验结果表明,相较于已有的车载自组织网络路由算法,该算法具有更低的传输时延和更高的传输成功率。     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

改进PSO-BPNN的电力变压器故障诊断与模式识别

为了优化反向传播网络相关学习参数,提出一种粒子群优化辅助BP神经网络(BPNN)的新方法.以变压器油中气体体积分数百分比构造故障特征,将BP网络的初始权值和阈值进行实数编码,以对应PSO中的粒子,实现BP网络的离线训练与在线分析,对变压器故障模式做出判断.结果表明,该算法更合理地更新了粒子的位置和速度,最优地设置了全局极值,有效克服了粒子的早熟收敛,获得的故障诊断准确率高达91%,并大大提升了BP网络的收敛速度.该算法为此类设计提供了有效的模型参考.     

基于粒子群优化灰色模型的电力系统负荷预测

在分析灰色GM(1,1)模型局限性的基础上,应用粒子群优化算法的非线性全局寻优能力来求解灰色模型参数值,提出了基于粒子群优化算法的灰色模型,并给出了负荷预测的实例.预测结果表明基于粒子群优化算法的灰色模型具有较高的预测精度和较广泛的应用范围.     

基于神经网络辨识的灰色预测在精馏塔中的应用

石油化工生产中常用精馏塔的控制是一种滞后时间长、滞后常数不定的典型不确定滞后对象。这种对象控制困难,系统精度要求高,要对其进行有效控制就必须高精度预测它的输出,因为对象的不确定滞后特性,对其进行精确的输出预测始终是一个难题。针对精馏塔输出预测上的困难,提出利用神经网络首先辨识系统的滞后时间,之后在此基础上采用AR(p)(自回归)模型拟合残差的改进型灰色预测方法预测输出,基本灰色预测模型采用变步长单步灰色预测。将上述方法应用在精馏塔模型输出预测中,仿真结果表明改进后的预测方法对具有滞后、时变的系统有良好的预测效果,而且对系统参数突变、漂移等非失效型故障有一定的鲁棒性、容错性,比其他灰色预测方法更具优越性。