基于DGA的粒子群极限学习机电力变压器故障诊断

传统单一人工智能方法对变压器故障诊断中采用的大量不完备信息不能够有效处理,导致故障诊断准确率不高。为弥补这一不足,在全面分析粒子群算法(particle swarm optimization,PSO)和极限学习机(extreme learning machine,ELM)各自优势的基础上,构建了一种基于粒子群优化极限学习机的变压器故障诊断方法。该方法以DGA作为特征输入,利用粒子群算法对极限学习机的输入层权值和隐含层阈值进行优化,从而提高变压器故障诊断的精度。实例对比分析表明,与BP神经网络和极限学习机方法相比,粒子群极限学习(PSO-ELM)方法有更高的诊断准确率。     

基于改进PSO—BP算法的变压器故障诊断

提出一种利用改进粒子群算法和反向传播算法相结合的混合算法训练神经网络进行电力变压器故障诊断的方法.在改进的粒子群算法中考虑了邻居粒子中最优粒子信息,修正个体行动策略,增强粒子群的社会学习功能,保证全局搜索的有效性;引入随机粒子群机制,利用粒子群进化过程中的种群变异机制提高算法的寻优性能.变压器故障实例仿真和分析表明,该算法在收敛速度、计算精度和平均收敛性能方面都有较大改进,可有效诊断电力变压器故障.     

综合RapidMiner与改进粒子群极限学习机算法的变压器故障诊断

针对三比值法用于变压器故障诊断缺编码以及各种人工智能方法抗干扰能力不足等问题,提出了综合RapidMiner与改进粒子群极限学习机算法RM-MPSO-ELM的变压器故障诊断方法。该方法利用RapidMiner工具,结合变压器样本数据,挑选出与故障类型最相关的输入变量,并针对极限学习机算法参数选择困难的问题,利用改进粒子群优化算法进行了参数优化。最后,使用极限学习机算法对变压器的潜在故障进行识别,并将之与IEC三比值法、支持向量机方法以及不同组合的极限学习机算法的诊断性能进行了比较。结果表明,本文所提方法具有更高的诊断精度。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于量子粒子群算法的电力系统无功优化

本文提出了一种量子粒子群算法解决电力系统无功优化问题。量子粒子群算法采用实数编码,融合了量子进化算法的概率性并进行计算和粒子群算法的更新策略,在全局寻优能力和保持种群多样性方面表现出了较大优势,而且寻优速度快。另外,为了避免大量不可行初始解,本文采用倾斜分布式启发方法得到初始种群。IEEE-30系统证明了量子粒子群算法的高效性和鲁棒性。     

基于IDOA-DHKELM的变压器故障诊断

针对溶解气体分析(dissolved gas analysis,DGA)诊断变压器故障准确率偏低的问题,提出了一种基于改进野犬优化算法(improved dingo optimization algorithm,IDOA)优化深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的变压器故障诊断方法。首先采用核主成分分析(kernel principal component analysis,KPCA)对气体数据降维并提取有效的特征量;其次将多项式核函数与高斯核函数加权结合,构造出新的混合核函数,并引入自动编码器对极限学习机进行改进,建立DHKELM模型。将反向学习、柯西变异和差分进化算法融入到野犬算法中,并利用2种典型的测试函数对IDOA性能进行测试,证明了IDOA具有更强的稳定性和寻优能力。利用IDOA对DHKELM的关键参数进行寻优,建立IDOA-DHKELM变压器故障诊断模型。最后,将KPCA提取的特征量作为模型的输入集,并对不同变压器故障诊断模型进行仿真验证。研究结果表明,相较于其他模型,IDOA-DHKE...     

粒子群优化极限学习机的短路电流预测技术

针对传统极限学习机预测模型精度低和稳定性能差的问题,提出了一种利用粒子群算法优化极限学习机的短路电流峰值预测模型.建立超高压输电线路仿真模型,分析短路故障波形特点,获取全相角短路故障电流历史数据,利用平均相对误差、均方根误差、灰色绝对关联度三种精度检验法作为粒子群算法的适应度函数,构建粒子群算法与极限学习机算法相结合的...     

基于改进双粒子群算法的舰船电力系统网络故障重构

舰船电力系统环形网络故障重构本质上是带约束的多目标非线性组合优化问题。为了解决舰船电力系统发生故障时的供电恢复问题,提出了一种改进双粒子群优化算法进行求解。此算法分为主、辅两个粒子群,主粒子群改进了种群初始化、自适应调整惯性权重和学习因子,提高了主粒子群算法的全局寻优能力。同时,辅助粒子群还采用改进的混沌局部搜索策略,增强了种群多样性及局部寻优能力,有效地解决了粒子群算法中容易陷入局部极值的问题。通过系统仿真,分别将几种不同的优化算法进行比较。结果表明该算法具有很高的搜索效率和寻优能力,能有效地提高故障恢复的速度与精度,在处理舰船电力系统网络故障重构方面具有较好的效果。     

改进PSO优化ELM预测锂离子电池剩余寿命

针对极限学习机在预测锂离子电池剩余寿命过程中的不稳定性,提出利用混合粒子群优化算法对极限学习机预测模型优化的方法。通过改进的粒子群优化算法对极限学习机的输入端进行寻优处理,不但能够使模型的预测精度有进一步提高,而且大大增加了锂离子电池单次剩余寿命预测结果的可信度。利用NASA PCoE公开的锂离子电池数据进行仿真实验并评估该模型的预测性能,然后与标准的极限学习机预测模型预测结果进行对比,统计结果表明该方法使预测误差控制在2%左右。     

基于鲶鱼效应粒子群算法的梯级水库群优化调度

针对梯级水库群优化调度多约束、高维、非线性和难以求解的特点,将鲶鱼效应机制引入到粒子群算法中提出鲶鱼效应粒子群算法。该算法在进化中通过鲶鱼启发器引入鲶鱼粒子,依据鲶鱼效应调整种群的飞行模式,一方面利用鲶鱼粒子的驱赶作用使粒子种群跳出稳定状态激发活力,从而提高种群多样性;另一方面利用鲶鱼的高素质动态调节对进化过程进行有目的指导,进而保持算法的高搜索性能。算例表明,和标准粒子群算法、混沌粒子群算法相比,鲶鱼效应粒子群算法具有更好的全局寻优能力和较快的收敛速度,能有效地应用于梯级水库群优化调度中。     

基于IABC优化SVM的变压器故障诊断

针对故障信息较少时无法准确诊断变压器故障的问题,提出一种改进的人工蜂群算法优化支持向量机的故障诊断方法。首先采用主成分分析(PCA)对输入变量进行特征提取,降低特征向量的维数,避免了变量信息之间的相互重叠。其次,通过基于二维均匀的种群初始化和基于欧氏距离的食物源更新来对传统的人工蜂群算法(ABC)进行改进,并将改进蜂群算法(IABC)与ABC和粒子群算法(PSO)进行性能测试,证明了搜索速率和收敛性都有显著提高。最后用IABC优化支持向量机(SVM)的参数,将PCA提取的新特征值分别输入IABC-SVM、GA-SVM、PSO-SVM模型并对比诊断效果。最终表明所提方法具有诊断准确率高、模型简单、泛化能力强的特点。     

改进支持向量机在电力变压器故障诊断中的应用研究

针对电力变压器故障诊断中状态量判断指标过于绝对、智能算法准确率受参数影响等问题,在分析电力变压器故障的基础上,提出将支持向量机(Support Vector Machine,SVM)和细菌觅食算法(Bacterial Foraging Algorithm,BFA)相结合用于电力变压器的故障诊断方法。通过细菌觅食算法的寻优能力找到最优的支持向量机惩罚因子和核参数,提高了故障诊断能力。通过仿真和实例进行对比分析,验证了该方法的优越性。结果表明,相比于粒子群优化,细菌觅食算法具有更好的寻优能力。基于BFA-SVM的故障诊断模型,相比于改进前,具有更高的准确性、鲁棒性和寻优能力,故障诊断准确率相比于粒子群优化提高了7.50%,具有一定的实用价值。     

基于特征量优选与ICA-SVM的变压器故障诊断模型

为了弥补现有变压器故障诊断方法在油中气体分析(DGA)特征量选取和诊断模型方面的不足,采用IEC三比值法中的3种气体比值作为变压器故障诊断的特征量。同时从含有8种油中溶解气体中任意3种及以上的共254种气体组合中筛选出准确率最高的3组最优DGA特征气体组合,将其作为对照组特征量。然后采用帝国竞争算法(ICA)优化支持向量机的变压器故障诊断模型(ICA-SVM),与标准支持向量机(SVM)法、粒子群优化向量机(PSO-SVM)以及IEC三比值法进行对比。实例结果表明:三气体比值特征量相比3组最优DGA气体组合,故障识别准确率提高了10%左右;ICA-SVM故障诊断模型相比标准SVM法、PSO-SVM和IEC三比值法故障识别准确率提高了7%～35%;综合三比值特征量与ICA-SVM故障诊断模型的准确率为89.3%,相较其他几种方法准确率提升了7%～35%。结果验证了该方法的有效性和准确性。     

基于振荡波多特征融合的变压器绕组故障诊断方法

为了获取更多变压器绕组的状态信息,提高绕组故障诊断的准确性,提出了一种基于振荡波多特征融合的变压器绕组故障诊断方法,该方法联合波形特征和小波包时频图的颜色特征判断故障类型、故障程度和故障位置,结合粒子群优化-支持向量机(PSO-SVM)算法实现变压器绕组状态的智能识别。最后搭建变压器故障模拟试验平台验证方法可行性。结果表明：波形特征、颜色矩、颜色聚合向量特征分别针对故障类型、故障程度及故障位置的空间分布具有分离和聚类特性,且通过PSO-SVM识别的准确率高达95 % 以上,故所提方法能够准确辨识变压器绕组的状态,为现场变压器绕组状态检测提供参考。     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...     

基于PSO-动态修正算法的静态负荷模型辨识

采用具有全局寻优能力的微粒群优化(PSO)算法辨识负荷模型的参数;同时考虑负荷电压的变化,用动态修正法实时修正负荷模型的参数,建模仿真分析结果验证了PSO-动态修正算法的有效性和准确性.相对于线性回归分析的动态修正法,该算法能够提高负荷模型的辨识精度,所建模型更适合描述全电压范围下负荷的静态特性.     

Selection of Most Relevant Input Parameters Using Principle Component Analysis for Extreme Learning Machine Based Power Transformer Fault Diagnosis Model

The dissolved gas-in-oil analysis is a prevailing methodology being extensively utilized to diagnose incipient faults in oil-immersed power transformers. However distinct approaches have been implemented to find out dissolved gas analysis (DGA) results, they may sometimes fail to diagnose precisely. The incipient fault identification accuracy of various artificial intelligence (AI)-based methodology is assorted with change of input parameters. Thus, selection of input variable to an AI model is major research area. In this paper, principle component analysis algorithm using RapidMiner is applied to 360 experimental datasets, imitated in lab to identify most pertinent input variables for incipient fault classification. Thereafter, multi-class Extreme Learning Machine (ELM) technique is implemented to classify the incipient faults of power transformer and its performance is compared with artificial neural network, gene expression programming, fuzzy-logic, and support vector machine. The compared result shows that ELM provides better diagnosis results up to 100% accuracy at proposed input variable in short of time period which is helpful in on-line condition monitoring.     

基于天牛须搜索优化支持向量机的变压器故障诊断研究

为了准确地判断变压器绕组是否出现故障,保证变压器供电的可靠性,提出了一种基于天牛须搜索算法优化支持向量机(BAS-SVM)的变压器绕组故障诊断方法。采用支持向量机(SVM)作为变压器绕组形变程度的分类器,并应用天牛须算法对SVM的核函数和惩罚因子进行优化,通过人工经验训练BAS-SVM,使其具有很高的故障诊断精度。为了比较BAS-SVM算法在变压器绕组故障诊断的优越性,采用改进的粒子群优化算法(MPSO)优化SVM。通过仿真验证,BAS-SVM算法的故障诊断准确率比MPSO-SVM算法的故障诊断准确率高10%。最后通过实例验证了BAS-SVM算法对变压器绕组故障诊断的可行性。     

配电网故障定位容错算法

非健全故障信息下故障区段的快速准确定位对于提高配电网供电可靠性具有重要作用。分析首端电压、电流量和短路回路等值电抗的关系,提出基于径向基函数(RBF)神经网络的短路回路等值电抗估计方法,仿真分析表明短路回路等值电抗估计结果受故障距离、过渡电阻的影响较小。然后,以馈线终端设备(FTU)故障信息和短路回路等值电抗为故障特征,应用改进的BP神经网络构建故障区段定位模型。对大量测试样本的分析表明,改进的BP神经网络建立的故障区段定位模型比极限学习机网络算法的定位精度高、泛化能力好,短路回路等值电抗能够辅助修正FTU故障信息的畸变,提高BP神经网络故障定位的容错性。     

基于多尺度熵分析与改进 SVM 的变压器故障识别

为解决传统变压器故障识别方法提取故障特征难度大、识别准确率低等问题,提出基于多尺度标准差模糊熵( SDMFE) 和哈里斯鹰算法(HHO)优化支持向量机(SVM)的故障识别方法。 首先,采用基于模糊熵的多尺度分析法量化变压器振动信号 复杂的动态特性,提取多时间尺度下的故障特征。 随后,将利用 SDMFE 获得的故障特征输入 SVM 分类器识别变压器不同的故 障。 同时,为了提升 SVM 的识别性能,引入 HHO 算法以自适应、准确地选择 SVM 参数。 最后,利用变压器实测振动信号进行 了对比试验。 与不同的信息熵、不同的优化策略和不同的分类器相比,所提方法取得 98. 56%的最高识别准确度和最好的识别 稳定性。 结果表明所提方法能够有效提取故障敏感特征和准确识别变压器故障状态。