基于粒子群优化神经网络的变压器故障诊断

为克服电气分析应用中误差反向传播(BP)神经网络存在的不足,提出了一种利用改进粒子群算法优化神经网络的变压器故障诊断新方法。该法的惯性权重自适应调整,以平衡局部和全局搜索能力;收缩因子加快算法的收敛速度,有利于更快地收敛于全局最优解。利用改进的粒子群算法优化神经网络参数,并结合BP算法训练网络可有效地克服常规BP算法训练网络权值和阈值收敛速度慢、易陷入局部极小和遗传算法独立训练神经网络速度缓慢等缺点。最后,进行变压器故障实例分析的仿真结果表明,该算法具有较快的收敛速度和较高的诊断准确度,证实了该方法的正确性和有效性。     

基于模拟退火改进粒子群混合算法的变压器故障诊断

针对传统的变压器故障诊断方法在实际应用中存在的一些不完善性和局限性,笔者将基于模拟退火思想的改进粒子群优化(SAPSO)算法和误差反向传播(BP)算法相结合构成的SAPSO-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和PSO算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断。实验诊断结果表明,SAPSO-BP混合算法的收敛速度快于BP及PSO-BP算法,并且具有较高的诊断准确率。     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

基于CMPSO—BP算法的变压器故障诊断

将基于遗传算法交叉变异思想的改进粒子群优化(CMPSO)算法和误差反向传播(BP)算法相结合构成的CMPSO-BP混合算法用于训练神经网络,该混合算法有效克服常规BP和PSO-BP算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断实验。诊断结果表明,CMPSO-BP混合算法较BP及PSO-BP算法具有较高的诊断准确率。     

基于改进粒子群优化神经网络的电机故障诊断

为了更加准确快速地诊断出三相异步电动机运行过程中发生的各类故障,在采用小波包分析提取异步电机故障特征向量的基础上,提出了一种混沌动态权重粒子群算法(CDW-PSO)优化BP神经网络的故障诊断方法,构建电机的神经网络故障诊断模型,采用混沌动态权重粒子群算法优化神经网络的结构参数。实验分析表明,采用该方法用于电机故障诊断,诊断速度快、准确性高、可靠性好。     

改进粒子群优化神经网络的变压器故障诊断

在分析传统误差反向传播(BP)算法和标准粒子群优化(PSO)算法的特征及其问题基础上,提出一种改进粒子群优化(IPSO)算法和改进BP(IBP)算法,建立基于IPSO-IBP混合算法的电力变压器神经网络故障诊断模型。通过85组训练样本和16组测试样本的仿真对比分析,该方法能够实现电力变压器不同故障的有效诊断,提高了电力变压器故障模式的识别能力及故障诊断准确率。     

基于改进粒子群优化神经网络的电力变压器故障诊断

为了提高电力变压器故障诊断的准确性,采用了一种自适应变异粒子群优化神经网络的方法,用于BP网络的权值优化。并根据变压器的故障特征,用优化好的BP网络进行故障诊断。该算法修正了粒子个体行动,克服了标准粒子群和BP网络易陷入局部极小的问题。实例仿真结果表明,该方法具有较好的分类效果,具有一定的实用性。     

基于DGA的QPSO-BP模型变压器故障诊断方法研究

为了提高变压器故障诊断的准确率,提出一种基于量子粒子群优化BP神经网络(quantum particle swarm optimized BP neural network,QPSO-BP)的故障诊断模型。在该算法中,用量子位的概率幅表示种群中各粒子的当前位置,用量子旋转门实现粒子位置的移动,用量子非门进行变异操作,以获取BP神经网络的权、阈值优化参数,最终实现了变压器故障诊断模型的构建。对故障DGA样本的诊断实例表明,与粒子群优化BP网络(particle swarm optimized BP neural network,PSO-BP)法、BPNN法以及IEC三比值法相比,QPSO-BP算法具有更高的诊断正确率,从而实现了变压器故障模式的有效识别。     

基于改进粒子群算法的模糊神经网络变压器油色谱监测故障诊断策略

针对标准误差反向传播(back propagation,BP)神经网络算法易陷入局部最优、收敛速度缓慢等问题,提出一种基于改进粒子群算法的模糊神经的变压器油色谱故障诊断方法。该方法首先通过模糊编码边界对网络输入模糊化;再结合非线性策略的惯性权重及学习因子改进的粒子群BP网络算法来诊断变压器故障类型,既能平衡全局搜索和局部搜索能力,还可以避免BP神经网络陷入局部最优;最后,采用MATLAB软件对变压器油色谱数据进行仿真,结果表明该方法具有收敛速度快、诊断准确率高、泛化能力强等优点。     

改进粒子群优化神经网络在变压器故障诊断中的应用

变压器绕组早期故障的诊断是实现安全生产、避免大事故的技术前提。由于变压器器身振动信号包含有丰富的信息,所以可以通过监测变压器振动信号来预估绕组的状况。笔者首先利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,并将其作为BP神经网络的输入向量,同时利用改进粒子群算法(IPSO)对BP神经网络进行优化。最后利用训练好的BP神经网络对变压器进行故障诊断。试验结果表明:与传统BP神经网络法和PSO-BP神经网络方法相比,该方法克服了BP神经网络的一些缺陷,具有较快的收敛速度和较高的诊断精度,对变压器绕组的早期故障具有良好的预测能力。