自适应遗传算法在变压器局部放电高频模式识别的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法,对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别.实验结果表明,AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题,具有较高的识别率和较强的推广能力,可以很好地应用于变压器局部放电的超高频模式识别中.     

自适应遗传算法在变压器超高频局放模式识别中的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法,对实验室中变压器超高频局部放电自动识别系统检测到的5种放电类型进行了模式识别。实验结果表明,AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题,具有较高的识别率和较强的推广能力,可以很好的应用于变压器超高频局部放电的模式识别中。     

自适应遗传算法在变压器局部放电超高频模式识别中的应用

采用自适应遗传算法(AGA)作为神经网络的学习算法，对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别。实验结果表明，AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题，具有较高的识别率和较强的推广能力，可以很好地应用于变压器局部放电的超高频模式识别中。     

基于遗传算法的神经网络在发电机定子超高频局部放电模式识别中的应用

介绍了发电机定子局部放电高频在线监测系统的结构特点及对局部放电特征的提取,应用BP算法、自适应遗传算法AGA和AGA—BP神经网络对发电机定子超高频局部放电的三种放电类型进行了模式识别。结合AGA和BP算法各自的优点,构造了AGA—BP混合算法作为神经网络的学习算法。实验结果表明,AGA—BP神经网络解决了BP神经网络对初始权值敏感和容易局部收敛的问题,提高了AGA神经网络的收敛速度、稳定性和求解质量。     

AGA-BP神经网络用于变压器超高频局部放电模式识别

结合自适应遗传算法(AGA)和BP算法各自的优点，本文构造了AGA—BP混合算法作为神经网络的学习算法。分别采用BP、AGA和AGA—BP神经网络对实验室中变压器超高频局部放电自动识别系统检测列的五种放电类型进行了模式识别。实验结果表明，AGA—BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题，又提高了AGA神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力。     

基于遗传算法的神经网络在发电机定子超高频局部放电模式识别中的应用

应用BP(误差反向传播算法)、AGA(自适应遗传算法)和AGA-BP神经网络对发电机定子超高频局部放电的三种类型进行了模式识别。结合AGA和BP算法各自的优点,构造了AGA-BP混合算法作为神经网络的学习算法。实验结果表明,AGA-BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又提高了AGA神经网络的收敛速度、稳定性和求解质量。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

基于PNN的GIS局部放电模式识别方法

气体绝缘开关设备(GIS)因绝缘缺陷引起的局部放电特性具有复杂性和分散性,其特征量的选取易产生数据的丢失和冗余,导致故障类型的识别效果不佳.据此,提出了采用线性判别分析(LDA)方法和遗传算法优化概率神经网络结合的局部放电模式识别方法.通过GIS局部放电实验平台模拟了5类典型的GIS局部放电模型,并建立相应的超高频图谱,提取了相关的特征参量;经过线性判别分析降维得到低维的样本空间,并送入到遗传算法优化后的概率神经网络中进行模式识别;分别采用BP神经网络、SVM、概率神经网络、优化概率神经网络4种分类器进行模式识别,实验结果表明,样本空间经过LDA降维,并经过遗传算法优化概率神经网络进行模式识别,具有较优的识别效果和识别时长.     

基于遗传算法优化BP神经网络的GIS设备放电故障诊断

为有效GIS设备放电故障诊断的快速性和准确性,采用近几年出现的遗传算法对BP神经网络进行优化,减少了BP神经网络算法陷入局部最优解的风险,显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现,遗传算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,遗传算法优化BP神经网络对GIS设备放电故障诊断具有可行性和有效性。     

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。     

GIS中局部放电特高频信号采集系统

研制了一套GIS中局部放电的特高频检测系统。用特高频天线和频谱分析仪采集局放信号,通过GPIB卡传送给计算机进行分析处理,并在GIS中构造了一种常见的故障类型,对该系统进行了验证。实验结果表明,该系统能够采集到GIS中局部放电产生的特高频信号。     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

基于超高频法的典型GIS局部放电检测

GIS局部放电检测是GIS绝缘状态监测的一种科学有效的方法。笔者构建了GIS实验模型以及基于超高频法的局部放电在线检测系统,对GIS中典型的几种局部放电特征进行了研究,采用基于相位的分析模式详细分析了不同放电类型在不同电压条件下的放电特征,并结合常规局部放电测试仪,对UHF信号的放电量进行估计,为进一步进行放电类型的智能模式识别及研究超高频信号与放电量关系提供了试验依据,以提高UHF局部放电检测的工程实用性。     

基于超高频的局部放电窄带在线监测系统

笔者研制了两种超高频传感器,引进了基于混频技术的信号调理技术,构造了基于AGA-BP神经网络算法的模式识别单元,设计了系统控制显示软件,最终形成完整的测量系统,最后通过变压器和GIS典型缺陷局部放电试验验证了系统性能。     

超高频在线监测技术在GIS局部放电检测中的应用

鉴于超高频(UHF)法用于局部放电检测日渐增多,结合UHF用于广东电网变电站GIS局部放电检测案例,分析了UHF在线监测技术的优越性,并对PDM UHF局部放电在线监测系统的应用效果进行了试验研究。试验和实践表明,UHF在线监测技术能够提高变电站GIS局部放电的监测效果,具有很好的应用前景。提高监测灵敏度的关键在于选择合适的传感器安装位置。此外,对于全封闭的GIS设备UHF法宜结合超声波定位技术一起使用。     

Long-term Sector-wise Electrical Energy Forecasting Using Artificial Neural Network and Biogeography-based Optimization

This article presents a hybrid model involving artificial neural networks and biogeography-based optimization for long-term forecasting of India's sector-wise electrical energy demand. It involves socio-economic indicators, such as population and per capita gross domestic product, and uses two artificial neural networks, which are trained through a biogeography-based optimization algorithm with a goal of perfect mapping of the input–output data in the non-linear space through obtaining the global best weight parameters. The biogeography-based optimization based training of the artificial neural network improves the forecasting accuracy and avoids trapping in local optima besides enhancing the convergence to the lowest mean squared error at the minimum number of iterations than existing approaches. The model requires an input and the year of the forecast and predicts the sector-wise energy demand. Forecasts up to the year 2025 are compared with those of the regression model, the artificial neural network model trained by back-propagation, and the artificial neural network model trained by harmony search algorithm to exhibit its effectiveness.