下载文档原格式
基于粒子群优化神经网络的变压器故障诊断方法
鲍薇;燕跃豪;王爽;李景丽;赵源;姚依晨
【期刊名称】《自动化应用》
【年(卷),期】2024(65)10
【摘要】针对传统变压器故障诊断方法存在处理效率低、诊断结果主观性强的问题,提出一种改进的粒子群(PSO)-BP神经网络变压器故障诊断方法,对智能变压器故障诊断方法展开研究。
首先,采用无编码比值法,选用变压器油中各类溶解气体的比值来更准确地区分故障类型;其次,根据所选的测试集气体比值信息,利用灰色关联度法选出与测试集信息特征相似度高的信息作为训练集,剔除冗余信息,优化样本数据;最后,构建PSO-BP变压器故障诊断模型,利用改进的PSO算法优化BP神经网络中的权值和阈值,使诊断模型拥有更快的诊断速度和更高的准确率。
使用采集的变压器油中溶解气体信息训练诊断网络,与传统BP神经网络法进行对比。
结果表明,所提方法对变压器故障诊断的准确率明显提高。
【总页数】4页(P95-98)
【作者】鲍薇;燕跃豪;王爽;李景丽;赵源;姚依晨
【作者单位】国网郑州供电公司;郑州大学电气与信息工程学院
【正文语种】中文
【中图分类】TM407;TP18
【相关文献】
1.基于混沌优化粒子群 BP神经网络的电力变压器故障诊断
2.基于粒子群优化神经网络的变压器故障诊断
3.基于邻域粒子群优化神经网络的变压器故障诊断
4.基于改进粒子群优化神经网络的电力变压器故障诊断
5.基于萤火虫——粒子群优化BP 神经网络的变压器故障诊断研究
因版权原因，仅展示原文概要，查看原文内容请购买。
人工智能在电力系统中的在线监测与故障诊断方法引言在电力系统中，随着电力负荷的不断增加和电网的复杂性不断提高，电力设备的在线监测与故障诊断成为保证电网稳定运行和提高电力供应可靠性的重要手段。
人工智能作为一种前沿的技术，正逐渐应用于电力系统中的在线监测与故障诊断中。
本文将介绍人工智能在电力系统中的在线监测与故障诊断方法，包括基于机器学习的电力设备故障预测、基于深度学习的设备故障诊断以及基于智能优化的电力设备状态监测方法。
一、基于机器学习的电力设备故障预测机器学习是一种通过训练模型来预测未知数据的方法。
在电力系统中，可以通过机器学习方法对电力设备的故障进行预测，以便采取相应的措施来避免故障的发生。
常用的机器学习方法包括支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest）和深度学习等。
这些方法可以通过对历史数据的分析，提取出设备的特征，并根据这些特征来预测设备的故障概率。
二、基于深度学习的设备故障诊断深度学习是指基于神经网络的学习方法，可以通过多层次的网络结构来提取更高级别的特征。
在电力系统中，可以利用深度学习方法来进行设备故障的诊断。
与传统的人工判断相比，深度学习可以更准确地识别设备的故障类型，并且可以自动提取设备的故障特征。
常用的深度学习模型包括卷积神经网络（Convolutional Neural Network, CNN）和循环神经网络（Recurrent Neural Network, RNN）。
这些模型可以通过对设备故障数据进行训练，来实现设备故障的自动诊断。
三、基于智能优化的电力设备状态监测方法智能优化是指利用智能算法来求解优化问题的方法。
在电力系统中，可以利用智能优化方法来监测设备的状态，以及提前发现潜在的故障。
常用的智能优化方法包括遗传算法（Genetic Algorithm, GA）、粒子群算法（Particle Swarm Optimization, PSO）和蚁群算法等。
电力系统故障诊断的量子粒子群优化算法随着电力系统的不断发展，电力系统的故障诊断也变得越来越重要。
近年来，量子粒子群优化算法（PSO）作为一种新型的优化算法，由于其算法的简单性、良好的全局搜索能力以及良好的收敛性能，已经被广泛应用于电力系统故障诊断领域。
量子粒子群优化算法（PSO）是由Kenneth Kennedy和 Russell Eberhart在1995年开发的一种独特的优化算法，它是一种以粒子模型为基础、利用群体搜索思想和粒子群算法来求解复杂优化问题的迭代优化算法。
它可以有效地解决电力系统故障诊断的参数优化问题，并能够有效地提高故障诊断精度，有效提高可靠性和稳定性。
首先，量子粒子群优化算法（PSO）可以从众多参数中获得最优解。
PSO在寻找最优解方面具有很强的优势，可以有效减少搜索空间大小，从而减少搜索次数，提高搜索效率。
其次，PSO算法可以有效解决电力系统故障诊断的参数优化问题。
PSO算法在解决故障诊断参数优化问题的过程中，可以利用期望函数的值，通过比较期望函数值的大小，来更新搜索空间中的各种参数，最终将搜索空间中的参数确定下来。
此外，PSO算法还可以与其他故障诊断算法相结合，来提高故障诊断的精度。
例如，可以将PSO与正交实验（OAT）结合起来，将OAT 用于参数确定，将PSO用于参数优化，从而提高故障诊断的精度。
最后，PSO算法具有良好的收敛性能，使其在电力系统故障诊断方面具有很大的优势。
另外，PSO算法在解决复杂优化问题时，其算法的简单性和良好的全局搜索能力也是其重要优势。
因此，量子粒子群优化算法（PSO）是电力系统故障诊断的有效工具，可以有效改善故障诊断的精度。
PSO算法在解决参数优化问题时，具有良好的收敛性能、减少搜索空间大小的优势，以及简单的算法和良好的全局搜索能力。
此外，PSO算法还可以与其他故障诊断算法相结合，来提高故障诊断精度，从而获得更好的可靠性和稳定性。
总之，量子粒子群优化算法（PSO）是一种新型的优化算法，它对电力系统故障诊断技术有重要的意义。
Telecom Power Technology设计应用 2022年3月10日第39卷第5期· 37 ·Telecom Power TechnologyMar. 10 2022, Vol.39 No.3陈东亮，等：基于粒子群算法的电力变压器绕组故障诊断方法入公式（1）中，输出结果导入网络结构实现粒子群网络的构建。
1.2 粒子群调整在整个粒子群网络中，粒子系数的不同推移导致不同粒子在绕组处理过程中运动产生的适应速度减弱。
具体的粒子群在进行初级处理的过程中，就需要进行绕组故障适配度的更新处理。
通过调整粒子群，实现整个操作的优化升级。
粒子群的具体操作流程步骤如图2所示。
开始初始化粒子群更正粒子位置调整粒子速度和方向是否满足条件结束是否图2 粒子群操作步骤粒子群初始化一般采用随机分配的模式进行数据处理，这样可以确保所有粒子在速度和位移方位的统一稳定。
初始化粒子群后需要重新拟定相关的序列参数。
通过计算分析得出粒子群具体的位置信息再进行下一步的更正准备[3]。
粒子群调整后还需要结合电子电力变压器进行输入隐藏层与训练时间的处理。
通过不断调整粒子群的速度和方向选出适配度最高的粒子，便可以继续所有的操作步骤至结束。
若没有找到适配度最高的粒子，需要返回最初步骤再进行模拟操作。
在网络初步构建和粒子群的调整下，通过适配的粒子系数完成对粒子群的最佳分类，这样可以充分发挥粒子群算法的优势。
通常情况下，粒子群主要受输入权值和输入阈值的双重影响。
1.3 变压器环境噪声分离在进行电力变压器的故障诊断时，必须对电力信号进行数据采集。
采集过程中的观测信号即为电压信号，由于电压信号可能会受到噪声的干扰，因此可以建立一个分离模型保证电源信号的单个独立[4]。
由于采集的电压信号在混合方式上存在多形态的变化情况，因此对于观测信号无法通过肉眼进行数据处理。
只能通过仪器优先获得信号源，再对电压信号进行环境噪声分离。
盲源信号主要是利用变压器在干扰的环境中进行噪声的分离和追踪，在信号源收集前进行瞬时混合。
基于粒子群优化LS-WSVM的电机断条故障诊断许允之;仝年;韩丽;胡堃【摘要】为了准确检测出鼠笼式异步电机的转子断条故障,提出一种基于粒子群优化最小二乘小波支持向量机的诊断方法.首先,利用小波包或经验模态分解法提取出电机定子电流信号的特征向量,将特征向量分为训练集和测试集.再将训练集输入粒子群优化的最小二乘小波支持向量机进行训练,用训练好的最小二乘小渡支持向量机对测试集进行分类.实验结果显示,此方法的故障诊断正确率明显高于最小二乘支持向量机的故障诊断方法.本文将小波分析和支持向量机结合使两者的优势互补,具有强大的泛化能力,为异步电机的转子断条故障诊断提出了一种新的方法.【期刊名称】《华北电力大学学报(自然科学版)》【年(卷),期】2016(043)001【总页数】6页(P52-57)【关键词】故障诊断;粒子群优化;最小二乘支持向量机;感应电机;转子断条【作者】许允之;仝年;韩丽;胡堃【作者单位】中国矿业大学信息与电气工程学院,江苏徐州221116;中国矿业大学信息与电气工程学院,江苏徐州221116;华北电力大学电气与电子工程学院,河北保定071003;中国矿业大学信息与电气工程学院,江苏徐州221116;中国矿业大学信息与电气工程学院,江苏徐州221116【正文语种】中文【中图分类】TM307.1转子断条是鼠笼式感应电机最主要的故障类别之一，大约占其总故障的10%[1-3]。
电机断条故障较难发现，特别是1根断条的时候。
若任由其发展，将会造成严重的后果。
检测电机断条故障的方法有很多。
如分析定子电流信号来检测故障；利用振动信号中的故障特征频率来检测故障；根据电机转速的波动来检测故障；分析磁场的振动规律来检测故障；分析电机断电后定子残余电压来检测故障等。
由于电机定子电流信号的采集电路简单，故障特征较明显，所以运用各种方法对定子电流进行分析来检测转子断条故障是当前研究的主要方向。
当电机发生转子断条故障时，定子电流中将产生频率为fb=(1±2ks)f1(s为转差率，f1为电网频率)的故障特征分量[2-4]。
电力系统故障诊断的量子粒子群优化算法李晓;黄纯【摘要】电力系统故障诊断是利用保护和断路器的动作信息来推断可能的故障位置.其中故障元件的识别是故障诊断实现的关键.文中应用量子粒子群优化算法研究故障元件的识别方法,先根据保护动作原理将故障诊断问题表示为0-1整数规划问题,然后用量子粒子群优化算法求解.与标准PSO算法和传统遗传算法比较,文中采用的量子粒子群优化算法具有稳定性高、收敛特性好、运行速度快的优点.仿真研究验证了文中方法的可行性和有效性.%Power fault section estimation deduces fault position based on the actions information of circuit breakers and protective relays, and recognition of the fault elements is the most important part. The discriminating method of fault elements applying quantum-behaved particle swarm optimization (QPSO) is investigated in this paper. Firstly, the fault section estimation is demonstrated by a 0-1 integer programming model according to the acting theory of protective relays, and then the problem is solved by QPSO. It is shown that the proposed approach converges to better solutions, much faster and steadierthan the earlier reported approaches.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2011(023)004【总页数】6页(P61-66)【关键词】电力系统;量子粒子群优化算法;故障诊断;0-1整数规划【作者】李晓;黄纯【作者单位】湖南大学电气与信息工程学院,长沙410082;株洲职业技术学院,株洲412000;湖南大学电气与信息工程学院,长沙410082【正文语种】中文【中图分类】TM7随着电网的不断发展和电力走向市场，人们对电网全运行和供电可靠性的要求越来越高;而电力系统故障诊断系统为供电的可靠性和连续性提供了有力的保障。
