基于NSGA2优化正则极限学习机的变压器油色谱故障诊断

发布时间：2022-01-07 10:30

　　针对极限学习机缺乏稳定性对变压器故障诊断造成不良影响的问题,文中引入具有更好泛化能力的正则极限学习机,提出一种基于NSGA2优化正则极限学习机的变压器故障诊断方法。该方法以油中溶解气体含量比值作为特征输入,用NSGA2优化正则极限学习机随机生成的输入层权值与隐层偏置,避免了输出层权值矩阵过大,从而提高模型稳定性和诊断精度。仿真实验结果表明,相比于传统正则极限学习机,文中方法有更高的故障诊断正确率,是一种有效的变压器故障诊断方法。 

【文章来源】：高压电器. 2020,56(09)北大核心CSCD

【文章页数】：6 页

【部分图文】：

NSGA2程序流程图

Pareto前沿分布

【参考文献】：
期刊论文
[1]基于ACS-SA文化基因算法的BP神经网络变压器故障诊断[J]. 李笑竹,陈志军,樊小朝,徐其丹,鹿剑,何腾.  高压电器. 2018(02)
[2]基于帝国殖民竞争算法优化支持向量机的电力变压器故障诊断模型[J]. 张镱议,焦健,汪可,郑含博,房加珂,周浩.  电力自动化设备. 2018(01)
[3]基于鲁棒能量模型LS-TSVM和DGA的变压器故障诊断[J]. 陈欢,彭辉,舒乃秋,李自品,龙嘉文.  电力系统保护与控制. 2017(21)
[4]基于DGA的粗糙集与人工鱼群极限学习机的变压器故障诊断[J]. 雷帆,高波,袁海满,吴广宁,段宗超.  高压电器. 2017(10)
[5]基于代价敏感组合核相关向量机的电力变压器故障诊断[J]. 高国强,杨飞豹,尹豪杰,宋臻杰,高波.  电测与仪表. 2017(16)
[6]电力变压器故障的客观熵权识别及诊断方法[J]. 黄大荣,陈长沙,孙国玺,赵玲.  电力系统自动化. 2017(12)
[7]基于NSGA2的网络环境下多标签种子节点选择[J]. 李磊,楚喻棋,汪萌,韩莉,吴信东.  电子与信息学报. 2017(09)
[8]基于DGA的粒子群极限学习机电力变压器故障诊断[J]. 袁海满,吴广宁,高波.  高压电器. 2016(11)
[9]一种卷积神经网络和极限学习机相结合的人脸识别方法[J]. 余丹,吴小俊.  数据采集与处理. 2016(05)
[10]基于混沌优化粒子群BP神经网络的电力变压器故障诊断[J]. 公茂法,柳岩妮,王来河,宋保业,钟文强.  电测与仪表. 2016(15)



本文编号：3574376