基于DGA的粒子群极限学习机电力变压器故障诊断

发布时间：2017-06-22 13:08

  本文关键词：基于DGA的粒子群极限学习机电力变压器故障诊断，由笔耕文化传播整理发布。

【摘要】：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。
【作者单位】： 西南交通大学电气工程学院;
【关键词】： 极限学习机 神经网络 粒子群算法 变压器
【分类号】：TM41;TP18
【正文快照】： 0引言电力变压器作为电力系统的核心设备,造价昂贵、结构复杂,其运行的可靠性直接关系到电力系统的安全与稳定。变压器一旦出现故障将引发局部乃至大面积的停电,从而造成巨大的经济损失。因此,进行变压器的故障诊断具有重大意义和实用价值。变压器的故障诊断方法多种多样,其中

【相似文献】

中国期刊全文数据库 前10条

1 苏宏升;李群湛;;概念格在变压器故障诊断中的应用研究[J];高电压技术;2006年02期

2 闫学杰;;煤矿变压器故障诊断的研究[J];煤矿现代化;2011年02期

3 王铮一;郑文杰;;基于基因表达式编程的变压器故障诊断[J];陕西电力;2012年04期

4 ;变压器故障诊断[J];电气制造;2012年05期

5 肖华兰;吴骏;;基于多分类相关向量机的变压器故障诊断[J];电子世界;2013年15期

6 ;《大型变压器故障诊断技术的研究》技术成果通过电力部鉴定[J];上海电力学院学报;1995年04期

7 张丰仁,张恩锋;气相色谱分析在变压器故障诊断中的应用[J];中国煤炭;2000年10期

8 马素媛;气相色谱法在电力变压器故障诊断中的实际应用[J];冶金动力;2000年05期

9 钱政,黄兰,严璋,罗承沐;集成模糊数学与范例推理的变压器故障诊断方法[J];电网技术;2001年09期

10 孙辉,李卫东,孙启忠;判决树方法用于变压器故障诊断的研究[J];中国电机工程学报;2001年02期

中国重要会议论文全文数据库 前10条

1 胡泽江;张海涛;;可拓关联函数与属性约简相结合的变压器故障诊断方法[A];2011年云南电力技术论坛论文集（入选部分）[C];2011年

2 周柯;罗安;;信息融合技术在变压器故障诊断中的应用[A];2009年全国输变电设备状态检修技术交流研讨会论文集[C];2009年

3 赵继印;李建坡;黎巧生;;基于气相色谱分析方法的变压器故障诊断系统[A];“振兴吉林老工业基地——科技工作者的历史责任”吉林省第三届科学技术学术年会论文集（上册）[C];2004年

4 李锐;;化学技术监督在变压器故障诊断中的应用[A];2009年云南电力技术论坛论文集（文摘部分）[C];2009年

5 李锐;;化学技术监督在变压器故障诊断中的应用[A];2009年全国输变电设备状态检修技术交流研讨会论文集[C];2009年

6 禹建丽;周瑞芳;;一种基于神经网络和模糊理论的变压器故障诊断[A];2013年中国智能自动化学术会议论文集（第四分册）[C];2013年

7 李锐;;化学技术监督在变压器故障诊断中的应用[A];2009年云南电力技术论坛论文集（优秀论文部分）[C];2009年

8 陈湘萍;;基于神经网络的变压器故障诊断[A];第八届全国信息获取与处理学术会议论文集[C];2010年

9 卞建鹏;廖瑞金;杨丽君;郑含博;;基于均值核聚类与二叉树支持向量机的变压器故障诊断新技术的研究[A];重庆市电机工程学会2010年学术会议论文集[C];2010年

10 于虹;张永刚;;基于模拟退火和支持向量机理论的变压器故障诊断方法[A];2011年云南电力技术论坛论文集（优秀论文部分）[C];2011年

中国重要报纸全文数据库 前1条

1 广西龙州县鸭水电厂 王f ;变压器故障诊断方法的探讨[N];中华合作时报;2004年

中国博士学位论文全文数据库 前10条

1 司马莉萍;基于改进支持向量机的电力变压器故障诊断与预测方法的研究[D];武汉大学;2012年

2 赵文清;基于数据挖掘的变压器故障诊断和预测研究[D];华北电力大学（河北）;2009年

3 邓宏贵;可拓理论与关联分析及其在变压器故障诊断中的应用[D];中南大学;2005年

4 郑元兵;变压器故障诊断与预测集成学习方法及维修决策模型研究[D];重庆大学;2011年

5 尹金良;基于相关向量机的油浸式电力变压器故障诊断方法研究[D];华北电力大学;2013年

6 张利伟;油浸式电力变压器故障诊断方法研究[D];华北电力大学;2014年

7 陈舵;模糊聚类分析及其在电力变压器故障诊断中的应用研究[D];西安理工大学;2008年

8 唐勇波;数据驱动的大型电力变压器故障诊断和预测研究[D];中南大学;2013年

9 郑蕊蕊;智能信息处理理论的电力变压器故障诊断方法[D];吉林大学;2010年

10 苏宏升;软计算方法及其在电力系统故障诊断中的若干应用研究[D];西南交通大学;2007年

中国硕士学位论文全文数据库 前10条

1 刘飞霞;基于蚁群算法的变压器故障诊断研究[D];长沙理工大学;2014年

2 李江浩;基于改进神经网络的变压器故障诊断方法的研究[D];华北电力大学;2015年

3 隋卓;基于振动能量法的电力变压器故障诊断与初步定位研究[D];华北电力大学;2015年

4 李洪超;基于M-LS-SVM的变压器故障诊断研究[D];浙江工商大学;2015年

5 宋桐;多模型组合优化的变压器故障诊断策略研究[D];西安工程大学;2015年

6 裴飞;基于在线序列极限学习机的变压器故障诊断研究[D];华北电力大学;2015年

7 朱紫娟;综合故障诊断方法在电力变压器故障诊断中的应用研究[D];西安工程大学;2016年

8 洪浪;基于油气量和超高频局放信号的变压器故障诊断研究[D];湖北工业大学;2016年

9 王莹;变压器故障诊断中油溶气体基本信任分配函数研究[D];长春工业大学;2016年

10 陆静;蚁群算法在变压器故障诊断中的应用研究[D];南京航空航天大学;2008年

  本文关键词：基于DGA的粒子群极限学习机电力变压器故障诊断，，由笔耕文化传播整理发布。

本文编号：471896