针对电力系统运行中对于电力变压器进行高效、准确的故障诊断需要，文中提出了一种基于卷积神经网络的电力变压器故障诊断方法。利用电力变压器油中溶解气体分析法得到特征气体并重新对其进行二进制编码，对编码后的数据进行预处理从而得到特征向量。以特征向量为基础，构建相应的卷积神经网络模型，实现对电力变压的故障诊断。实验结果表明，相较于其他传统机器学习算法，文中所提出的卷积神经网络模型在电力变压器故障诊断时的诊断准确性与诊断效率均有显著优势，能够有效保障电力系统运行的可靠性。
2021-11-25 11:00:02
1.51MB
1
基于深度自编码网络（DAEN），构建了分类深度自编码网络（CDAEN）模型。结合电力变压器在线监测油中溶解气体分析（DGA）数据，提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练，优化模型参数，并利用少量有标签样本进行微调。实例分析表明，与基于反向传播神经网络（BPNN）、支持向量机（SVM）的故障诊断方法相比，所提方法的诊断正确率更高。
2021-09-05 18:00:40
831KB
1
概率神经网络的分类预测-基于PNN变压器故障诊断(matlab实现)，包含源代码和测试数据
2021-08-24 14:23:08
3KB
提出利用GA-BP神经网络的系统对变压器的故障诊断进行优化。利用GA遗传算法优化BP的初始权值,得到GA-BP神经网络。同时使用L-M算法训练GA-BP,使其可精确识别故障变压器内部的气体含量变化,并针对变压器故障诊断过程进行高效处理。GA-BP神经网络具备模糊算法,具有计算快速和判断准确等优点,可在很多的领域内保障电气安全,因而其具有良好的发展前景。
2021-08-08 20:30:26
1.13MB
1
鉴于将深度学习应用于变压器故障诊断具有良好的故障诊断效果,提出了一种基于栈式稀疏自编码器的矿用变压器故障诊断方法。通过在自编码器隐含层引入稀疏项限制构成稀疏自编码器,再将多个稀疏自编码器进行堆叠形成栈式稀疏自编码器,并以Softmax分类器作为输出层,建立矿用变压器故障诊断模型;利用大量无标签样本对模型进行无监督预训练,并通过有监督微调优化模型参数。算例分析结果表明,与栈式自编码器相比,栈式稀疏自编码器应用于矿用变压器故障诊断具有更高的准确率。
2021-06-29 15:07:54
425KB
1