CN103150594A - 基于加动量项bp神经网络的变压器故障诊断方法 - Google Patents
基于加动量项bp神经网络的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN103150594A CN103150594A CN2013100868113A CN201310086811A CN103150594A CN 103150594 A CN103150594 A CN 103150594A CN 2013100868113 A CN2013100868113 A CN 2013100868113A CN 201310086811 A CN201310086811 A CN 201310086811A CN 103150594 A CN103150594 A CN 103150594A
- Authority
- CN
- China
- Prior art keywords
- network
- neural network
- training
- transformer
- diagnosis method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种基于加动量项BP神经网络的变压器故障诊断方法。基于加动量项BP神经网络本发明构建了一种完全意义上的智能方法,用于基于油中溶解气体数据的变压器故障诊断方法,提高故障诊断的速度和准确率。本发明具体步骤如下:1)输入层和输出层神经元的确定;2)确定激活函数、神经网络的隐含层层数和隐含层神经元数,从而建立神经网络;3)利用加动量项的BP算法调整网络参数,训练已创建的神经网络;4)利用MATLAB软件对已经通过测试的神经网络进行仿真,进而对变压器故障进行测试诊断。
Description
技术领域
本发明涉及一种变压器故障诊断方法,具体涉及一种基于加动量项BP神经网络的变压器故障诊断方法。属于变压器设备状态在线监测技术领域。
背景技术
随着电力系统的不断发展,对电力设备的安全性、可靠性也提出了更高的要求,供电部门在不断提高供电质量的同时,应切实采取措施来保证电力设备的正常运行,以提高安全用电的可靠性。变压器在输变电系统中的作用极其重要,其长期、安全、可靠、高效运行的重要性不言而喻。对于大型电力变压器,目前几乎大多是用油来绝缘和散热,变压器油与油中的固体有机绝缘材料在运行电压下因电、热、氧化和局部电弧等多种因素作用会逐渐变质,裂解成低分子气体;变压器内部存在的潜伏性过热或放电故障又会加快产气的速率。随着故障的缓慢发展,裂解出来的气体形成气泡在油中经过对流、扩散作用,就会不断地溶解在油中。同一类性质的故障,其产生的气体量随故障的严重程度而异,而与绝缘油的种类和牌号无关。由此可见,油中溶解气体的组分和含量在一定程度上反映出变压器绝缘老化或故障的程度。可以作为反映电气设备电气异常的特征量。因此,通过对电力变压器运行过程中的故障诊断,及时有效的判断其状态,将使变压器长期、安全可靠的运行成为可能。无论是从重要性还是具有的经济效益来衡量,都将对电力系统的安全运行产生重要的意义。
发明内容
本发明的目的是为克服上述现有技术的不足,提供一种基于加动量项BP神经网络的变压器故障诊断方法。基于加动量项BP神经网络,本发明构建了一种完全意义上的智能方法,用于基于油中溶解气体数据的变压器故障诊断方法,提高故障诊断的速度和准确率。
为实现上述目的,本发明采用下述技术方案:
基于加动量项BP神经网络的变压器故障诊断方法,具体步骤如下:
1)输入层和输出层神经元的确定:
将变压器故障气体作为特征气体,以其组分含量作为神经网络的输入层神经元;
将无故障、中低温过热、高温过热、低能量放电、高能量放电作为五个输出层神经元,分别对应O1、O2、O3、O4、O5,输出值最大为1,表示属于此类故障,数值越大则表明该类型故障的可能性越大;输出值最小为0,表示不属于此类故障;
2)确定激活函数、神经网络的隐含层层数和隐含层神经元数,从而建立神经网络;
3)利用加动量项的BP算法调整网络参数,训练已创建的神经网络;
4)利用MATLAB软件对已通过测试的神经网络进行仿真,进而对变压器故障进行测试诊断。
所述步骤1)中,变压器故障气体是指H2、CH4、C2H4、C2H6和C2H2这五种气体。
所述步骤1)还包括确定训练样本数,并将变压器故障气体的组分含量归一化至0和+1之间。
所述步骤2)中激活函数为对数S形函数,其表达式为:
所述步骤2)中神经网络的隐含层层数为一层,隐含层神经元数为18:对于任何在闭区间内的一个连续函数都可以用单隐层的网络逼近,因而一个三层网络就可以完成任意映射;隐含层神经元的节点数S利用如下公式确定:
式中,n为输入层神经元数,m为输出层神经元数,σ为1~10之间的常数。
所述步骤3)调整网络参数的具体过程是:
所述网络参数由层间神经元的连接权值和神经元的偏置组成,网络的学习过程由信号的正向传播和误差的反向传播构成,学习的最终目的是通过修改网络的可变参数使网络针对训练样本能满足精度要求;在信号的正向传播过程中,如果输出层的信号未能达到网络误差的平方和的均值,则输出信号的误差将沿网络的连通路径反向传播至输入层,过程中修改网络各层间的连接权值和神经元的偏置;BP算法每次迭代网络参数的调整量如下:
加动量项的BP算法将网络权值和偏置的上一次调整量乘以一个系数作为网络参数本次调整量的一部分,这个增加的部分即为动量项,此时网络参数的调整量变为:
式中:Δwij为网络参数调整量,β为动量项因子;w为网络参数,0<β<1,可取0.9;k为网络训练迭代次数;
当本次的与上一次同符号时,其加权求和值增大,使Δwij(k)较大,从而在稳定调节的同时增加调节速度;当本次的与上一次符号相反时,说明有一定的振荡,此时加权和结果使Δwij(k)较小,起到稳定作用。动量项的引入平滑了网络的训练路径,神经网络训练的计算量增加很少,更为重要的是提高了网络的收敛速度。
所述步骤3)中训练已创建的网络的具体方法是:
网络采用结构为5-18-5的三层前馈神经网络对故障变压器油色谱样本进行训练,样本数目为50个,允许最多训练代数为40000,误差目标为4;分别采用加动量项BP算法、结合加动量项和变学习速率的BP算法训练;常规BP算法训练了40000次仍不能收敛于误差目标,最终训练误差在8附近;加动量项BP算法训练了1万多次网络收敛。
训练样本时使用MATLAB。它的一个重要优点就是有快速的矩阵运算能力,同时MATLAB有较强的可移植性,可以与C语言混合变成MATLAB又提供了很多函数,大大减少了用户的工作量。
本发明作为改进后的BP算法,加快了网络的收敛速度。将多个神经网络输出的平均作为网络诊断结果减少了网络诊断的误差,提高了诊断的准确率;根据多个神经网络输出的方差给出了神经网络诊断结果的可信度,这样可以有效减少神经网络方法发生误诊断的可能性。在BP神经网络的基础上,构建一种方法用于基于油中溶解气体数据的变压器故障诊断方法,提高故障诊断的速度和准确率。
本发明的有益效果是:
(1)收敛速度快;
(2)利用神经网络的非线性映射和预测,准确地应用于变压器的故障诊断;
(3)方法规则简明,实用性高;
(4)为变压器设备的检修也带来了很大的方便。
本发明所采用的技术方案是在BP神经网络的基础上,对照其算法的特性,改进BP算法,使用加动量项BP算法,由于变压器故障诊断实质上就是在输入数据样本和一个或多个故障状态之间建立联系的过程,故将改进后的BP网络用于变压器故障诊断模型的建立,找到变压器油中溶解气体组分含量与变压器故障之间的映射关系。通过该模型能快速获得其故障情况。其中的样本数据可能与实际数据有误差,这对于模型来说是不可取的,而BP网络具有容错性、鲁棒性等特点,这样个别数据的误差不会影响网络的整体性能。
附图说明
图1是本发明的结构流程图;
图2油中气体诊断流程图;
图3BP神经网络结构图。
具体实施方式
下面结合附图和实施例对本发明进行进一步的阐述,应该说明的是,下述说明仅是为了解释本发明,并不对其内容进行限定。
基于加动量项BP神经网络的变压器故障诊断方法,具体步骤如下:
1)输入层和输出层神经元的确定:
将变压器故障气体作为特征气体,以其组分含量作为神经网络的输入层神经元;
将无故障、中低温过热、高温过热、低能量放电、高能量放电作为五个输出层神经元,分别对应O1、O2、O3、O4、O5,输出值最大为1,表示属于此类故障,数值越大则表明该类型故障的可能性越大;输出值最小为0,表示不属于此类故障;
2)确定激活函数、神经网络的隐含层层数和隐含层神经元数,从而建立神经网络;
3)利用加动量项的BP算法调整网络参数,训练已创建的神经网络;
4)利用MATLAB软件对已通过测试的神经网络进行仿真,进而对变压器故障进行测试诊断。
所述步骤1)中,变压器故障气体是指H2、CH4、C2H4、C2H6和C2H2这五种气体。
所述步骤1)还包括确定训练样本数,并将H2、CH4、C2H4、C2H6和C2H2这五种气体的组分含量归一化至0和+1之间。
所述步骤2)中激活函数为对数S形函数,其表达式为:
所述步骤2)中神经网络的隐含层层数为一层,隐含层神经元数为18:对于任何在闭区间内的一个连续函数都可以用单隐层的网络逼近,因而一个三层网络就可以完成任意映射;隐含层神经元的节点数S利用如下公式确定:
式中,n为输入层神经元数,m为输出层神经元数,σ为1~10之间的常数。
所述步骤3)调整网络参数的具体过程是:
所述网络参数由层间神经元的连接权值和神经元的偏置组成,网络的学习过程由信号的正向传播和误差的反向传播构成,学习的最终目的是通过修改网络的可变参数使网络针对训练样本能满足精度要求;在信号的正向传播过程中,如果输出层的信号未能达到网络误差的平方和的均值,则输出信号的误差将沿网络的连通路径反向传播至输入层,过程中修改网络各层间的连接权值和神经元的偏置;BP算法每次迭代网络参数的调整量如下:
加动量项的BP算法将网络权值和偏置的上一次调整量乘以一个系数作为网络参数本次调整量的一部分,这个增加的部分即为动量项,此时网络参数的调整量变为:
式中:Δwij为网络参数调整量,β为动量项因子;w为网络参数,0<β<1,可取0.9;k为网络训练迭代次数;
所述步骤3)中训练已创建的网络的具体方法是:
网络采用结构为5-18-5的三层前馈神经网络对故障变压器油色谱样本进行训练,样本数目为50个,允许最多训练代数为40000,误差目标为4;分别采用加动量项BP算法、结合加动量项和变学习速率的BP算法训练;常规BP算法训练了40000次仍不能收敛于误差目标,最终训练误差在8附近;加动量项BP算法训练了1万多次网络收敛。
训练样本时使用MATLAB。它的一个重要优点就是有快速的矩阵运算能力,同时MATLAB有较强的可移植性,可以与C语言混合变成MATLAB又提供了很多函数,大大减少了用户的工作量。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.基于加动量项BP神经网络的变压器故障诊断方法,其特征在于,具体步骤如下:
1)输入层和输出层神经元的确定:
将变压器故障气体作为特征气体,以其组分含量作为神经网络的输入层神经元;
将无故障、中低温过热、高温过热、低能量放电、高能量放电作为五个输出层神经元,分别对应O1、O2、O3、O4、O5,输出值最大为1,表示属于此类故障,数值越大则表明该类型故障的可能性越大;输出值最小为0,表示不属于此类故障;
2)确定激活函数、神经网络的隐含层层数和隐含层神经元数,从而建立神经网络;
3)利用加动量项的BP算法调整网络参数,训练已创建的神经网络;
4)利用MATLAB软件对已通过测试的神经网络进行仿真,进而对变压器故障进行测试诊断。
2.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述步骤1)中,变压器故障气体是指H2、CH4、C2H4、C2H6和C2H2这五种气体。
3.根据权利要求1或2所述的变压器故障诊断方法,其特征在于,所述步骤1)还包括确定训练样本数,并将变压器故障气体的组分含量归一化至0和+1之间。
4.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述步骤2)中激活函数为对数S形函数,其表达式为:
5.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述步骤2)中神经网络的隐含层层数为一层,隐含层神经元数为18;隐含层神经元的节点数S利用如下公式确定:
式中,n为输入层神经元数,m为输出层神经元数,σ为1~10之间的常数。
6.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述步骤3)调整网络参数的具体过程是:
所述网络参数由层间神经元的连接权值和神经元的偏置组成,网络的学习过程由信号的正向传播和误差的反向传播构成,学习的最终目的是通过修改网络的可变参数使网络针对训练样本能满足精度要求;在信号的正向传播过程中,如果输出层的信号未能达到网络误差的平方和的均值,则输出信号的误差将沿网络的连通路径反向传播至输入层,过程中修改网络各层间的连接权值和神经元的偏置;BP算法每次迭代网络参数的调整量如下:
加动量项的BP算法将网络权值和偏置的上一次调整量乘以一个系数作为网络参数本次调整量的一部分,这个增加的部分即为动量项,此时网络参数的调整量变为:
式中:Δwij为网络参数调整量,β为动量项因子;w为网络参数,0<β<1,可取0.9;k为网络训练迭代次数;
7.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述步骤3)中训练已创建的网络的具体方法是:
网络采用结构为5-18-5的三层前馈神经网络对故障变压器油色谱样本进行训练,样本数目为50个,允许最多训练代数为40000,误差目标为4;分别采用加动量项BP算法、结合加动量项和变学习速率的BP算法训练;常规BP算法训练了40000次仍不能收敛于误差目标,最终训练误差在8附近;加动量项BP算法训练了1万多次网络收敛。
8.根据权利要求1所述的变压器故障诊断方法,其特征在于,训练样本时使用MATLAB。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100868113A CN103150594A (zh) | 2013-03-18 | 2013-03-18 | 基于加动量项bp神经网络的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100868113A CN103150594A (zh) | 2013-03-18 | 2013-03-18 | 基于加动量项bp神经网络的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103150594A true CN103150594A (zh) | 2013-06-12 |
Family
ID=48548655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100868113A Pending CN103150594A (zh) | 2013-03-18 | 2013-03-18 | 基于加动量项bp神经网络的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103150594A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063577A (zh) * | 2014-05-12 | 2014-09-24 | 吉林省电力科学研究院有限公司 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
CN104915552A (zh) * | 2015-05-27 | 2015-09-16 | 百度在线网络技术(北京)有限公司 | 一种预测系统故障的方法及装置 |
CN105574604A (zh) * | 2015-11-12 | 2016-05-11 | 国家电网公司 | 一种面向电网运行事件的监控预判分析系统 |
CN106096286A (zh) * | 2016-06-15 | 2016-11-09 | 北京千安哲信息技术有限公司 | 临床路径制定方法及装置 |
CN106526373A (zh) * | 2016-10-28 | 2017-03-22 | 国网天津市电力公司 | 一种基于Spiking神经网络的变压器故障状态监测方法 |
CN107025341A (zh) * | 2017-03-30 | 2017-08-08 | 河海大学 | 一种光伏逆变器故障诊断方法 |
CN107122829A (zh) * | 2017-06-16 | 2017-09-01 | 华北电力大学(保定) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN107480404A (zh) * | 2017-09-13 | 2017-12-15 | 桂林电子科技大学 | 基于带动量项神经网络的光互连模块耦合效率预测方法 |
CN107832789A (zh) * | 2017-11-01 | 2018-03-23 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 |
CN107977710A (zh) * | 2017-12-21 | 2018-05-01 | 南方电网科学研究院有限责任公司 | 用电异常数据检测方法和装置 |
CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
CN108593053A (zh) * | 2018-03-15 | 2018-09-28 | 上海新奥新能源技术有限公司 | 流量计量单元中仪表的故障诊断方法及装置 |
CN109120470A (zh) * | 2018-07-09 | 2019-01-01 | 珠海市机关事务管理局 | 一种基于低通滤波与mbp网络的rtt智能预测方法及装置 |
CN109521270A (zh) * | 2018-10-11 | 2019-03-26 | 湖南工业大学 | 基于改进型小波神经网络的谐波检测方法 |
CN109632649A (zh) * | 2018-12-13 | 2019-04-16 | 云南电网有限责任公司电力科学研究院 | 基于人工神经网络的sf6气体光纤检测定量分析方法 |
CN109814383A (zh) * | 2019-01-21 | 2019-05-28 | 中国民航大学 | 基于神经网络辨识的舵机电液负载模拟器智能控制方法 |
CN111060221A (zh) * | 2019-12-31 | 2020-04-24 | 云领电气智能科技(苏州)有限公司 | 基于循环神经网络的变压器过热故障预警方法 |
CN112345678A (zh) * | 2020-11-10 | 2021-02-09 | 重庆大学 | 变压器故障率预测模型获取方法及系统、可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
CN101692113A (zh) * | 2009-10-12 | 2010-04-07 | 天津大学 | 基于区间数学理论的电力变压器故障诊断方法 |
-
2013
- 2013-03-18 CN CN2013100868113A patent/CN103150594A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
CN101692113A (zh) * | 2009-10-12 | 2010-04-07 | 天津大学 | 基于区间数学理论的电力变压器故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
回敬等: "将具有可信度的BP神经网络应用于变压器故障诊断", 《电力科学与工程》, vol. 26, no. 2, 28 February 2010 (2010-02-28), pages 9 - 13 * |
殷跃: "基于BP神经网络的电力变压器故障诊断的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, 31 March 2007 (2007-03-31) * |
许虎等: "加动量项变学习速率的BP算法应用于变压器故障诊断", 《四川电力技术》, vol. 33, no. 1, 28 February 2010 (2010-02-28) * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063577A (zh) * | 2014-05-12 | 2014-09-24 | 吉林省电力科学研究院有限公司 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
CN104063577B (zh) * | 2014-05-12 | 2017-02-15 | 吉林省电力科学研究院有限公司 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
CN104915552A (zh) * | 2015-05-27 | 2015-09-16 | 百度在线网络技术(北京)有限公司 | 一种预测系统故障的方法及装置 |
CN105574604A (zh) * | 2015-11-12 | 2016-05-11 | 国家电网公司 | 一种面向电网运行事件的监控预判分析系统 |
CN105574604B (zh) * | 2015-11-12 | 2020-05-05 | 国家电网公司 | 一种面向电网运行事件的监控预判分析系统 |
CN106096286A (zh) * | 2016-06-15 | 2016-11-09 | 北京千安哲信息技术有限公司 | 临床路径制定方法及装置 |
CN106526373A (zh) * | 2016-10-28 | 2017-03-22 | 国网天津市电力公司 | 一种基于Spiking神经网络的变压器故障状态监测方法 |
CN107025341A (zh) * | 2017-03-30 | 2017-08-08 | 河海大学 | 一种光伏逆变器故障诊断方法 |
CN107122829A (zh) * | 2017-06-16 | 2017-09-01 | 华北电力大学(保定) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN107480787B (zh) * | 2017-08-10 | 2020-12-11 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN107480404A (zh) * | 2017-09-13 | 2017-12-15 | 桂林电子科技大学 | 基于带动量项神经网络的光互连模块耦合效率预测方法 |
CN107832789A (zh) * | 2017-11-01 | 2018-03-23 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 |
CN107832789B (zh) * | 2017-11-01 | 2020-11-06 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 |
CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
CN107977710A (zh) * | 2017-12-21 | 2018-05-01 | 南方电网科学研究院有限责任公司 | 用电异常数据检测方法和装置 |
CN107977710B (zh) * | 2017-12-21 | 2020-12-25 | 南方电网科学研究院有限责任公司 | 用电异常数据检测方法和装置 |
CN108593053A (zh) * | 2018-03-15 | 2018-09-28 | 上海新奥新能源技术有限公司 | 流量计量单元中仪表的故障诊断方法及装置 |
CN109120470A (zh) * | 2018-07-09 | 2019-01-01 | 珠海市机关事务管理局 | 一种基于低通滤波与mbp网络的rtt智能预测方法及装置 |
CN109120470B (zh) * | 2018-07-09 | 2021-10-26 | 珠海市机关事务管理局 | 一种基于低通滤波与mbp网络的rtt智能预测方法及装置 |
CN109521270A (zh) * | 2018-10-11 | 2019-03-26 | 湖南工业大学 | 基于改进型小波神经网络的谐波检测方法 |
CN109632649A (zh) * | 2018-12-13 | 2019-04-16 | 云南电网有限责任公司电力科学研究院 | 基于人工神经网络的sf6气体光纤检测定量分析方法 |
CN109814383A (zh) * | 2019-01-21 | 2019-05-28 | 中国民航大学 | 基于神经网络辨识的舵机电液负载模拟器智能控制方法 |
CN111060221A (zh) * | 2019-12-31 | 2020-04-24 | 云领电气智能科技(苏州)有限公司 | 基于循环神经网络的变压器过热故障预警方法 |
CN112345678A (zh) * | 2020-11-10 | 2021-02-09 | 重庆大学 | 变压器故障率预测模型获取方法及系统、可读存储介质 |
CN112345678B (zh) * | 2020-11-10 | 2022-03-01 | 重庆大学 | 变压器故障率预测模型获取方法及系统、可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103150594A (zh) | 基于加动量项bp神经网络的变压器故障诊断方法 | |
CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
CN107846012A (zh) | 一种基于深度学习技术的电力系统暂态稳定评估方法 | |
CN103177288A (zh) | 基于遗传算法优化神经网络的变压器故障诊断方法 | |
CN104502758A (zh) | 航空静止变流器故障诊断方法 | |
Zhang et al. | Application of simulated annealing genetic algorithm-optimized back propagation (BP) neural network in fault diagnosis | |
CN105675802A (zh) | 一种变压器故障的诊断方法 | |
CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN106126944A (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及系统 | |
Li et al. | Fault diagnostic method for PV array based on improved wavelet neural network algorithm | |
CN102735760A (zh) | 基于极端学习机的变压器油色谱数据预测方法 | |
CN108694479A (zh) | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 | |
Mao et al. | Data completing of missing wind power data based on adaptive BP neural network | |
CN106526373A (zh) | 一种基于Spiking神经网络的变压器故障状态监测方法 | |
Yin et al. | Deep learning based transformer fault diagnosis method | |
CN115907198A (zh) | 一种长距离供热负荷智能预测系统 | |
CN115048857A (zh) | 一种基于cnn的暂稳极限传输功率的确定方法 | |
CN114418287A (zh) | 一种含电-气-热耦合系统的微电网频率安全评估方法 | |
CN106557813A (zh) | 燃气轮机分布式供能系统的黑启动方案技术问题评估方法 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
Xiangyang | Research on fault diagnosis of B737 aircraft fuel system based on improved BP neural network | |
Shenglong et al. | The application on the forecast of steam turbine exhaust wetness fraction with GA BP neural network | |
Chai et al. | Production Forecast of Coalbed Methane Based on GA Optimized BP Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130612 |