CN108596212B - 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 - Google Patents
基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN108596212B CN108596212B CN201810270330.0A CN201810270330A CN108596212B CN 108596212 B CN108596212 B CN 108596212B CN 201810270330 A CN201810270330 A CN 201810270330A CN 108596212 B CN108596212 B CN 108596212B
- Authority
- CN
- China
- Prior art keywords
- neural network
- solution
- cuckoo search
- improved cuckoo
- fault
- 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.)
- Expired - Fee Related
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 241000544061 Cuculus canorus Species 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000010845 search algorithm Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012546 transfer Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 31
- 238000005295 random walk Methods 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 235000005770 birds nest Nutrition 0.000 claims description 3
- 235000005765 wild carrot Nutrition 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 108010084680 Heterogeneous-Nuclear Ribonucleoprotein K Proteins 0.000 description 1
- 102100038069 Interferon regulatory factor 8 Human genes 0.000 description 1
- 102100023482 Mitogen-activated protein kinase 14 Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 108010051621 interferon regulatory factor-8 Proteins 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开的基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法，首先收集DGA特征气体的浓度，并进行归一化处理后；确定BP神经网络的隐含层神经元个数、训练函数以及输入层至输出层的传递函数，建立基于BP神经网络的故障诊断模型；采用改进的布谷鸟搜索算法对BP神经网络的参数进行寻优，获得最佳的权阈值参数，得到优化BP神经网络模型；利用训练样本对优化BP神经网络模型进行训练，得到改进布谷鸟搜索神经网络诊断模型；采用改进布谷鸟搜索神经网络诊断模型对测试样本进行预测，其输出即为变压器故障的诊断结果；本发明解决了现有的BP神经网络过拟合及收敛速度慢、CS算法中解的质量差且诊断精度低的问题。
Description
技术领域
本发明属于油浸式变压器故障诊断方法技术领域，具体涉及基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法。
背景技术
变压器是电力系统中的核心设备。据统计，油浸式变压器的每年故障率为0.00625，因此，开展变压器潜伏性故障的有效诊断对电力系统的安全稳定运行具有重要意义；此外，油浸式变压器的过热和放电故障总是与油中溶解气体的形成密切相关，基于此发展起来的油中溶解气体分析(DGA)技术已成为诊断变压器故障的一种重要手段。
然而，在工程实践中，基于DGA技术的三比值法存在着一些缺陷，如编码不全以及编码边界过于绝对等，为了克服这些问题，将人工智能与DGA技术结合起来，已成为提高变压器故障诊断准确性的一种有效途径，较常采用的人工智能技术主要有神经网络和支持向量机等，然而，BP神经网络是一种弱学习算法，它存在过拟合以及收敛速度慢等问题；在小样本数据的情况下，尽管支持向量机能获得较好的分类效果，但其最优参数难以确定。
作为一种启发式优化算法，布谷鸟搜索(CS)具有良好的搜索能力，并在一些工程领域获得了成功应用。然而，在迭代过程中，CS算法的步长因子采用固定值的方式来生成新的候选解，不可避免地会恶化收敛速度和解的质量。此外，偏好随机游走策略侧重于勘探，致使CS算法的开发能力不足；尽管一维更新策略具有较强的局部搜索能力，但在求解变量相关的优化问题时，其搜索能力相对较弱。
发明内容
本发明的目的是提供基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法，解决了现有的BP神经网络过拟合及收敛速度慢、CS算法中解的质量差且诊断精度低的问题。
本发明所采用的技术方案是，基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法，具体按照如下步骤实施：
步骤1、收集能反映变压器故障类型的DGA特征气体的浓度，并对DGA特征气体的浓度进行归一化处理后，作为故障诊断的输入样本，输入样本包括训练样本和测试样本；以及对变压器的故障类型经编码后作为输出样本；
步骤2、确定BP神经网络的隐含层神经元个数、训练函数以及输入层至输出层的传递函数，建立基于BP神经网络的故障诊断模型；
步骤3、采用改进的布谷鸟搜索算法对BP神经网络的故障诊断模型的参数进行寻优，获得最佳的权阈值参数，得到优化BP神经网络模型；
步骤4、利用训练样本对优化BP神经网络模型进行训练，得到改进布谷鸟搜索神经网络诊断模型；
步骤5、采用改进布谷鸟搜索神经网络诊断模型对测试样本进行预测，其输出即为变压器故障的诊断结果，并将诊断结果与步骤1得到的输出样本进行比较，判断出变压器的故障类型。
本发明的特点还在于，
步骤1中，所述DGA特征气体的浓度采用mapminmax函数进行归一化处理。
步骤1中，所述DGA特征气体包括H2、CH4、C2H6、C2H4和C2H2。
步骤1中，所述变压器的故障类型包括无故障、温度为150℃～700℃的中低温过热、温度大于700℃的高温过热、低能量放电和高能量放电五种。
步骤2中，隐含层神经元的个数按如下经验公式进行计算：
式(1)中，a为1～10之间的整数，m和n分别为输入、输出层的神经元个数，且m和n均为5。
步骤2中，输入层至输出层的传递函数分别为tansig函数和logsig函数，训练函数选择trainlm函数。
步骤3具体包括如下步骤：
步骤3.1、初始化改进的布谷鸟搜索算法的参数以及确定目标函数；
所述改进的布谷鸟搜索算法的参数包括鸟巢个数N、发现概率pa、步长因子的最大最小值、非线性参数c、最大迭代次数kmax以及分布参数β；
步骤3.2、随机选取BP神经网络的故障诊断模型的权阈值参数，并将所述权阈值参数编码为改进布谷鸟搜索算法的解向量，并对解向量进行初始化；
步骤3.3、评估改进的布谷鸟搜索算法的适应度函数，确定最佳的适应度和最优解；
步骤3.4、判断当前的迭代次数k与最大迭代次数kmax的大小关系，若k≤kmax，则进行步骤3.5继续迭代，否则跳转至步骤3.11；
步骤3.5、生成步长因子，然后采用Levy飞行策略生成新解；
其中步长因子按照如下规则生成：
式(2)中，αmax为步长因子α的最大值，αmin为步长因子的最小值，kmax为最大迭代次数，k为当前迭代次数，c为非线性系数。
Levy飞行策略的更新公式为：
式(3)中，xbest为当前最优解，
是当前解，Levy(β)为基于Levy分布的随机搜索路径。
步骤3.6、评估步骤3.5得到的解
的质量，若此解优于当前解
则用
步骤3.7、在0到1之间生成一个随机数a，并将随机数a与发现概率pa进行比较，若随机数a>pa，则继续执行步骤3.8，否则，跳转至步骤3.10；
步骤3.8、在0到1之间生成一个随机数b，并将随机数b与0.5进行比较，若随机数b>0.5，则采用偏好随机游走策略生成新解，否则采用一维更新规则生成新解；
步骤3.9、评估步骤3.8得到的新解的质量，若此解优于步骤3.6得到的
则用此解替换
步骤3.10、确定最佳的适应度和最优解；执行k＝k+1，并跳转至步骤3.4；
步骤3.11、将最优解作为BP神经网络的最佳参数，得到优化BP神经网络模型。
步骤3.8中，偏好随机游走策略的表达式为：
式(4)中，r为[0,1]之间的一个随机数，
和
为解向量中2个不同于
的随机解。
一维更新规则的表达式为：
式(5)中，γ为区间[-1,1]内的一个随机数，用于双向搜索以提高算法的局部开发能力，
为随机选择的且不同于
的一个解，j为维数。
本发明的有益效果是：
本发明的基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法，对布谷鸟搜索算法进行改进，使步长因子可以自适应的进行调整，提高了解的质量和收敛速度，同时，将偏好随机游走和一维更新策略组合使用，进一步平衡全局勘探和局部开发能力，采用该改进的布谷鸟搜索算法来优化BP神经网络参数，可以获得一个性能良好的变压器故障诊断模型，不仅可以克服DGA技术所存在的编码不全、编码边界过于绝对等缺陷，而且能够缓解BP神经网络的拟合不稳定等问题，具有较高的诊断精度和较快的收敛速度，并为油浸式变压器的智能故障诊断提供了一个新的参考思路。
附图说明
图1为本发明的基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法的流程图；
图2为本发明中改进布谷鸟搜索算法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法，如图1所示，具体按照如下步骤实施：
步骤1、收集能反映变压器故障类型的DGA特征气体的浓度，并对DGA特征气体的浓度采用mapminmax函数进行归一化处理后，作为故障诊断的输入样本；对变压器的故障类型经编码后作为输出样本；
输入样本包括训练样本和测试样本；
所采集的DGA特征气体为H2、CH4、C2H6、C2H4和C2H2，所诊断的故障类型为无故障、中低温过热(150℃～700℃)、高温过热(>700℃)、低能量放电和高能量放电五种，经编码后的输出样本包括NF—无故障，T1—中低温过热，T2—高温过热，D1—低能量放电，D2—高能量放电。
步骤2、确定BP神经网络的隐含层神经元个数、训练函数以及输入层至输出层的传递函数，建立基于BP神经网络的故障诊断模型。
其中，隐含层神经元的个数先按如下经验公式进行计算：
式(1)中，a为1～10之间的整数，m和n分别为输入、输出层的神经元个数，由于本发明采用三层的BP网络进行变压器故障诊断，m和n均为5；首先随机选取若干个a值，初步确定若干个隐含层神经元个数后，按照输出误差最小的原则逐个筛选，最终确定最佳的隐含层神经元个数。
输入层至输出层的传递函数分别为tansig函数和logsig函数，训练函数选择trainlm函数，BP神经网络的故障诊断模型中的学习率为0.1。
步骤3、采用改进的布谷鸟搜索算法对BP神经网络的故障诊断模型的参数进行寻优，获得最佳的权阈值参数，得到优化BP神经网络模型，如图2所示，具体包括如下步骤：
步骤3.1、初始化改进的布谷鸟搜索算法的参数以及确定目标函数；
其中，改进的布谷鸟搜索算法的参数包括鸟巢个数N、发现概率pa、步长因子的最大最小值、非线性参数c、最大迭代次数kmax以及分布参数β；
目标函数为实际输出结果和期望输出结果的均方误差的倒数。
步骤3.2、随机选取BP神经网络的故障诊断模型的权阈值参数，并将所述权阈值参数编码为改进布谷鸟搜索算法的解向量，并对解向量进行初始化；
步骤3.3、评估改进的布谷鸟搜索算法的适应度函数，确定最佳的适应度和最优解；
步骤3.4、判断当前的迭代次数k与最大迭代次数kmax的大小关系，若k≤kmax，则进行步骤3.5继续迭代，否则跳转至步骤3.11；
步骤3.5、生成步长因子，然后采用Levy飞行策略生成新解；
其中步长因子按照如下规则生成：
式(2)中，αmax为步长因子α的最大值，αmin为步长因子的最小值，kmax为最大迭代次数，k为当前迭代次数，c为非线性系数。
Levy飞行策略的更新公式为：
式(3)中，xbest为当前最优解，
是当前解，Levy(β)为基于Levy分布的随机搜索路径。
步骤3.6、评估步骤3.5得到的解
的质量，若此解优于当前解
则用
步骤3.7、在0到1之间生成一个随机数a，并将随机数a与发现概率pa进行比较，若随机数a>pa，则继续执行步骤3.8，否则，跳转至步骤3.10；
步骤3.8、在0到1之间生成一个随机数b，并将随机数b与0.5进行比较，若随机数b>0.5，则采用偏好随机游走策略生成新解，否则采用一维更新规则生成新解；
其中，偏好随机游走策略的表达式为：
式(4)中，r为[0,1]之间的一个随机数，
和
为解向量中2个不同于
的随机解。
一维更新规则的表达式为：
式(5)中，γ为区间[-1,1]内的一个随机数，用于双向搜索以提高算法的局部开发能力，
为随机选择的且不同于
的一个解，j为维数，且j的计算公式：输入层神经元个数×隐含层神经元个数+隐含层神经元个数+隐含层神经元个数×输出层神经元个数+输出层神经元个数。
步骤3.9、评估步骤3.8得到的新解的质量，若此解优于步骤3.6得到的
则用此解替换
步骤3.10、确定最佳的适应度和最优解；执行k＝k+1，并跳转至步骤3.4；
步骤3.11、将最优解作为BP神经网络的最佳参数，得到优化BP神经网络模型；
步骤4、利用训练样本对优化BP神经网络模型进行训练，得到改进布谷鸟搜索神经网络诊断模型；
步骤5、采用改进布谷鸟搜索神经网络诊断模型对测试样本进行预测，其输出即为变压器故障的诊断结果，并将诊断结果与步骤1得到的输出样本进行比较，判断出变压器的故障类型。
其中训练样本和测试样本均为步骤1得到的输入样本。
利用改进布谷鸟搜索神经网络诊断模型以及布谷鸟搜索神经网络诊断模型(简记为ICSBP和CSBP)分别对变压器故障进行诊断。此外，基于DGA技术的三比值法同样被采用以进行对比分析。表1给出了变压器故障诊断的12组DGA数据的诊断结果。显然，与另外两种方法相比，改进布谷鸟搜索神经网络诊断模型具有较好的分类能力，并能克服三比值法所存在的编码不全、编码边界过于绝对等缺陷。
表1三种方法诊断变压器故障类型的结果对比
注：NF—无故障，T1—中低温过热，T2—高温过热，D1—低能量放电，D2—高能量放电。
Claims (2)
1.基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法，其特征在于，具体按照如下步骤实施：
步骤1、收集能反映变压器故障类型的DGA特征气体的浓度，并对DGA特征气体的浓度进行归一化处理后，作为故障诊断的输入样本，输入样本包括训练样本和测试样本；以及对变压器的故障类型经编码后作为输出样本；
步骤2、确定BP神经网络的隐含层神经元个数、训练函数以及输入层至输出层的传递函数，建立基于BP神经网络的故障诊断模型；
步骤3、采用改进的布谷鸟搜索算法对BP神经网络的故障诊断模型的参数进行寻优，获得最佳的权阈值参数，得到优化BP神经网络模型；
步骤4、利用训练样本对优化BP神经网络模型进行训练，得到改进布谷鸟搜索神经网络诊断模型；
步骤5、采用改进布谷鸟搜索神经网络诊断模型对测试样本进行预测，其输出即为变压器故障的诊断结果，并将诊断结果与步骤1得到的输出样本进行比较，判断出变压器的故障类型；
所述DGA特征气体的浓度采用mapminmax函数进行归一化处理；
步骤1中，所述DGA特征气体包括H2、CH4、C2H6、C2H4和C2H2；
步骤1中，所述变压器的故障类型包括无故障、温度为150℃～700℃的中低温过热、温度大于700℃的高温过热、低能量放电和高能量放电五种；
步骤2中，所述隐含层神经元的个数按如下经验公式进行计算：
式(1)中，a为1～10之间的整数，m和n分别为输入、输出层的神经元个数，且m和n均为5；
步骤2中，所述输入层至输出层的传递函数分别为tansig函数和logsig函数，训练函数选择trainlm函数；
步骤3具体包括如下步骤：
步骤3.1、初始化改进的布谷鸟搜索算法的参数以及确定目标函数；
所述改进的布谷鸟搜索算法的参数包括鸟巢个数N、发现概率pa、步长因子的最大最小值、非线性参数c、最大迭代次数kmax以及分布参数β；
步骤3.2、随机选取BP神经网络的故障诊断模型的权阈值参数，并将所述权阈值参数编码为改进布谷鸟搜索算法的解向量，并对解向量进行初始化；
步骤3.3、评估改进的布谷鸟搜索算法的适应度函数，确定最佳的适应度和最优解；
步骤3.4、判断当前的迭代次数k与最大迭代次数kmax的大小关系，若k≤kmax，则进行步骤3.5继续迭代，否则跳转至步骤3.11；
步骤3.5、生成步长因子，然后采用Levy飞行策略生成新解；
其中步长因子按照如下规则生成：
式(2)中，αmax为步长因子α的最大值，αmin为步长因子的最小值，kmax为最大迭代次数，k为当前迭代次数，c为非线性系数；
Levy飞行策略的更新公式为：
式(3)中，xbest为当前最优解，
是当前解，Levy(β)为基于Levy分布的随机搜索路径；
步骤3.6、评估步骤3.5得到的解
的质量，若此解优于当前解
则用
步骤3.7、在0到1之间生成一个随机数a，并将随机数a与发现概率pa进行比较，若随机数a>pa，则继续执行步骤3.8，否则，跳转至步骤3.10；
步骤3.8、在0到1之间生成一个随机数b，并将随机数b与0.5进行比较，若随机数b>0.5，则采用偏好随机游走策略生成新解，否则采用一维更新规则生成新解；
步骤3.9、评估步骤3.8得到的新解的质量，若此解优于步骤3.6得到的
则用此解替换
步骤3.10、确定最佳的适应度和最优解；执行k＝k+1，并跳转至步骤3.4；
步骤3.11、将最优解作为BP神经网络的最佳参数，得到优化BP神经网络模型。
2.如权利要求1所述的基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法，其特征在于，步骤3.8中，所述偏好随机游走策略的表达式为：
式(4)中，r为[0,1]之间的一个随机数，
和
为解向量中2个不同于
的随机解；
所述一维更新规则的表达式为：
式(5)中，γ为区间[-1,1]内的一个随机数，用于双向搜索以提高算法的局部开发能力，
为随机选择的且不同于
的一个解，j为维数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810270330.0A CN108596212B (zh) | 2018-03-29 | 2018-03-29 | 基于改进布谷鸟搜索优化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 |
|---|---|---|---|
| CN201810270330.0A CN108596212B (zh) | 2018-03-29 | 2018-03-29 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108596212A CN108596212A (zh) | 2018-09-28 |
| CN108596212B true CN108596212B (zh) | 2022-04-22 |
Family
ID=63625110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810270330.0A Expired - Fee Related CN108596212B (zh) | 2018-03-29 | 2018-03-29 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596212B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299827A (zh) * | 2018-09-30 | 2019-02-01 | 南京地铁集团有限公司 | 基于长短时记忆循环神经网络的城轨设备故障预测方法 |
| CN109460621A (zh) * | 2018-11-14 | 2019-03-12 | 上海交通大学 | 基于改进神经网络的燃气轮机叶片故障检测方法 |
| CN109657647A (zh) * | 2019-01-09 | 2019-04-19 | 红河学院 | 一种基于信息融合技术的水电机组故障诊断方法 |
| CN109886306B (zh) * | 2019-01-24 | 2022-11-25 | 国网山东省电力公司德州供电公司 | 一种电网故障诊断数据清洗方法 |
| CN110276483A (zh) * | 2019-06-04 | 2019-09-24 | 湖北大学 | 基于神经网络的制糖原材料预测方法 |
| CN110363349B (zh) * | 2019-07-15 | 2022-08-26 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
| CN110428093A (zh) * | 2019-07-19 | 2019-11-08 | 北京工商大学 | 基于改进的布谷鸟算法的城市轨道列车运行优化方法 |
| CN110470481B (zh) * | 2019-08-13 | 2020-11-24 | 南京信息工程大学 | 基于bp神经网络的发动机故障诊断方法 |
| CN110717525B (zh) * | 2019-09-20 | 2022-03-08 | 浙江工业大学 | 一种通道自适应优化的对抗攻击防御方法和装置 |
| CN111291967A (zh) * | 2020-01-13 | 2020-06-16 | 北京化工大学 | 基于布谷鸟搜索的隐马尔可夫模型食品安全风险评估方法 |
| CN111507488B (zh) * | 2020-04-14 | 2021-01-01 | 李松 | 一种基于vr的车辆维修保养辅助系统 |
| CN111507422B (zh) * | 2020-04-24 | 2023-04-07 | 西安工程大学 | 基于cqfpa-wnn的变压器故障诊断方法 |
| CN111880117B (zh) * | 2020-07-28 | 2022-04-08 | 北京交通大学 | 能馈供电装置的故障诊断方法、装置及存储介质 |
| CN111950196A (zh) * | 2020-07-30 | 2020-11-17 | 云南省建设投资控股集团有限公司 | 一种用于确定公路施工中土壤抗剪强度的方法 |
| CN112365067A (zh) * | 2020-11-17 | 2021-02-12 | 湖北工业大学 | 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法 |
| CN112529683A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于cs-pnn的客户信贷风险的评估方法及系统 |
| CN112881914B (zh) * | 2021-01-12 | 2022-03-25 | 常州大学 | 一种锂电池健康状态预测方法 |
| CN113155774A (zh) * | 2021-03-31 | 2021-07-23 | 桂林电子科技大学 | 一种纺织品材料太赫兹光谱定量检测方法 |
| CN114577991B (zh) * | 2022-03-03 | 2024-04-12 | 贵州电网有限责任公司 | 一种改进蝠鲼算法优化bp的变压器故障诊断方法 |
| CN115358265B (zh) * | 2022-08-16 | 2024-04-30 | 绍兴淼汇能源科技有限公司 | 一种超低水头提水系统故障的检测方法 |
| CN115809427B (zh) * | 2023-02-06 | 2023-05-12 | 山东科技大学 | 基于混合策略优化bp神经网络的混合气体识别方法 |
| CN117171659B (zh) * | 2023-10-31 | 2024-01-26 | 国网浙江省电力有限公司宁波供电公司 | 一种智能化配变高压侧故障诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995000920A1 (en) * | 1993-06-24 | 1995-01-05 | The United States Of America, Represented By The Secretary, Department Of Health And Human Services | An artificial network for temporal processing |
| CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
| CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
| CN107153869A (zh) * | 2017-03-29 | 2017-09-12 | 南昌大学 | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 |
-
2018
- 2018-03-29 CN CN201810270330.0A patent/CN108596212B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995000920A1 (en) * | 1993-06-24 | 1995-01-05 | The United States Of America, Represented By The Secretary, Department Of Health And Human Services | An artificial network for temporal processing |
| CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
| CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
| CN107153869A (zh) * | 2017-03-29 | 2017-09-12 | 南昌大学 | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| "Forecasting Daily Electricity Load by Wavelet Neural Networks Optimized by Cuckoo Search Algorithm";Jeng-Fung Chen、 Quang Hung Do;《 2017 6th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI)》;20171116;第835-840页 * |
| "Hybrid Modified Cuckoo Search-Neural Network in";Sankhadeep Chatterjee, et al.;《2017 14th International Conference on Engineering of Modern Electric Systems (EMES)》;20170717;第164-167页 * |
| "Towards the Improvement or Cuckoo Search Algorithm";Hetal Soneji、Rajesh C. Sanghvi;《2012 World Congress on Information and Communication Technologies》;20130111;第878页-883页 * |
| "基于DGA的QPSO-BP模型变压器故障诊断方法研究";程加堂 等;《高压电器》;20160216;第52卷(第02期);第58-60页 * |
| "基于布谷鸟搜索算法优化BP模糊Petri网的水电机组故障诊断";孙慧影 等;《水电能源科》;20170725;第35卷(第7期);第179-181页 * |
| "基于布谷鸟搜索算法的神经网络在抽油机故障诊断中的应用";田野岑;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20170215(第02期);B019-445 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108596212A (zh) | 2018-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596212B (zh) | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
| CN112487702B (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
| CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
| CN108776683A (zh) | 一种基于孤立森林算法和神经网络的电力运维数据清洗方法 | |
| CN109142946A (zh) | 基于蚁群算法优化随机森林的变压器故障检测方法 | |
| CN106548230A (zh) | 基于改进粒子群优化神经网络的变压器故障诊断方法 | |
| CN110083951B (zh) | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 | |
| CN115081316A (zh) | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 | |
| CN110363230A (zh) | 基于加权基分类器的stacking集成污水处理故障诊断方法 | |
| Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
| CN108896330B (zh) | 一种水电机组的故障诊断方法 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
| CN115269861A (zh) | 基于生成式对抗模仿学习的强化学习知识图谱推理方法 | |
| CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
| CN114184861A (zh) | 一种油浸式变压器的故障诊断方法 | |
| Cavallo et al. | GCNH: A Simple Method For Representation Learning On Heterophilous Graphs | |
| CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
| CN116756939A (zh) | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 | |
| Peng et al. | Research on fault diagnosis method for transformer based on fuzzy genetic algorithm and artificial neural network | |
| CN113821452B (zh) | 根据被测系统测试表现动态生成测试案例的智能测试方法 | |
| CN115169428A (zh) | 一种人工智能驱动的变压器故障诊断方法 | |
| CN115146702A (zh) | 一种变压器故障诊断方法、介质及系统 | |
| CN114881106A (zh) | 一种基于mpa-svm的变压器故障诊断方法及装置 | |
| CN113536508A (zh) | 一种制造网络节点分类方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220422 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |