针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造
针对目前浅层机器学习理论在变压器故障诊断上精度不高以及大多数诊断方法参考的信息特征量单一的现状,提出一种基于AdaBoost-RBF算法与Dezert-Smarandache 理论(DSmT)的变压器
基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样
为提高电力变压器故障诊断的准确性,提出一种支持向量机(Support Vector Machines,SVM)的故障诊断方法。该方法用添加最优保存策略的小生境策遗传算法对SVM进行参数优化,确保种群中
为克服BP神经网络算法在故障诊断应用中的缺点,提出了粒子群优化BP神经网络的方法,并在此基础上优化BP神经网络的结构来提高准确率。最后,通过对变压器故障诊断在Matlab中的仿真结果,验证了此方法有较
针对仅以油中溶解气体数据为主要依据的变压器故障诊断方法信息量不足以及传统证据理论的缺陷问题,研究了基于信息融合和多分类相关向量机(M-RVM)的变压器故障诊断模型。首先,将油中溶解气体分析数据与电气试
为解决BP神经网络在变压器故障诊断中存在的收敛速度慢,容易陷入局部最优点等缺点,采用了将BP网络和遗传算法相结合的方式,利用遗传算法的全局收敛性,优化BP网络的初始权值和阈值,再由BP网络进行调整搜索
变压器故障诊断实质上是属于一种模式识别,基于类内样本与类中心的距离的不同而对类中心的偏移产生不同影响的思想,改善了传统ART2网络存在模式飘移的不足。首先对变压器DGA故障样本的输入矢量进行扩展处理,
研究的对象是变压器故障数据,旨在探索故障预测的方法。