【摘要】：由于變壓器故障征兆與故障類型之間具有復(fù)雜的非線性關(guān)系,采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)診斷方法存在收斂速度慢、準(zhǔn)確率低和自適應(yīng)能力差等缺點.針對以上問題,提出了一種基于自適應(yīng)遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)故障診斷方法,建立了以變壓器的故障特征參數(shù)為輸入、以主要故障類型為輸出的故障診斷模型;將自適應(yīng)遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)有機地結(jié)合起來,利用自適應(yīng)遺傳算法對RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)寬度和中心進行優(yōu)化,將優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用于變壓器故障診斷.仿真結(jié)果表明,該診斷模型加快了網(wǎng)絡(luò)收斂速度,改善了RBF神經(jīng)網(wǎng)絡(luò)的泛化能力,提高了故障診斷正確率,具有良好的實用性.
[Abstract]:Because of the complex nonlinear relationship between transformer fault symptoms and fault types, the traditional BP neural network diagnosis method has some disadvantages, such as slow convergence speed, low accuracy and poor adaptive ability. The fault diagnosis model with the main fault type as the output and the fault characteristic parameters of the transformer as the input, combines the adaptive genetic algorithm with the RBF neural network, optimizes the width and center of the RBF neural network by using the adaptive genetic algorithm, and applies the optimized RBF neural network to the transformer fault diagnosis. The simulation results show that the diagnosis model speeds up the network convergence speed, improves the generalization ability of RBF neural network, improves the fault diagnosis accuracy and has good practicability.
【作者單位】： 河南理工大學(xué)電氣學(xué)院;
【基金】：2006年河南省科技計劃項目(編號:0611022300)
【分類號】：TM407;TP183

【參考文獻】

相關(guān)期刊論文 前1條

1 鮑文勝;劉曉剛;;基于自適應(yīng)遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[J];山東師范大學(xué)學(xué)報(自然科學(xué)版);2007年03期

【共引文獻】

相關(guān)期刊論文 前8條

1 邱浩;賀萍;;擴展T-S模糊模型在建模中的方法研究[J];湖南師范大學(xué)自然科學(xué)學(xué)報;2008年02期

2 楊梅;卿曉霞;王波;;基于改進遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J];計算機仿真;2009年05期

3 盛飛;莊健;;多層RBF網(wǎng)絡(luò)的自適應(yīng)遺傳算法及其在實函數(shù)逼近中的應(yīng)用[J];安徽工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2013年02期

4 彭義春;牛熠;胡琦偉;;基于IRBF的入侵檢測系統(tǒng)的研究[J];計算機應(yīng)用與軟件;2013年09期

5 李高云;張雪英;;用遺傳算法改進的RBF神經(jīng)網(wǎng)絡(luò)在語音識別系統(tǒng)中的應(yīng)用[J];太原理工大學(xué)學(xué)報;2009年04期

6 于光帥;于憲偉;;一種改進的自適應(yīng)遺傳算法[J];數(shù)學(xué)的實踐與認識;2015年19期

7 王海軍;喬燁;;基于GA-RBF模型的無線電波信號預(yù)測研究[J];微型電腦應(yīng)用;2011年12期

8 王海軍;林志偉;;PSO-RBF無線電波信號預(yù)測模型研究[J];現(xiàn)代計算機(專業(yè)版);2013年04期

相關(guān)碩士學(xué)位論文 前10條

1 肖長冬;RBF網(wǎng)絡(luò)的改進及其在焊膏印刷厚度預(yù)測中的應(yīng)用[D];西安電子科技大學(xué);2010年

2 王璐;電動汽車鋰電池剩余電量估計方法的研究[D];北京交通大學(xué);2011年

3 周哲;基于RBF神經(jīng)網(wǎng)絡(luò)的自適應(yīng)控制研究[D];武漢工程大學(xué);2011年

4 李成國;基于人工智能的配棉技術(shù)和紗線質(zhì)量預(yù)測系統(tǒng)的研究[D];北京服裝學(xué)院;2008年

5 田山;陜西渭河流域水資源監(jiān)測調(diào)度系統(tǒng)研究[D];西北農(nóng)林科技大學(xué);2009年

6 李高云;優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)用于語音識別的研究[D];太原理工大學(xué);2009年

7 劉偉峰;基于RBF神經(jīng)網(wǎng)絡(luò)的磨礦過程控制模型研究[D];吉林大學(xué);2010年

8 華德梅;基于RBF神經(jīng)網(wǎng)絡(luò)入侵檢測模型的研究[D];合肥工業(yè)大學(xué);2010年

9 王成林;起重機桁架臂頂節(jié)局部拓撲優(yōu)化研究[D];大連理工大學(xué);2012年

10 盛飛;多層徑向基函數(shù)網(wǎng)絡(luò)的自適應(yīng)遺傳算法[D];安徽工業(yè)大學(xué);2012年

【二級參考文獻】

相關(guān)期刊論文 前5條

1 趙志剛;單曉虹;;一種基于遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J];計算機工程;2007年06期

2 鄭生榮;賴家美;劉國亮;唐剛;;一種改進的實數(shù)編碼混合遺傳算法[J];計算機應(yīng)用;2006年08期

3 李紅利,張曉彤,蘭立柱,孫兆林;基于遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計方法[J];計算機仿真;2003年11期

4 鄭自然;劉希玉;;基于遺傳算法的適合紋樣花卉圖案設(shè)計方法[J];山東師范大學(xué)學(xué)報(自然科學(xué)版);2006年03期

5 歐陽森,王建華,宋政湘,陳德桂,耿英三;一種新的改進遺傳算法及其應(yīng)用[J];系統(tǒng)仿真學(xué)報;2003年08期

【相似文獻】

相關(guān)期刊論文 前10條

1 申哲巍;張樹芳;孫東海;;基于云自適應(yīng)遺傳算法的機組負荷分配[J];電力科學(xué)與工程;2013年03期

2 呂德剛;王國良;孟大偉;石建飛;;自適應(yīng)遺傳算法在防爆型高能量密度電機優(yōu)化設(shè)計中的應(yīng)用[J];防爆電機;2007年01期

3 賈嶸;蔡振華;羅興，

本文編號：2204097