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
变压器作为煤矿企业重要的电气设备,承担着电压变换、电流变换、阻抗变换、隔离等重任,其运行状态直接影响煤矿企业的安全生产和可靠性,在煤矿生产中发挥着不可替代的作用,但是在运行过程中不可避免产生一些故障。本文介绍了煤矿井下变压器的常见故障,并做了简要分析,针对出现的故障提出了常规以及智能诊断方法,以保证变压器的安全运行以及煤矿企业的正常供电。
2021-06-18 16:26:50
841KB
1