基于改進人工魚群-RBF神經(jīng)網(wǎng)絡的電力變壓器故障診斷研究.pdf

1、本文通過對電力變壓器故障診斷技術的學習研究，概述了該技術在國內(nèi)外的發(fā)展概況，闡述了傳統(tǒng)的故障診斷方法(DGA)，以及基于DGA數(shù)據(jù)的人工智能診斷技術，分析了變壓器故障氣體的產(chǎn)生機理、過程和特征氣體的構成與故障類型的關聯(lián)性，提出了基于改進的人工魚群算法(IAFSA)結合RBF神經(jīng)網(wǎng)絡的變壓器故障診斷方法。
　　首先對傳統(tǒng)的基于DGA數(shù)據(jù)的變壓器故障診斷方法進行了理論學習和分析，介紹了溶解氣體在變壓器中的產(chǎn)生來源，以及各類氣體的組成比

2、例與之相對應的故障類型，并得出了傳統(tǒng)變壓器故障診斷方法的不足之處，為下一步提出新方法奠定了理論依據(jù)。
　　然后通過研究AFSA算法的原理特征及其自身存在的欠缺之處，對魚群算法的參數(shù)和行為進行了改進，適當引入了相應策略:自適應策略、分段策略、跳躍行為、踏步行為等。設計出改進后的人工魚群算法(IAFSA)模型和流程圖，改進后的魚群算法具有搜索速度快，并自動選擇魚群行為，易于逃離局部最優(yōu)解，為下一步的結合RBF神經(jīng)網(wǎng)絡提供了算法支撐。I

3、AFSA主要用于優(yōu)化RBF神經(jīng)網(wǎng)絡的基函數(shù)中心和寬度，文中采用了均勻分布魚群，搜索故障數(shù)據(jù)的徑向基中心的初始值，再根據(jù)K-means聚類算法，最終確定網(wǎng)絡的基中心和寬度等參數(shù)，使RBF網(wǎng)絡得出最優(yōu)結構，提高網(wǎng)絡的訓練效率和效果。
　　最后依據(jù)IAFSA-RBF算法的理論成果，使用MATLA R2013a平臺搭建模型，進行實驗仿真。通過實驗數(shù)據(jù)對比結果來看，本文使用的方法——IAFSA-RBF網(wǎng)絡對于變壓器故障數(shù)據(jù)訓練和預測的速度與