基于RPROP神经网络算法的主变DGA故障诊断模型

被引：20

作者：

章剑光

周浩

盛晔

机构：

[1] 浙江大学电气工程学院,浙江大学电气工程学院,绍兴电力局浙江省杭州市

[2] 绍兴电力局,浙江省绍兴市 O,浙江省杭州市 ,浙江省绍兴市

来源：

电力系统自动化 | 2004年 / 14期

关键词：

变电设备; 主变压器; 状态检修; 故障诊断; 神经网络; 弹性反馈(RPROP); 油中溶解气体分析(DGA);

D O I：

暂无

中图分类号：

TM411 [油浸式电力变压器]; TM407 [维护、检修]; TP18 [人工智能理论];

学科分类号：

080801 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

故障诊断模型是开展输变电设备状态检修的核心环节之一,文中采用弹性反馈(RPROP)神经网络算法建立主变压器油中溶解气体的神经网络故障诊断模型,通过与带动量因子的标准反向传播(BP)算法、Bold Driver算法、SuperSAB算法相比较,表明了RPROP算法在故障模式识别中具有更好的学习效率与泛化能力,故障诊断的准确度高于传统分析方法,在变电设备状态诊断中具有良好的应用前景。

引用

页码：63 / 66

页数：4

共 8 条

[1] 基于神经网络的化工过程测量数据在线校正技术的研究 [J].

潘吉铮 ;

周传光 ;

钱宇 .

高校化学工程学报, 2003, (03) :319-324

[2] 基于组合神经网络模型的电力变压器故障诊断方法 [J].

刘娜 ;

高文胜 ;

谈克雄 .

电工技术学报, 2003, (02) :83-86

[3] 变压器油中溶解气体判断方法综述 [J].

钱之银 ;

陆志浩 ;

楼其民 ;

程真何 .

高压电器, 2002, (06) :34-37

[4] BP网络在基于DGA变压器故障诊断中的应用 [J].

黄鞠铭 ;

朱子述 ;

胡文华 ;

严璋 .

高电压技术, 1996, (02) :21-23

[5]

GB/T 7252-1987. 变压器油中溶解气体分析和判断导则[S]. 1987

[6]

人工神经网络实用教程[M]. 浙江大学出版社 , 杨建刚编著, 2001

[7] Methods to speed up error back-propagation learning algorithm [J].

Sarkar, D .

ACM COMPUTING SURVEYS, 1995, 27 (04) :519-542

[8]

Accelerating the convergence of the back-propagation method[J] . T. P. Vogl,J. K. Mangis,A. K. Rigler,W. T. Zink,D. L. Alkon.Biological Cybernetics . 1988 (4-5)

← 1 →