期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于混合特征选择和IOMA-CNN的变压器故障诊断 被引量：3
1
作者 闵永智 令世文 王果 《电力系统保护与控制》 EI CSCD 北大核心 2024年第23期1-9,共9页
为解决变压器油中溶解气体故障特征种类不足和诊断模型准确率较低的问题,提出一种混合特征选择方法。并利用改进光学显微镜优化算法(improvedopticalmicroscopealgorithm, IOMA)优化卷积神经网络(convolutional neuralnetworks, CNN),... 为解决变压器油中溶解气体故障特征种类不足和诊断模型准确率较低的问题,提出一种混合特征选择方法。并利用改进光学显微镜优化算法(improvedopticalmicroscopealgorithm, IOMA)优化卷积神经网络(convolutional neuralnetworks, CNN),实现变压器故障诊断。首先,基于相关比值法构建30维变压器故障候选特征集,采用混合特征选择方法,通过两次特征选择确定输入集的特征维数。其次,引入Tent混沌映射、自适应t分布变异与动态选择策略改进光学显微镜优化算法(optical microscope algorithm, OMA),提升其寻优性能。然后,利用IOMA算法对CNN模型的学习率、卷积核大小和数量等超参数进行优化。最后,构建IOMA-CNN变压器故障诊断模型并通过算例分析对其性能进行评估。实验表明,所提方法故障诊断准确率达到98.5%。与常规特征选择方法相比,利用混合特征选择方法所选择的输入特征进行故障诊断能够有效提升诊断准确率。相较于其他优化诊断模型,IOMA-CNN具有更高的准确率和更好的稳定性。 展开更多
关键词 变压器 故障诊断 混合特征选择 光学显微镜优化算法 卷积神经网络
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部