-
题名多策略改进DBO算法与KELM的变压器故障辨识
- 1
-
-
作者
谭贵生
赵波
张桂莲
刘丹丹
石宜金
-
机构
丽江文化旅游学院
东北电力大学自动化工程学院
云南电网有限责任公司丽江供电局
新疆政法学院
-
出处
《电力系统保护与控制》
北大核心
2025年第14期111-122,共12页
-
基金
国家自然科学基金项目资助(61901101)
丽江市科技局项目资助(2022LJSHFZ013)
+1 种基金
丽江文化旅游学院项目资助(2023xshb04)
新疆政法学院项目资助(XZZK2024002)。
-
文摘
针对油浸式变压器故障诊断中因样本存在冗余特征,导致故障诊断精度低的问题,提出一种新的多策略改进蜣螂算法(multi-strategy improved dung beetle optimizer,MSIDBO)优化核极限学习机(kernel extreme learning machine,KELM)的变压器故障辨别模型。首先,利用随机森林(random forest,RF)与核主成分析法(kernel principal component analysis,KPCA)对变压器原始数据进行特征提取,合理降低特征量的维度。其次,引入改进的Circle混沌映射、变螺旋搜索机制、非线性控制因子、融合正余弦算法和融合多种群差分进化算法的变异策略对蜣螂算法(dung beetle optimizer,DBO)进行改进,提高全局搜索能力和收敛精度。最后,利用MSIDBO对KELM中的核参数和正则化参数进行优化,构建KPCA-MSIDBO-KELM的变压器故障诊断模型。实验表明,其诊断准确率为94.07%。与DBO-KELM、WOA-KELM、HHO-KELM、GWO-KELM和PSO-KELM故障模型进行对比分析,准确率分别提高了2.54%、3.39%、5.93%、7.63%和13.56%。相比其他模型,所提方法能够有效提高变压器故障诊断的准确率。
-
关键词
变压器
故障诊断
多策略改进蜣螂算法
核极限学习机
核主成分分析
-
Keywords
transformer
fault diagnosis
multi-strategy improved dung beetle optimizer
kernel extreme learning machine
kernel principal component analysis
-
分类号
TM41
[电气工程—电器]
-
-
题名基于优化概率神经网络的化工过程故障诊断
- 2
-
-
作者
庞智敏
王亚君
富斯源
-
机构
辽宁工业大学电子与信息工程学院
-
出处
《化学工程》
北大核心
2025年第3期89-94,共6页
-
基金
国家自然科学基金资助项目(61503169,61802161)
辽宁省教育厅重点攻关项目(JYTZD2023083)。
-
文摘
为了保证化工生产过程安全稳定运行,对生产过程进行实时故障检测变得尤为重要。传统的PNN(概率神经网络)故障诊断方法,由于需要根据经验选取平滑因子使得模型分类准确率降低。为提高PNN模型的分类正确率和诊断速度,提出一种基于MSIDBO(多策略改进蜣螂优化)算法的PNN化工过程故障诊断方法。将提出的方法在田纳西-伊斯曼上进行仿真实验,并与PNN、DBO-PNN(蜣螂优化的概率神经网络)和SSA-PNN(麻雀搜索算法优化的概率神经网络)进行比较,结果表明文中提出的方法在准确率和运行速度上均有显著优势。
-
关键词
故障诊断
多策略改进蜣螂算法
概率神经网络
田纳西-伊斯曼过程
-
Keywords
fault diagnosis
multi-strategy improvement dung beetle optimizer
probabilistic neural network
Tennessee-Eastman process
-
分类号
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
