基于IPPA优化PNN的变压器故障诊断研究
针对变压器故障诊断精度低的问题,本文提出一种改进寄生捕食算法(IPPA)优化概率神经网络(PNN)的电力变压器故障诊断模型,首先利用主成分分析(PCA)对故障数据进行数据降维减少无效特征,然后利用混沌反向学习,柯西变异算子和融合贝塔分布的线性递减函数的权重等多策略改进寄生捕食算法(IPPA),提高其优化能力,并使用改进后的IPPA算法优化PNN网络的平滑因子,以提高PNN的分类精度和鲁棒性.最后将PCA处理后的数据输入到IPPA-PNN模型中进行故障诊断并以变压器数据为依据进行测试,测试结果表明,IPPA-PNN模型准确率达到93%相比于PPA-PNN和PSO-PNN模型提高了7%和10%能够有效地提高变压器的故障诊断性能.
电力变压器、寄生捕食算法、混沌反向学习、柯西变异算子、自适应惯性权重、故障诊断
36
TN06(一般性问题)
国家自然科学基金;辽宁省高等学校创新团队项目
2023-03-17(万方平台首次上网日期,不代表论文的发表时间)
共8页
138-145