基于三比值法与模糊聚类的变压器故障诊断

为了有效降低比值法中“编码缺失”以及边界绝对化的影响,将模糊C-均值聚类算法(FCM)与改良三比值法结合对变压器进行故障诊断,通过实例分析证明该算法可提高故障诊断的准确率.     

基于加权模糊聚类算法的变压器故障诊断方法

三比值法在变压器故障诊断中得到了广泛的应用,但是此方法存在编码不连续的问题,同时注意到不同样本在模糊C均值(fuzzy C-means,FCM)算法中所起到的作用差异,根据样本间相异度的思想,为每个样本赋予相应的权值,体现它们对聚类结果的不同影响,将加权FCM聚类算法应用到三比值法中进行变压器故障诊断,另外在聚类的开始,考虑到变压器故障诊断的实际情况,对算法的初始化隶属度也进行了更适当的设置。实验结果表明,经过以上修改得到的基于加权模糊聚类算法的变压器故障诊断方法有效可行,和FCM算法相比,不但能明显提高故障诊断的收敛速度,而且能得到更加接近实际位置的故障聚类中心,具有一定的优越性。     

基于遗传聚类算法的油中溶解气体分析电力变压器故障诊断

电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C-均值相结合的遗传-模糊聚类算法,并将其应用于DGA电力变压器数据分析,实现了变压器的故障诊断。实验数据表明:该算法收敛速度快,能有效地对样本进行聚类,提高了识别故障率。     

基于点密度加权核模糊聚类的变压器故障诊断方法

变压器油中溶解气体分析(DGA)是电力变压器绝缘诊断的重要方法。针对模糊C-均值聚类算法(FCM)用于DGA时存在可分性差和等趋势划分等问题,用样本点分布密度大小作为权值,结合核函数的增强可分性,提出点密度加权模糊核C-均值聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断。实例分析结果表明该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境。     

动态隧道模糊C均值算法用于变压器油中溶解气体分析

变压器油中溶解气体分析(DGA)是电力变压器绝缘诊断的重要方法。针对模糊C均值(FCM)聚类算法用于溶解气体分析时易陷入局部极小的问题,利用全局最优化性能强的动态隧道(DT)算法,将两种算法结合,提出一种基于动态隧道的模糊C均值(DTFCM)算法。该算法首先采用FCM算法聚类得到局部最优值,再利用动态隧道算法以该局部最优值为初始值寻找更小的能量盆地,再将其值返回给FCM算法进行迭代寻优,直到找到全局最小值。通过该算法应用于变压器DGA数据分析,从而实现变压器的故障诊断。变压器油色谱样本及加噪样本故障诊断试验表明,该算法能快速、有效地对样本进行聚类,具有较高的诊断准确率。     

基于新径向基函数网络的变压器故障诊断法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段,而多层前馈网络(MLFNN)是应用广泛的故障诊断模型。为此,提出了以DGA数据为特征参数的新型径向基函数神经网络(RBFNN)诊断变压器故障。在分析传统k-均值聚类算法RBFNN的缺点和最优聚类特性的基础上,介绍了RBFNN的新算法-自适应k-均值聚类算法,它既能避免传统k-均值聚类算法的局部收敛的缺点,又能动态调整学习率。最后,大量聚类实验结果显示自适应k-均值聚类算法在收敛速度和聚类性能上比传统k-均值聚类算法显著提高;故障诊断实验结果显示所提出的模型故障诊断准确度高于传统BPNN、RBFNN及IEC三比值法。     

基于FCM和改进PCA的变压器故障诊断

为了进一步提高基于油中溶解气分析的变压器故障诊断准确率,提出了一种基于模糊聚类和主成分分析的故障诊断方法。该方法首先利用模糊C均值聚类方法对搜集的DGA样本集进行聚类分析,将聚类中心矩阵作为标准故障谱。然后采用改进型主成分分析方法精简样本矩阵信息,通过计算样本主成分间欧拉距离确定故障类型。通过实例验证证明本文方法能有效识别故障类型,且较IEC比值法、改良三比值法等具有更高的准确率。该方法为变压器故障诊断提供了新思路,具有一定的实际应用价值。     

基于RIMER专家系统和DGA的变压器故障诊断

针对电力变压器故障诊断中的复杂非线性关系,提出一种基于RIMER(基于证据推理算法的置信规则库推理方法)专家系统和油中溶解气体分析(DGA)技术的变压器故障诊断方法。该方法考虑了变压器故障特征量和征兆的概率不确定性和模糊不确定性,在IEC三比值法和变压器油中溶解气体故障数据样本训练的基础上获得置信规则库的主要参数,结合证据推理算法建立一个新型的变压器DGA故障诊断模型。通过RIMER和DGA变压器故障诊断模型进行故障诊断,克服了IEC三比值法故障编码缺失的问题,故障诊断准确率获得提高,其分布式置信度的输出方式对描述混合故障类型更加有效。仿真实验表明该方法推理计算简单有效,具有较强实用价值。     

基于模糊聚类和完全二叉树支持向量机的变压器故障诊断

为提高电力变压器故障诊断准确率,提出基于模糊聚类和完全二叉树支持向量机的故障诊断模型,即通过模糊C均值聚类,对样本采用完全二叉树结构逐层划分,直至最后得到各故障分类。该方法克服了一般方法对故障划分不明确、分类重叠和不可分等缺点。试验表明,相比改良三比值法、支持向量机分类"一对一"和"一对多"组合,该方法在电力变压器故障诊断中具有最高的诊断准确率。     

基于矩阵特征值分析和SOA优化模糊聚类的变压器故障诊断

考虑变压器故障诊断的不确定性,构建了变压器模糊聚类模型,提出了用矩阵特征值分析方法得出样本集最佳分类数,实现了无监督的故障诊断。针对模糊C均值算法用于变压器故障诊断存在的问题,提出用人群搜索算法(SOA)得到较优的初始聚类中心。SOA算法是一种新型的启发式智能算法,克服了粒子群算法(PSO)和遗传算法(GA)等智能优化算法收敛性差、局部寻优的缺陷。仿真结果表明,该算法收敛速度更快,且具有更好的全局搜索能力,比传统的智能算法具有更高的有效性和鲁棒性,为变压器故障诊断聚类分析提供了参考。