一种基于粗糙集理论的变压器故障多变量决策树诊断方法

本文介绍了一种基于粗糙集理论来构建变压器故障诊断多变量决策树的算法。该方法选择变压器故障决策表的相对于决策属性的范化作为决策树的根节点,再选择粗糙度最小的条件属性作为下一个分枝节点的检验属性,形成结构更为简洁合理的变压器故障诊断多变量决策树。通过实例比较验证了该方法的有效性。     

基于粗集的多变量决策树方法研究

为了使构造的决策树更简单,规则更容易被理解且精度更高,文章基于粗糙集理论提出了一种对属性约简及泛化的多变量决策树算法。该方法采用条件属性的加权平均粗糙度这个指标来选择测试属性构造决策树。实验表明该方法较ID3算法得到的决策树更小且分类准确率更高。文章还展望用核属性以外的条件组合属性作测试属性构造更简化的多变量决策树。     

基于决策树支持向量机模型的变压器故障诊断法

根据对变压器常见故障原因和危害程度的分析,构造了电力变压器故障诊断决策树。其判定级别为自上而下,而决策树的每一叶都对应着一种具体的故障模式,并选用不同的支持向量机单元模块作为决策树不同分支中的基本分类器,建立组合支持向量机模型,实现了对故障的多分辨识别,该方法提高了故障分析及预测的准确度。应用结果表明该系统模型是富有成效的。     

一种基于属性频率划分的决策树算法

决策树是数据挖掘任务中分类的常用方法。在构造决策树的过程中,节点划分属性选择的标准直接影响决策树分类的效果。基于粗糙集的属性频率函数等方法度量属性重要性的概念,将其用于分枝划分属性的选择,提出一种决策树学习算法。该方法仅利用区分矩阵就可以计算出属性的出现频率函数值,计算简单。实验结果表明,用该方法构造的决策树与传统的基于信息熵方法构造的决策树相比较,结构简单,且能有效提高分类效果。     

一种基于CART的决策树改进算法

针对分析CART算法的要求被选择的属性是连续且有序的,并且只能产生两个子节点的问题,依据CART算法理论,采用A—CART算法,弥补了CART方法的不足．是一种选用离散无序的属性作为决策树的分裂节点,分裂后可以产生多个子节点的方法,并为此方法设计了分裂函数,通过一个实例给出了具体的使用方法．     

基于变精度粗糙集决策树的构造算法

在构造决策树的过程中,分离属性选择的标准直接影响分类的效果.基于变精度粗糙集的理论将属性重要度作为选择分离属性的标准.经实验证明,使用该方法构造的决策树与经典ID3决策树算法相比,具有复杂性低,能有效提高分类效果的优点.     

基于粗糙集的决策树规则提取算法

针对ID3算法用信息增益作为在各级非叶节点上选择属性的标准的局限性,结合统计学独立检验思想,给出一种新的属性依赖性和重要性定义,以新的属性重要性为启发式信息设计决策树规则提取算法。实例分析的结果表明,该算法能提取更为简洁有效的决策规则。     

一种改进的SVM决策树Web文本分类算法

SVM决策树能够较好地进行Web文本信息分类,在此基础上进一步结合遗传算法,将SVM决策树分类器的分类正确率作为GA适应度函数,对SVM决策树层次结构进行优化,在每一决策节点自动选择最优或近优的分类决策。实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与SVM决策树结合的优越性。     

最小生成树SVM的模拟电路故障诊断方法

提出最小生成树的支持向量机模拟电路故障诊断方法,通过小波分解提取电路故障特征,在特征空间中以故障类的可分性测度为权值构造最小生成树,得到具有聚类属性的故障子类划分,从而优化故障决策树节点的分布。按照最小生成树的结构建立具有较大分类间隔的多分类支持向量机,能够有效地提高模拟电路故障诊断的正确率。该方法简化支持向量机的结构,在实例电路的故障诊断中获得更高的诊断精度和效率,其性能优于常用的支持向量机方法。     

基于Rough set理论的无线传感器网络节点故障

提出了一种无线传感器网络（WSN）节点故障诊断的新方法，首先基于粗糙集理论中改进的可辨识矩阵算法得到故障诊断决策的属性约简；然后通过属性匹配的故障分类算法，建立一套WSN节点故障诊断方法，对WSN节点的各个模块分别进行具体的故障诊断和定位. 仿真实验表明，该方法在WSN节点故障诊断时通信代价小、能量消耗低、诊断准确率高，因而具有在能量有限的WSN节点中应用的可能性.     

基于粗糙集和贝叶斯网络的变压器故障诊断

为了提高变压器故障诊断的准确性,采用智能互补的思想,将粗糙集和贝叶斯网络相结合来进行变压器故障诊断的研究.先将特征气体的比值进行离散化,再利用粗糙集理论进行属性约简,获得最小诊断规则;同时利用贝叶斯网络实现概率推理来分析变压器故障.通过变压器故障诊断实例分析,证明了该方法有效、可行,具有较高的准确率.     

基于小波分析与随机森林算法的电力电子电路故障诊断

提出一种基于Db6小波函数和随机森林算法相结合的电力电子故障诊断新方法.介绍应用Db6小波进行波形分解和提取故障特征量的方法与步骤,阐述随机森林算法决策树的生长和投票过程,应用随机森林算法设计出故障分类器,并将其应用于12脉波可控整流电路的故障识别.诊断结果表明,所提方法具有较高的正确诊断率和较强的抗噪声能力.在加入5...     

Fault Attribute Reduction of Oil Immersed Transformer Based on Improved Imperialist Competitive Algorithm

基于改进型帝国竞争算法的变压器故障属性约简

边莉¹,何辉²,孙洪娜²,刘文静³

（1.广东海洋大学 电子与信息工程学院,广东 湛江 524088;2.黑龙江科技大学 电气与控制工程学院,哈尔滨 150022;3.国网邯郸供电公司,河北 邯郸 056002）

创新点说明：

通过利用改进型帝国竞争算法与粗糙集和神经网络相结合的方式,对油浸式变压器的故障数据集进行了优化,并验证了该方法具有较好的性能。

研究目的：

电力系统的运行与人们的工作生活和工业生产有着非常密切的联系,其安全稳定的运行具有重要的意义,而油浸式变压器作为电网运行的重要组成部分,它的安全可靠运行对整个电力系统具有重要的影响。由于原始的变压器故障数据具有相当大的冗余,这就对进一步的故障判断增加了难度,其结果就是运行速度慢,且诊断正确率较低。所以本文针对原始数据集过于繁杂的问题,优化原始数据,避免大量无意义的计算,并提高其准确率。

研究方法：

利用改进型帝国竞争算法对粗糙集进行优化后,对离散化的油浸式变压器原始故障数据进行属性约简,得到最终决策表,为了验证该方法得到的决策表是否具有优越性,将其带入神经网络中进行验证,并与遗传算法、粒子群算法和模拟退火算法进行了对比。

结果：

改进型帝国竞争算法在第27次迭代时已经趋于稳定,约简率为56.25%,约简精度为98%。采用BP神经网络对故障数据集最终决策表进行诊断验证,准确率为86.25%,总体效果优于原始数据和其他算法。因此,对油浸式变压器的故障属性进行约简是非常有效的。

结论：

1） 本文将改进型帝国竞争算法应用到油浸式变压器故障属性约简问题中,通过对算法进行介绍,并建模、仿真,最后与其他智能算法进行比较分析,得出该算法具有较强的可行性和适用性。

2）该方法实现了变压器故障属性的最优约简。与遗传算法、粒子群算法和模拟退火算法相比,帝国竞争算法优化粗糙集属性约简具有迭代次数少、约简率高、精度高等优点,降低了对数据存储的要求,提高了分类精度。

3）在保持判别关系不变的前提下,去掉一些无意义的属性,可大大降低后续操作的难度。当样本集数据量较大时,宜采用改进的帝国竞争算法优化粗糙集的方法来进行属性约简。

关键词：变压器故障;改进型帝国竞争算法;粗糙集;属性约简;BP神经网络

     

变精度粗糙集与神经网络在故障诊断中的应用

针对标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

粗糙集理论在变压器故障诊断中的应用

为了对变压器故障诊断过程中大量的冗余特征进行压缩或约简,提高诊断的效率,将粗糙集理论引入到变压器故障诊断中,提出了基于粗糙集理论的故障特征约简算法:即由故障样本构成信息表,组合表中不同的属性集,求取与全体属性集具有相同分类质量的最小属性集。对具体典型诊断实例进行了分析,结果表明:在保证故障分类结果不变的情况下,该算法能够剔除具有冗余信息的特征,找出对故障分类起主要作用的特征,从而达到了特征约简的目的,不仅大大减少了诊断信息提取的工作量,也为后续的智能诊断提供很大的便利。     

农村配电网故障定位方法的研究

文章提出了运用粗糙集理论实现农村配电网故障定位的方法。该方法根据配电网拓扑结构利用各用户区故障投诉信息作为条件属性、故障元件作为决策属性,形成故障决策表,并以此决策表为主要工具,然后利用粗糙集方法对决策表进行属性约简和值约简,导出故障决策表的最小约简形式,获得最小诊断规则,保证了规则的客观性,而且在故障投诉电话信息不完备的情况下,仍能达到快速、准确故障定位的目的,具有良好的容错性能。算例表明该方法简单、可行、有效。     

基于变精度粗糙集的齿轮故障诊断

提出一种基于变精度粗糙集的齿轮故障诊断模型。首先用自组织特征映射神经网络进行数据的离散化;再由变精度近似依赖度进行属性约简;然后生成故障诊断规则。给出一个齿轮的故障诊断的实例,并与粗糙集的故障诊断模型进行比较。结果表明基于变精度粗糙集方法降低了决策规则的复杂度及规则数量,且提高了故障识别率。     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.