基于贝叶斯网络和DGA的变压器故障诊断

用 3步法构造贝叶斯网络 (BN)方法 ,结合油中溶解气体分析 (DGA)的三比值法后 ,引入大型变压器的故障诊断 ,提出了基于BN理论和DGA方法的变压器智能故障诊断模型。 2 2台故障变压器的诊断实例验证此法有效     

模糊贝叶斯网的变压器故障诊断

目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一。变压器故障诊断中的信息具有随机性和不确定性的特点,文中提出一种基于模糊贝叶斯网络的变压器故障诊断方法。该方法利用贝叶斯表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型。实例证明,该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据。     

基于物元模型的电力变压器可拓故障诊断研究

变压器油中溶解气体分析是电力变压器故障诊断的重要手段.传统的基于IEC三比值法的故障诊断方法虽然有诸多优点,但是仍然存在缺陷.因此在IEC三比值法的基础上建立了电力变压器故障诊断的物元可拓数学模型,并依据三比值法的特点改进了关联函数.该方法在继承IEC三比值法优点基础上使得诊断结果更准确,并且能够弥补三比值法的编码不足...     

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。     

基于模糊神经网络的变压器故障诊断技术与方法的研究

将模糊技术与神经网络引入到变压器故障诊断中,提出了运用基于特征气体法的神经网络模块和基于改良三比值法的模糊神经网络模块对变压器油中溶解气体进行综合分析,判断油中溶解气体的特征,以此来诊断变压器可能发生的故障。     

三种变压器故障诊断方法比较研究

变压器常规诊断的油中溶解气体的三比值法(IEC),在目前变压器故障诊断中有着广泛的应用,许多人工智能技术在电力变压器故障诊断中的应用都是基于IEC法进行研究的,并在此基础上提出了基于神经网络和模糊神经网络的变压器故障诊断专家系统。该文将传统IEC三比值法、神经网络法和基于IEC三比值法的模糊神经网络法进行了比较。本文结合实例对这三种诊断方法进行了分析与探讨,指出了传统的IEC三比值法的不足,神经网络法和基于IEC三比值法的模糊神经网络法的优点等。     

基于遗传算法和模糊逻辑的油浸式电力设备故障诊断方法

目前对电力设备的故障诊断应用最广泛的油中溶解特征气体分析方法是IEC三比值法,但是,IEC三比值法因编码边界条件过于绝对而降低了故障诊断的准确性.该文研究应用改进遗传算法来优化模糊逻辑模糊隶属度函数的参数,并用来提高改良IEC三比值法故障诊断的准确度.该故障诊断方法实现了故障特征气体比值边界和故障编码的模糊处理,并通过模糊推理得到故障诊断结果.通过文中方法与改良IEC三比值法比较表明,该方法有效地提高了电力变压器故障诊断的准确度.     

基于特征量优选与ICA-SVM的变压器故障诊断模型

为了弥补现有变压器故障诊断方法在油中气体分析(DGA)特征量选取和诊断模型方面的不足,采用IEC三比值法中的3种气体比值作为变压器故障诊断的特征量。同时从含有8种油中溶解气体中任意3种及以上的共254种气体组合中筛选出准确率最高的3组最优DGA特征气体组合,将其作为对照组特征量。然后采用帝国竞争算法(ICA)优化支持向量机的变压器故障诊断模型(ICA-SVM),与标准支持向量机(SVM)法、粒子群优化向量机(PSO-SVM)以及IEC三比值法进行对比。实例结果表明:三气体比值特征量相比3组最优DGA气体组合,故障识别准确率提高了10%左右;ICA-SVM故障诊断模型相比标准SVM法、PSO-SVM和IEC三比值法故障识别准确率提高了7%～35%;综合三比值特征量与ICA-SVM故障诊断模型的准确率为89.3%,相较其他几种方法准确率提升了7%～35%。结果验证了该方法的有效性和准确性。     

基于深度学习的变压器故障诊断方法研究

油中溶解气体分析方法(DGA)是变压器内部故障诊断的重要方法,广泛应用在变压器在线监测和定期试验检测中,传统的特征气体法和三比值法等诊断方法在实际应用中普遍存在着一定的局限性,导致故障诊断精度偏低。针对这一问题,本文提出了一种基于深度学习技术中的多层感知机的变压器故障综合诊断方法,利用开源的Scikit-learn机器学习框架及Tensor Flow深度学习框架构建了变压器故障诊断模型,并应用实际工程中的故障样本数据,对故障诊断模型进行了训练和测试。试验结果表明,基于多层感知机技术的变压器故障诊断模型能够对变压器故障进行正确诊断,与传统的三比值法及支持向量机技术相比,多层感知机的诊断准确率更高,具有更优的故障诊断性能,能够为变压器的检修提供更为准确的参考信息。     

融合粗糙集和神经网络的变压器故障诊断

为提高变压器故障诊断的准确性,进行了利用粗糙集和神经网络来诊断变压器故障的研究。首先将连续属性的决策表离散化,部分属性采用基于油中溶解气体分析知识的方法离散化,部分属性采用自然算法和等频划分算法离散化;然后用粗糙集属性约简方法对离散后的决策表进行属性约简以获取最小决策表,约简后的最小决策表反映了变压器油中溶解气体的5种比值与故障的关系,是对IEC三比值法的扩展;最后用最小决策表训练BP神经网络,并用测试数据对训练后的BP神经网络进行检验。结果表明该方法比IEC三比值法有更高的故障判断准确率,结合粗糙集和神经网络诊断变压器故障可约简变压器故障诊断决策表,简化神经网络的结构,提高故障诊断的准确率。     

利用变压器油中溶解气体分析技术进行故障诊断的研究

基于油中溶解气体分析技术是变压器故障诊断重要的分析手段,提出了多种以油中气体含量为依据的判断变压器故障类型的方法.主要对基于油中溶解气体分析技术的变压器绝缘故障诊断方法进行探讨.总结了传统变压器绝缘故障诊断方法,讨论了基于人工智能技术的变压器绝缘故障诊断方法,这些方法有效地提高了,叟压器绝缘故障诊断的正确率.人工智能技...     

电力变压器灰色关联故障诊断模型的组合权重法

油中溶解气体分析(dissolved gas-in-oil analysis,DGA)是识别变压器故障的重要手段。笔者基于油中溶解气体数据介绍灰色关联理论,给出了基于组合权重变压器故障诊断的灰色关联分析法。在判定变压器故障类型时,各溶解气体其权重不同,利用层次分析法求出各特征气体在诊断变压器故障类型时的主观权重,但各专家通过层次分析法确定指标权重会存在许多主观因素,文中应用灰色关联分析法对其进行调整,消除各专家造成的各指标权重分配不统一,用熵值法确定指标的客观权重,结合熵值法和层次分析法对指标权重值进行综合确定得到组合权重,再将组合权重应用到灰色关联诊断模型中。最后结合实例对诊断方法进行分析讨论,诊断结果表明了该方法的有效性。     

RST和NBN用于电力变压器故障诊断

电力变压器发生故障后,当故障信息存在不完整或不确定性,甚至关键信息丢失时,会导致故障诊断难以得出正确结论。针对此问题,提出了一种将粗糙集理论(RST)与朴素贝叶斯网络(NBN)结合的电力变压器故障诊断新方法。首先将油中溶解气体分析(DGA)结果和其他电气试验结果作为条件属性,故障区域作为决策属性,考察各种故障与征兆间的连接关系并建立决策表,接着利用基于可辨识矩阵和信息熵的属性约简算法实现对专家知识的简化与故障特征的压缩,提取最佳属性约简组合,然后以最佳属性约简组合形成的约简决策表建立朴素贝叶斯网络模型,利用贝叶斯网络实现概率推理,便于描述故障特征的变化及对变压器故障原因的快速分析。最后对变压器故障进行实例分析,诊断结果证明该方法是正确和有效的,具有较好的实用价值。     

基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断

阐述了已有变压器故障诊断方法的不足，并将信息融合的基本思想引入变压器故障诊断中。针对电力变压器故障综合诊断的特点和要求，运用改进粒子群优化-反向传播（PSO-BP）算法训练神经网络并结合D-S证据理论，提出了一种基于信息融合技术的变压器故障综合诊断决策模型。该模型以油中溶解气体色谱分析为基础，结合变压器常规电气试验结论与现场运行、维修经验，得出了较为可靠的诊断结果，实例验证也证明了该方法的有效性。     

以油中溶解气体分析为特征量诊断电力变压器故障部位的探讨

用油中溶解气体分析(DGA)能灵敏地发现电力变压器潜伏性故障的性质。然而，对于采用DGA来诊断电力变压器故障部位的方法，目前仍存在能与不能两种观点。笔经过10年的探索，结合实际故障，运用多种诊断方法(如改良三比值法、四比值法、特征气体法、灰色聚类法等)联合诊断，再经正反向混合推理，可以得出最可能的电力变压器故障部位，有效提高了诊断准确性，这对实际生产具有一定的现实意义。     

基于加权综合损失优化深度学习和DGA的变压器故障诊断方法

为进一步提高变压器故障诊断效果,提出了一种基于加权综合损失优化深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以DGA特征量为输入,以Softmax层各故障状态概率分布为输出,基于堆栈稀疏自编码深度学习理论构建了变压器故障诊断模型。针对常规交叉熵损失函数下,变压器故障诊断效果偏低,训练样本不平衡分布影响故障诊断水平的问题,采用加权综合损失函数对深度学习模型进行优化。案例分析结果表明:相比传统方法,本文方法可削弱训练样本不对称对变压器故障诊断的不利影响并提高变压器故障诊断水平,各训练集下,本文方法故障诊断准确率可保持在90%以上。     

基于时序特征和参数估计的变压器故障诊断方法

油中溶解气体分析(DGA)是对变压器进行故障诊断最方便、最有效的方法之一,其中静态分析方法取得了较多的研究成果。实际中故障信息的出现具有时序特征,趋势信息可以反映故障的状态及发展,将基于时序特征的动态分析方法与传统的静态分析方法相结合,可以对故障发展及危害进行更为全面准确的描述。提出了基于时序特征和参数估计诊断变压器故障的方法,采用最小二乘参数估计算法识别特征气体的变化趋势,采用滑动窗口方法实现在线分析,利用递推最小二乘估计算法减小运算复杂度。以实际变压器油中气体测量数据进行实验,结合静态三比值和灰色关联度分析方法,对变压器进行故障诊断,实验结果证明了方法的有效性。     

变压器油中溶解气体分析法应用中存在的问题及产气识别（二）

4变压器各类产气的识别 4．1自然老化产气的识别 自然老化产气与变压器内的水分和氧气含量有关，而他们与制造和维护水平有关，所以每一台变压器运行后所含特征气体的浓度是不同的。根据统计，如果油中乙炔保持为0值，总烃缓慢地上升，平均产气率〈0．1μL／（L·d），则可认为是自然老化。自然老化是可以控制的，控制水平不同，老化程度就不同。