基于多信息融合的变压器故障诊断

目前变压器故障诊断中,以油色谱数据为主的诊断方法信息量不足,同时,基于单一智能算法的故障判断能力有限。鉴于此,文中构建了一种基于多信息融合的变压器故障诊断模型。该方法首先将电气试验等数据与17组油中特征气体含量比值相结合作为故障特征量,以获得更丰富的故障信息,并采用特征敏感性评估与核主元分析方法对所选定的故障信息进行特征降维融合,以实现多层面故障信息的互补。其次,将降维融合后的9维特征量分别作为BP神经网络、SVM及贝叶斯方法的特征输入,进行故障类型的初步判定。最后,若初步诊断结果不存在分歧,则直接得出结论;否则,基于证据理论方法分别计算各证据体的基本信任分配,并运用Dempster组合规则进行决策融合,以做出更合理的故障判断。实例分析表明,该方法有效解决了信息单一和方法单一的问题,且有效提高了故障识别准确率。     

基于RF特征选择的BAS-SVM变压器DGA故障诊断技术研究

针对变压器故障诊断多特征量输入时产生的冗余信息以及支持向量机核函数与惩罚因子优化对分类器产生的影响的问题,建立一种基于随机森林（random forest,RF）的特征选择,结合天牛须搜索算法（beetle antennae search,BAS）优化支持向量机的变压器油中溶解气体分析（dissolved gas analysis,DGA）故障诊断方法。该方法选择常见的5种油中溶解气体生成22维待选特征向量,通过RF算法对待选特征集进行重要度排序并消除冗余信息,得到最终的10维输入量,最后利用BAS算法对SVM中的惩罚因子及核函数进行寻优改进,对输入特征量进行故障诊断。仿真结果表明：相比PSO-SVM和ABC-SVM,BAS-SVM故障诊断模型故障诊断准确率分别高出6.83%和10.1%,诊断用时减少3.64 s和1.62 s,验证了所用方法的有效性和可行性。     

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器（SSDAE）的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络（BPNN）和支持向量机（SVM）法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。     

DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。     

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。     

基于信息融合和M-RVM的变压器故障诊断方法

针对仅以油中溶解气体数据为主要依据的变压器故障诊断方法信息量不足以及传统证据理论的缺陷问题,研究了基于信息融合和多分类相关向量机(M-RVM)的变压器故障诊断模型。首先,将油中溶解气体分析数据与电气试验数据作为诊断模型的输入特征量向量,更真实地反映变压器的故障信息。然后,采用4个M-RVM作为分类器,对故障进行初步诊断,并将诊断结果分别转化为证据融合所需证据体,同时引入兰式距离函数与光谱角余弦函数对证据体进行修正。最后,采用改进冲突再分配策略进行决策融合,避免融合过程中出现证据互相矛盾的现象。对比分析结果表明,基于多源信息融合的变压器诊断模型相较单一特征参数诊断以及单一诊断算法具有更高的诊断准确率。     

基于RF特征优选的WOA-SVM变压器故障诊断北大核心CSCD

为进一步提高变压器传统故障诊断方法的准确率,提出了一种基于随机森林(RF)特征优选,结合鲸鱼算法(WOA)优化支持向量机(SVM)的变压器故障诊断方法。该方法首先利用5种常见油中溶解气体构建24维待选特征集合,其次利用RF算法中MDA指标对特征进行排序,通过序列反向搜索法优选出11维DGA特征量作为输入以消除冗余特征,最后将WOA算法用于SVM惩罚因子和核参数的优化,进而实现故障诊断。仿真结果表明,优选出的特征组合可有效提高诊断准确率,WOA-SVM故障诊断模型较PSO-SVM、GA-SVM,在诊断时间和准确率方面更具优势,验证了所提方法的可行性和有效性。     

基于特征评估与核主元分析的电力变压器故障诊断

针对电力变压器故障诊断中的故障特征量数量匮乏、携带的故障信息较为有限,致使故障判断效果不理想等问题,将电气试验数据等与油中溶解气体分析(DGA)相融合所获得的34种特征量作为故障特征量,以完善故障特征信息。在此基础上,将特征评估与核主元分析(KPCA)相结合,构建了一种基于特征评估与核主元分析的故障诊断方法。该方法首先通过特征评估来剔除不敏感故障特征量,以削弱它们对特征提取产生的影响;其次,对经过特征评估后的27维故障特征量进行核主元分析,降低故障特征量的维数;最后,将提取后的9维故障特征量作为输入故障特征向量,采用多分类相关向量机(M-RVM)方法进行故障分类。实例分析表明,该故障诊断方法不仅能有效弥补故障特征量单一等不足,而且更具一般性,其故障诊断准确率达到90.35%,可为故障信息有限情况下的电力变压器故障诊断提供参考。     

基于DGA的粗糙集与决策信息融合变压器故障诊断

针对变压器故障特征信息不确定性、冗余性及传统故障诊断手段的单一性问题,本文构建了一种粗糙集与多决策信息融合的变压器故障诊断模型。该方法首先考虑将16种特征气体比值作为故障特征参量,并利用离散化规则与粗糙集知识约简对其进行知识提取,以有效降低特征信息冗余度。其次,将降维后属性集作为BP神经网络、支持向量机以及贝叶斯网络3种单一诊断方法的特征输入,进行故障类型初步判定。最后,利用DS信息融合规则对3种初步判定结果进行决策融合,以获得更为高效的故障判断结论。实例分析表明,该方法有效削弱了冗余特征信息对诊断结果的影响,能够合理解决证据融合冲突,并切实提高了故障识别准确率,其性能明显优于单一诊断方法。     

变压器故障诊断用油中溶解气体新特征参量

油中溶解气体分析(dissolved gas analysis,DGA)是现场电力变压器故障诊断最常用的方法。然而,油中溶解气体含量较容易受到变压器结构、容量、故障位置以及故障程度等因素的影响,从而降低了变压器故障诊断的可靠性。为了提升变压器故障诊断正确率,该文提出了基于支持向量机(support vector machie,SVM)和遗传算法(geneti calgorithm,GA)优选的DGA新特征参量。首先,以28个DGA比值为输入,建立了基于SVM的变压器故障诊断模型;其次,采用GA同时对SVM参数和DGA比值进行优化,得到9个优选DGA比值作为变压器故障诊断用新特征参量。对IEC TC 10故障数据库的诊断结果表明:DGA新特征参量的故障诊断正确率为84%,较常用的DGA含量和IEC比值的诊断正确率提高10%~25%;并且无论采用哪种特征参量,支持向量机的诊断结果均优于神经网络诊断模型。最后,采用DGA新特征参量对国内117组变压器的故障诊断正确率达到了87.18%,再次验证了该方法的有效性。     

基于多策略ISOA优化SVM的变压器故障诊断研究

针对由支持向量机（SVM）参数难以确定而导致的变压器故障诊断精度低及海鸥优化算法（SOA）易陷入局部寻优的问题,提出一种多策略改进海鸥优化算法（ISOA）优化SVM的变压器故障诊断方法。首先,提出一种多策略的改进方法来全方面提升SOA的寻优性能;然后,利用ISOA对SVM内部参数进行优化,构建基于ISOA-SVM的变压器故障诊断模型;最后,将油中气体溶解分析（DGA）数据的特征提取结果输入到ISOA-SVM模型中进行变压器故障诊断。实例分析表明,所提ISOA-SVM模型诊断精度更优。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于灰色最小二乘支持向量机的变压器油溶解气体预测

变压器油中溶解气体的体积分数是进行变压器绝缘故障诊断的重要依据,对变压器油中溶解气体进行预测有助于及时预测变压器的故障。将灰色预测方法与支持向量机相结合,通过使用对原始数列进行一次累加生成的处理方法,以提取数列所具有的深层规律特征,建立了基于灰色最小二乘支持向量机的变压器油中溶解气体预测模型,并对最小二乘支持向量机参数的选取进行了优化,最终通过实例与BPNN、灰色模型预测结果相比较,验证了该模型的准确性和有效性。     

基于粗糙集与支持向量机的变压器故障诊断法

为了及时监测变压器潜伏性故障和准确诊断故障,提出了一种基于粗糙集与支持向量机相结合的电力变压器故障诊断的新方法。该法应用粗糙集理论将专家知识简化,获得简约诊断规则并对变压器进行粗诊断,然后以支持向量机准确的二类分类功能进行准确故障诊断。该方法实现了两种智能算法的有效互补,拥有粗糙集理论的处理不完备信息能力、简单快速以及支持向量机准确的二类分类功能,有效弥补了单一算法的不足,提高了故障诊断的快捷性和准确性,且降低了样本训练时间和诊断的复杂度。实验结果与改进的IEC三比值法比较,表明该方法有效、可行,具有较高的诊断准确率。     

自适应分级多分类支持向量机在变压器故障诊断中的应用

以变压器油中溶解气体和变压器故障之间的关系为基础,提出了一种自适应分级多分类支持向量机变压器故障诊断方法。此方法基于模式识别特征提取的思想,采用不同的输入向量,对变压器有无故障和故障类型判别时,采取分级决策结构。采用自适应优化算法对多分类支持向量机进行优化,通过诊断效果和不同类型故障识别率的比较,得出变压器油中溶解气体的组分含量比值更能反映变压器故障类型,最终测试效果比较和支持向量机参数分析,可以看出该方法具有较高的准确率和良好的泛化能力。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

BP神经网络在油浸式变压器过热性故障诊断中的应用

针对充油变压器绝缘故障诊断的三比值法的局限性,建立以变压器油中溶解气体含量为样本数据,对不同的隐含层数目进行仿真分析,通过比较确定了适用于变压器绝缘故障诊断的BP神经网络模型。研究表明,这种方法提高了神经网络的收敛速度,符合电力变压器故障诊断系统的实际情况,准确率高。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。