组合神经网络在变压器故障诊断中的应用

针对油中溶解气体分析数据的归一化预处理,利用可靠性数据分析特征气体浓度和累积频率的概念,提出了两种新的归一化方法:特征浓度归一化法和混合归一化法,引入Fisher准则函数来评价两种预处理方法的效果。检验结果表明,这两种归一化的数据预处理方法可获得类间均值差值较大、类内离散度小的效果。运用不同的归一化预处理方法对故障变压器的色谱数据进行处理后作为训练样本,对CP算法的组合神经网络进行训练。检验样本的诊断结果表明,新的归一化预处理方法能够提高网络诊断的准确率。     

加权模糊核聚类法在电力变压器故障诊断中的应用

变压器油中溶解气体分析(DGA)是电力变压器故障诊断的重要方法。针对模糊C均值聚类算法用于溶解气体成分分析时存在的问题,将加权模糊核聚类方法(WFKC)引入到电力变压器故障诊断中,建立了一个新的变压器故障诊断模型。该法首先考虑到样本中不同特征对聚类结果的不同影响,利用基于样本相似度的加权方法对样本特征进行加权,然后将样本从输入空间映射到高维特征空间,在特征空间实现加权模糊核聚类。形成的模型充分考虑了不同特征对聚类结果的不同影响,能有效改善复杂数据集的聚类性能,提高了故障诊断的正确率。案例分析表明,该法能快速有效地对样本进行聚类,从而验证了该法在变压器故障诊断中的有效性和可行性。     

基于广义神经网络与模糊聚类的变压器故障诊断

鉴于IEC三比值法在变压器故障诊断中,存在编码缺失和编码边界过于绝对等缺陷,提出了基于广义回归神经网络(GRNN)和模糊C-均值聚类算法(FCM)的变压器故障诊断方法,建立了GRNN-FCM联合变压器故障诊断模型。选取变压器油中5种特征气体体积分数及其三比值编码作为输入特征向量,利用GRNN模型对样本故障进行初步判断(正常、过热、放电、放电兼过热),再采用模糊C-均值聚类算法对样本故障作进一步判断,最终得到具体的故障类型。将该模型与其他几种故障诊断方法进行对比分析,仿真实验结果表明,GRNN-FCM联合变压器故障诊断模型输出值与实际值具有较好一致性且准确度更高,验证了该模型的可行性及实用性。     

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。     

基于加权模糊C均值聚类算法的变压器故障诊断

模糊C均值聚类(FCM)算法具有将数据集合进行相等划分的趋势,每一个样本对数据集分类的影响相同.在变压器绝缘故障中,不同故障类型产生的主要特征气体及气体组分含量存在很大差异.因此,为了区别各类数据对故障划分的影响程度,可考虑对各类数据施加一个权.文中提出了一种加权模糊C均值聚类(WFCM)算法,该算法可实现故障聚类.与FCM算法相比,WFCM算法明显提高了故障划分的正确性和鲁棒性.     

基于非负矩阵分解与改进极端学习机的变压器油中溶解气体浓度预测模型

变压器油中溶解气体浓度是评估变压器绝缘状态的重要依据,对气体浓度进行有效预测,可以及时识别变压器潜伏性故障。文中提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)与改进极端学习机(extreme learning machine,ELM)组合的变压器中溶解气体浓度预测模型。该方法通过NMF算法对输入样本进行分解,同时引入Adaboost算法对极端学习机进行改进;将低维矩阵作为模型的训练样本输入,剔除冗余数据,提高预测精度。实例分析结果表明,文中提出的方法能有效地降低输入样本维数,提高预测精度,能较好地解决变压器油中溶解气体浓度预测问题。     

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。     

基于大数据挖掘的电力变压器健康状态差异预警规则策略

考虑到模糊边界问题以及变压器个体之间的差异性特征,提出了一种基于大数据挖掘的电力变压器健康状态差异预警规则策略。应用模糊C-均值法辨识变压器的最优特性,通过概率图验证该方法能最大限度地反映变压器的个性化特征,且所选特征下的全套溶解数据符合Weibull模型。然后对溶解气体分布特征与缺陷/故障率进行关联分析,计算出相应的报警阈值。将气体浓度和气体增加率与已建立的警告相关联,可以识别变压器的运行状态。在此基础上,提出了基于不同阈值的预警规则,并将其应用于现场运行的变压器。试验结果表明,提出的方法准确率高达98.21%,证明了提出方法具有良好的状态监测性能。     

基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究

变压器油中溶解气体分析（Dissolved Gas Analysis,DGA）是电力变压器绝缘诊断的重要方法.针对模糊C均值聚类算法用于溶解气体成分分析时存在的问题,文中将核函数和可能性聚类算法相结合,提出一种简化的核可能性聚类算法,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.经实践证明,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.     

基于克隆选择分类算法的电力变压器故障诊断

变压器油中溶解气体分析是进行电力变压器故障诊断的一种有效方法,将克隆选择分类算法引入电力变压器油中溶解气体分析,利用免疫克隆选择原理学习并提取表征故障样本特征的记忆抗体集,然后用最邻近分类法对故障样本进行分类。人工免疫系统具有良好的自学习和自记忆能力, 使得克隆选择分类算法具有很强的非线性分类和泛化能力。经大量实例分析,并将其结果与IEC三比值法和BP神经网络等方法的结果相比较表明,该算法能有效对电力变压器单故障和多故障样本进行分类,并具有较高的诊断精度。     

动态加权模糊聚类在变压器故障诊断中的应用研究

为提高变压器故障诊断准确率,提出了一种基于遗传算法的动态加权模糊C均值聚类算法。该算法使用把聚类中心作为染色体的浮点数的编码方式,染色体长度可变,不同的长度对应于不同的故障聚类数;并使用权值区别不同样本点对故障划分的影响程度。将该算法应用于电力变压器油中溶解气体分析(DGA)数据分析,实现了变压器的故障诊断。经过大量实例分析,并将结果与其他算法进行对比,表明该算法具有较高的诊断精度。     

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。     

变压器故障诊断中溶解气体的PSO-WFCM算法研究

由于模糊聚类将故障样本等同进行模糊划分,且受初始值影响,故提出将PSO-WFCM算法用于变压器油中溶解气体的故障诊断。该算法选取油中气体作为故障特征量,利用粒子群算法得到最佳初始聚类中心,用以指导模糊聚类求取最终的聚类中心。实验结果表明,其弥补了模糊聚类的不足,还提高了变压器的诊断性能。     

变压器故障诊断中溶解气体的PSO-WFCM算法研究

由于模糊聚类将故障样本等同进行模糊划分,且受初始值影响,故提出将PSO-WFCM算法用于变压器油中溶解气体的故障诊断。该算法选取油中气体作为故障特征量,利用粒子群算法得到最佳初始聚类中心,用以指导模糊聚类求取最终的聚类中心。实验结果表明,其弥补了模糊聚类的不足,还提高了变压器的诊断性能。     

FCM结合IEC三比值法诊断变压器故障

由于电力变压器的故障原因、故障现象和故障机理间存在着随机性和模糊性等不确定因素,故障特征量和故障征兆间没有明确的一一对应关系,为了用特征量的数值大小来衡量和确定故障发生的原因和严重程度,在深入对变压器油中溶解气体分析的基础上,按照聚类分析的思想,运用模糊C-均值聚类分析原理(Fuzzy C-Means,FCM)和IEC三比值法,将这两种故障类型识别的方法在特征气体诊断分析中进行有效结合,建立了多诊断方法的系统框架。该法可以定量地确定故障在特征气体空间上的聚集效应,从而达到对故障进行自动合理分类的目的。仿真得出该方法正判率为98.1%,较IEC比值法、FCM算法的正判率分别提高了3.6%、4.5%。结果表明该方法具有很高的可行性和有效性。     

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。     

基于RFE和SA-SVM的变压器故障诊断

通过对变压器油中溶解气体进行分析,可以及早的发现变压器的故障。为了全面地反映变压器内部故障与特征气体之间的关系,提出采用5种特征气体浓度比值共计15组作为特征预输入量,并采用基因选择算法对15个特征量进行筛选,将筛选后特征量作为支持向量机模型输入。在SVM模型中,采用模拟退火算法对SVM的参数进行优化,给出其GUI界面。最后,通过数据验证基于RFE-SA-SVM模型故障诊断率要高于单一模型。     

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。     

基于遗传算法优化XGBoost的油浸式变压器故障诊断方法

为了提高油浸式变压器故障诊断的精度及可靠性,研究了一种基于遗传算法优化极端梯度提升(XGBoost)的油浸式变压器故障诊断方法.首先,以油中溶解气体分析(DGA)为依据,采用无编码比值方法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;以归一化样本为输入建立基于XGBoost的故障诊断模型,并采用遗传算法对模型中的多个超参数同时进行优化.在算例部分,收集547例故障类型确定的DGA数据进行对比实验,结果表明与现有传统方法相比,所提方法的诊断精度和稳定性有显著提升;同时验证了遗传算法对故障诊断模型的优化提升效果.     

基于灰色马尔可夫模型的变压器油中溶解气体体积分数预测

准确预测变压器油中溶解故障特征气体的体积分数对发现变压器早期潜伏性故障,实现电力系统安全经济运行具有重要意义。将灰色多变量预测方法和马尔可夫链理论有机结合,提出了一种适合变压器故障特征气体体积分数预测的灰色马尔可夫组合预测模型。利用优化的背景值构造公式建立灰色多变量模型对变压器故障特征气体时间序列的宏观发展规律进行动态预测,在此基础上,建立故障特征气体时间序列的状态转移概率矩阵,以归一化的各阶自相关系数作为权重值,通过加权马尔可夫链模型修正灰色多变量模型预测值,实现变压器故障特征气体体积分数的预测,预测精度较高。实际算例分析验证了该模型的实用性和有效性。