基于深度置信网络和多维信息融合的变压器故障诊断方法

为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。     

变压器故障诊断中信息融合技术的应用

电力变压器的可靠性直接影响供电的稳定,为此结合电力变压器故障诊断的具体情况,从信息融合的角度提出了基于信号类型及不同特征向量组合的集成诊断模型。该模型利用基于故障机理内在因素的专家系统,采用匹配知识规则,通过模糊推理,得特征向量与变压器故障信息间的关联性质,完成故障诊断,且诊断完成后,利用数据挖掘技术将诊断过程中的特征量、推理过程、结果以编码形式存入专家系统规则库。该模型将油中溶解气体、电气参数等特征量结合作为故障判据,评估变压器状态,并利用评估结果丰富专家系统的规则库。在讨论了多传感器信息融合技术用于变压器在线故障诊断时的具体实现方法后通过实例进行分析说明:利用来自传感器的各种故障信息进行融合,作为变压器故障诊断的判据,提高了诊断的可靠性和准确性,这将对提高电网安全性能及电气设备的诊断自动化与智能化水平起到推动作用。     

浅谈专家系统在干式变压器故障诊断系统中的应用

阐述了为实现干式变压器故障诊断的自动化,降低判断的随机性,提高诊断水平,将专家系统引入到故障诊断中,指出该系统由数据库、知识库、推理机和解释器等组成,利用人工智能理论进行诊断。在简述故障诊断专家系统的基本构成和诊断机理的基础上,构造了干式变压器故障诊断专家系统的基本模型,为干式变压器的智能化诊断奠定了一定的基础。     

基于信息融合的变压器内部故障诊断方法

目前变压器内部故障诊断诊断的有效性仍有待进一步研究。为此,提出了一种基于信息融合的多证据体变压器内部故障诊断新方法。该方法基于神经网络、SVM和S_Kohone聚类算法形成初级诊断结果出现分歧时的多证据体,判断证据体之间是否存在隐藏冲突,不存在隐藏冲突则优先采用证据分类折扣算法,否则采用证据主元的证据折扣算法对证据源进行修改,利用Dempster规则合成得出故障诊断结论。基于DGA和电气试验的实例验证表明采用的变压器内部故障诊断方法的有效性。提出的基于信息融合的变压器内部故障诊断新方法合理协调了证据体之间的信息冲突,有效融合了各种不同智能算法的判断结果,且故障识别正确率较融合前提高到88.65%。     

基于多源信息的变压器故障诊断与状态评价方法研究

针对变压器结构复杂、故障种类多、状态量多的特点,建立了基于多源信息的变压器故障诊断与状态评价模型,按照故障类型故障指数评估→部件状态评估→设备状态评估的层次逐级进行状态评价,为变压器的综合诊断提供了有效的判断方法。同时,针对变压器的故障诊断,提出了一种多维度的故障诊断方法,通过故障指数量化评价变压器故障的严重程度,对其相对劣化程度和故障程度提供了科学合理的评估方法。     

基于模糊数学的变压器故障诊断专家系统

开发了一种基于模糊数学的电力变压器故障诊断专家系统。经实例验证,该专家系统能够有效地诊断变压器故障,且具有较高的准确性。     

基于信息融合的变压器故障多级诊断方法

建立了基于信息融合的变压器故障多级诊断模型,该模型融合了在线监测、油中溶解气体、电气试验等多源数据信息。采用自适应遗传算法优化的小波神经网络对变压器故障进行初级诊断,通过改进D-S证据理论对初级诊断结果进行决策级融合,实现对变压器故障的深度诊断与定位。通过应用实例证明,该方法可以有效提高变压器故障诊断的精度和可信度,减小诊断的不确定性。     

基于多传感信息融合的电力变压器绕组故障诊断方法

传统电力变压器绕组故障诊断方法直接对变压器绕组故障进行诊断,未对振动信号进行特征提取,造成诊断精准度低。为此,提出基于多传感信息融合的电力变压器绕组故障诊断方法。在故障诊断之前采集绕组振动信号,在采集绕组振动信号的基础上,重点对变压器绕组振动特征进行提取,通过提取的特征利用多传感信息融合算法对变压器绕组变形故障进行故障诊断。设计对比实验,实验结果证明该方法在不同数据预处理下的故障诊断精准度高于传统方法,有一定的研究价值。     

基于D-S证据理论的油浸式电力变压器故障诊断

当前对变压器进行故障诊断,主要是利用从分散的传感器收集到的检测信息,但使用单独的传感器采集数据进行判别,由于缺乏对数据的融合分析,易造成诊断中的误判或漏判。提出了一种基于D-S证据理论的油浸式电力变压器故障诊断方法,该方法通过融合数据来处理故障诊断中的不确定度。建立了故障诊断的融合模型,给出了方法的具体实现步骤并应用实例进行计算。结果表明,本方法可以减少诊断中的不确定性,提高故障诊断的准确性。     

基于AdaBoost-RBF算法与DSmT的变压器故障诊断技术

针对目前浅层机器学习理论在变压器故障诊断上精度不高以及大多数诊断方法参考的信息特征量单一的现状,提出一种基于AdaBoost-RBF算法与Dezert-Smarandache理论(DSmT)的变压器故障诊断方法。选择反映变压器故障信息的油中溶解气体、试验及产气率数据构成诊断参量空间,利用AdaBoost算法改进RBF神经网络算法,应用AdaBoost-RBF算法搭建并行的训练单元构造变压器故障诊断识别框架的基本信度赋值(BBA)。基于多源信息融合的思想,应用DSmT对基本信度赋值进行融合得到最终诊断结论,该理论克服了D-S证据理论无法融合高冲突性证据的局限性。对110 kV变压器进行仿真实例分析,结果表明所提方法具有良好的实用性。     

基于DGA的变压器故障诊断智能方法分析

针对传统变压器故障诊断方法的不足,介绍了多种智能诊断方法在基于油中溶解气体分析（dissolved gas-in-oil analysis, DGA）的变压器故障诊断中的应用,包括人工神经网络、模糊理论、专家系统、灰关联分析及其他智能方法。通过对这些智能诊断方法的分析,得出其优缺点及需要改进的方案,为研究人员选择最优油浸式电力变压器故障诊断方法提供参考。最后对基于DGA的变压器故障智能诊断方法进行了展望,并分析了未来的发展方向。     

基于规则式的多重故障诊断及最优送电路径策略

为了提高电网多重故障诊断的准确性,提出一种基于多系统数据信息融合的故障诊断算法。通过对故障全过程的数据特征进行分析,以故障数据与电网结构图为基础对一次设备进行建模,形成断路器、线路、母线、主变诊断模型。对来自不同信息源(SCADA、保信系统、录波联网系统)的数据进行统一处理,形成故障全过程智能诊断数据源,并以此为基础进行深度数据融合,提升信息的质量。充分利用故障后的断路器状态和电气量信息,对故障进行精确诊断,确定故障区域,然后,采用基于规则式的故障恢复路径算法,给出快速恢复供电的最优的路径。该系统运行情况表明,所提出的方法具有较强的实用性。     

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。     

基于粗糙集理论与模糊Petri网络的油浸电力变压器综合故障诊断

电力变压器故障诊断因果关系的复杂性与模糊性，采用单一智能方法难以准确描述。文中基于智能互补融合的思想，将粗糙集理论与模糊Petri网络有机结合在一起进行油浸电力变压器故障诊断。利用粗糙集信息表简化技术来实现对专家知识的简化与故障特征的压缩，获得最小诊断规则，基于最小诊断规则的Petri网络模型可以有效降低网络结构的复杂性与故障特征获取的难度。同时利用模糊Petri网络实现并行模糊推理，便于描述故障特征的变化及对变压器运行特性的快速分析。故障实例分析表明，文中所提出的智能方法可以有效地进行模糊推理，减小诊断信息的冗余性，诊断效率高，计算快速、准确，结果易于被人理解。     

基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法

电力变压器故障诊断对电力系统的安全运行有着十分重要的意义。文中基于智能互补融合的思想,将粗糙集理论与贝叶斯网络有机结合在一起,提出了一种电力变压器故障诊断的新方法。利用粗糙集信息表约简技术来实现对专家知识的简化与故障特征的压缩,获得最小诊断规则,基于最小诊断规则的贝叶斯网络模型可以有效降低网络结构的复杂性与故障特征获取的难度;同时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,进行了变压器故障实例分析,诊断结果证明该方法的正确性和有效性。     

基于GA与RS的电力系统输电线路故障诊断

针对电力系统中存在着各种故障,及断路器跳闸进而引起大范围停电的情况,提出了一种基于建模-简约-优化的多源信息融合的智能故障诊断方法.通过对电力系统输电线路故障的原因分析,确定基于遗传算法的故障诊断规则.再利用粗糙集理论对故障动作决策表进行最大限度的约简,此方法保留了关键信息同时得到了知识的最小表达,能够更快更准确的诊断出故障发生的位置.通过实验证明:文中所提出故障诊断模型高效便捷,可应用于大型电力系统的故障诊断,尤其是输电线路方面的故障诊断,在诊断电力线路故障方面提供了一个切实有效的方法.     

电力变压器信息管理及故障诊断专家系统的研制

介绍了变压器故障诊断专家系统的情况,描述了所开发系统的TFDES结构、推理机制、实现方法及诊断管理的主要功能。现场测试表明:TFDES结构合理,推理正确,能有效诊断运行中变压器的内部故障。     

判决树方法用于变压器故障诊断的研究

提出了一种利用属于模式识别范畴的判决树ID3（Identification Data)方法进行变压器故障诊断的方法。由于ID3方法可方便地处理具有非数值特征模式且具有从样本学习规划的功能,对实例的应用显示了该手段用于变压器故障诊断的适用性。通过讲座,指出了ID3方法与人工神经网络、专家系统等人工智能方法相比所具有的优点,说明该方法和其它人工智能方法相结合是实现变压器故障诊断实用的有效途径。