共查询到18条相似文献,搜索用时 78 毫秒
1.
针对模糊聚类及核聚类算法在电力变压器DGA分析中存在的初值敏感及易陷入局部极值点的问题,提出了一种人工免疫优化模糊核聚类的新算法。该算法将基于克隆选择原理和亲和力成熟的免疫克隆算法与模糊核聚类算法相结合,采用群体搜索策略,将待分类的数据对象视为抗原(Ag),把聚类中心看作抗体(Ab),通过免疫系统不断产生抗体,识别抗原来优化FKCM的目标函数,能快速地获得全局最优解。仿真结果证明了该算法在变压器故障诊断上的可行性和有效性。 相似文献
2.
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 总被引:21,自引:4,他引:21
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. 相似文献
3.
变压器油中溶解气体分析中的模糊模式多层聚类故障诊断方法的研究 总被引:35,自引:11,他引:35
基于当前对电力变压器故障识别中的模型空间划分缺乏研究的情况,将模糊聚类技术引入了电力变压器油中溶解气体分析DGA。在对所收集的183组电力变压器绝缘故障样本进行了多层树形聚类的基础上,通过多次分析绝缘故障,得到了一种准确程度较高的故障诊断方法。 相似文献
4.
阐述了故障气体产生的机理、故障类型与故障气体间的联系,提出限制溶解气体分析(Dissolved Gas Analysis,DGA)算法发展的瓶颈在于还没有找到更接近变压器真实状况的气体模型,然后通过一种新的DGA算法提出了评估变压器故障概率这一概念,为探讨DGA算法的进一步发展趋势做出了有益的尝试。 相似文献
5.
电力变压器是电力系统中最重要的电气设备之一。变压器油中溶解气体分析是变压器故障诊断的重要手段。故障征兆和故障类型之间存在复杂的非线性关系决定了传统的方法难以完全满足工程应用的要求。本研究提出一种改进面积广义灰色关联度来分析序列之间的相似性与相近性,以期能有效诊断变压器的故障类型。 相似文献
6.
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 总被引:2,自引:0,他引:2
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。 相似文献
7.
基于模糊聚类和完全二叉树支持向量机的变压器故障诊断 总被引:3,自引:0,他引:3
为提高电力变压器故障诊断准确率,提出基于模糊聚类和完全二叉树支持向量机的故障诊断模型,即通过模糊C均值聚类,对样本采用完全二叉树结构逐层划分,直至最后得到各故障分类。该方法克服了一般方法对故障划分不明确、分类重叠和不可分等缺点。试验表明,相比改良三比值法、支持向量机分类"一对一"和"一对多"组合,该方法在电力变压器故障诊断中具有最高的诊断准确率。 相似文献
8.
加权模糊核聚类法在电力变压器故障诊断中的应用 总被引:2,自引:4,他引:2
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。 相似文献
9.
10.
11.
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) 总被引:1,自引:0,他引:1
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。 相似文献
12.
13.
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。 相似文献
14.
变压器油中气体色谱分析中以模糊综合评判进行故障诊断的研究 总被引:19,自引:4,他引:19
在对传统比值法的编码组合进行模糊化处理和统计及分析的基础上得到了编码-故障模糊关系矩阵Rf;以现场用常现色谱方法检测到的特征气体比值所对应的27组编码组合的隶属度作为特征输入矢量,通过综合评判求得故障输出矢量,并确定出故障类型。结果表明,应用本文建立的模糊关系矩阵对变压器故障进行综合评判诊断的方法是有效的。 相似文献
15.
16.
17.