基于多种智能方法的变压器故障综合诊断模型

鉴于粗糙集处理不完备信息的有效性、范例推理查询匹配的直观性以及比值法的简洁性,提出了基于多种智能方法的变压器故障综合诊断方法。综合考虑了油中溶解气体分析与电气试验等多种故障征兆,在分析大量变压器故障案例的基础上,建立了基于粗糙集、范例推理及比值法的综合诊断模型。该模型采用3层结构对变压器故障逐步进行细分,即使在不完备信息时也有助于为现场提供较有效的维修建议。该模型具有计算速度快、正判率高、结果直观等优点。实例也表明了该方法的有效性。     

基于模糊数学和概率论的变压器故障诊断

为克服现有专家系统人工神经网络和模糊数学等诸多不足,基于前人对变压器故障诊断理论的研究,综合考虑变压器电气试验、油中溶解气体检测分析及观测信息,并引入模糊数学、概率推理和节约覆盖集理论,建立了一个新的变压器故障综合诊断模型。模糊隶属函数利用各专家的语义强度和经验,建立变压器故障性质与故障征兆之间的因果强度关系,再将概率统计和模糊数学相结合,利用节约覆盖集的理论重新筛选故障征兆集,重构相对似然函数。形成的模型能最大限度融入专家的知识,充分考虑了变压器的历史检修记录,使诊断结论更准确、可信。案例分析表明,该模型即使在只有部分征兆的情况下亦能准确诊断,对综合诊断变压器故障性质具有明显的优越性。     

基于多种人工智能技术集成的电力变压器故障诊断

本文提出的算法综合了进化规划、模糊理论，人工神经网络，范例推理四种人工智能技术的优点，弥补了单种人工智能技术的缺陷，缩小了样本间的数据差异，优化了网络初始权值，大大提高了人工神经网络的收敛性，人工神经网络的拓扑结构及训练样本经过大量的计算进行筛选确定，并通过基于范例推理的专家系统检索出最佳源范例并给出诊断结论。诊断结果表明，本方法能较准确地判别电力变压器故障。     

范例推理结合神经网络诊断变压器故障

将范例推理引入到电力变压器的故障诊断 ,对常用的 BP神经网络模型进行修改 ,得出的一种新范例检索算法实现了对电力变压器绝缘故障的诊断。新方法的有效性得到了实例的验证     

基于变压器DGA广义灰色故障诊断

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。     

基于粗糙集理论的电力变压器绝缘故障诊断

提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法 ,它能够根据不完整征兆信息对电力变压器故障进行诊断。该方法不但可直接从完备的故障征兆样本集中导出正确的诊断结论 ,而且还能从不完备的故障征兆样本集中导出满意的诊断结论 ,它揭示了故障征兆信息的冗余性。实例诊断结果证实了该方法的有效性     

基于粗糙集理论的电力变压器绝缘故障诊断

提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法,它能够根据不完整征兆信息对电力变压器故障进行诊断.该方法不但可直接从完备的故障征兆样本集中导出正确的诊断结论,而且还能从不完备的故障征兆样本集中导出满意的诊断结论,它揭示了故障征兆信息的冗余性.实例诊断结果证实了该方法的有效性.     

基于3层贝叶斯网络的变压器综合故障诊断

为了全面准确地诊断变压器故障,在已有研究基础上通过分析变压器不良工况、故障模式和异常征兆3者之间的因果关系,建立了基于3层贝叶斯(Bayes)网络的综合故障诊断方法。此方法可将不良工况纳入模型,与异常征兆一起作为证据信息,弥补了现有诊断方法因缺少对不良工况的分析以致证据信息不完备这一不足。在此3层Bayes网络模型下,利用Bayes网络推理方法,可获得网络中的最大可能解释,它包含了变压器当前状态下可能性最大的故障模式组合和其他未检测的异常征兆的可能状态,并包含并发故障模式,为下一步诊断试验提供了重要依据。     

范例推理与模糊数学的变压器故障诊断方法

提出一种在范例推理框架上集成模糊数学的故障诊断方法 ,结合已有的基于神经网络的范例推理诊断方法构造出可应用于电力变压器绝缘故障的综合诊断模型。它综合了多种人工智能技术的优点 ,可期望有较高的诊断准确率和实用价值     

基于BP神经网络和故障树分析方法的变压器故障综合诊断模型

电力变压器是电力系统中最重要的输变电设备之一,其故障征兆和故障原因之间的关系错综复杂,单项诊断方法信息特征独特、考虑角度单一,通常难以满足其故障诊断要求。提出了一种基于BP神经网络和故障树分析方法的变压器故障综合诊断新模型。首先收集整理变压器故障信息量作为训练和识别样本,建立了基于BP神经网络的变压器故障诊断模型,再利用故障树分析方法,对变压器故障等级、严重程度等进行划分。通过大量的现场数据验证表明,与单一诊断方法相比,该模型能提高故障诊断正确率。研究成果为变压器故障评估诊断提供了一种新思路。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

基于细菌觅食算法优化的电力变压器故障诊断技术

针对支持向量机(SVM)分类性能受参数影响,且最优参数难以获取这一问题,提出一种基于细菌觅食算法(BFA)的电力变压器故障诊断模型的参数寻优方法。该方法以电力变压器油中特征气体含量作为状态评价样本,通过BFA寻找全局最优SVM参数解,构建k-折平均分类准确率目标函数,建立变压器故障诊断模型。仿真结果表明,BFA对SVM最优参数的选取较遗传算法(GA)、粒子群算法(PSO)更迅速,且优化后的SVM电力变压器故障诊断模型具有更高的精确度;利用BFA优化方法建立的SVM电力变压器状态诊断模型,对IEC三比值法中无法判断的数据也可进行精确诊断。最后,通过实例分析,验证了方法的有效性。     

基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合诊断中的应用

根据模糊理论和神经网络理论,提出了变压器故障诊断的新方法。根据DGA(dissolvedgasanalysis)法、电气试验法及外部故障特征法,建立了基于模糊输入的BP ART2混和神经网络对电力变压器故障进行综合诊断。仿真结果表明本方法能有效提高变压器故障诊断正确率。     

粗糙集用于建立基于多变量决策树的变压器故障诊断模型

采用决策树方法建立变压器故障诊断模型,可以方便地处理含有非数值特征的故障样本,且能够从样本中学习知识并简化知识,具有较好的适应性.但是采用单变量决策树描述复杂关系仍存在一定的局限性,本文提出基于多变量决策树的变压器故障诊断方法.并通过粗糙集辨识矩阵确定多变量检测特征选取,来实现多变量决策树的建立,能有效地约简知识,直观且易于理解.最后通过实例比较验证了方法的有效性.     

基于漏磁场和ICOA-ResNet的变压器绕组早期故障诊断

针对变压器绕组变形、轻微匝间短路故障诊断准确率低的问题,提出一种变压器绕组早期故障诊断方法。首先,利用ANSYS仿真软件建立与实验变压器相关参数一致的有限元模型,分析变压器在绕组发生各种故障的漏磁场分布规律,并根据这些规律选取合适的故障特征以及光纤漏磁场传感器安装位置。然后,通过改进长鼻浣熊优化算法(improved coati optimization algorithm, ICOA)寻找残差神经网络(ResNet)的最优超参数,以此参数构建ICOA-ResNet模型,将所得故障特征量输入模型进行故障诊断。最后,通过仿真数据和动模实验验证所提出的变压器绕组早期故障诊断模型的可行性。所提模型与支持向量机等4种模型相比,在绕组早期故障诊断上有更高的准确率,表明所提方法对变压器绕组变形、匝间短路故障诊断的有效性。     

基于欧式距离法的变压器故障BBA模型建立与分析

针对变压器故障诊断中油溶气体技术的改良三比值法存在故障区域边界值判断模糊的问题,在分析改良三比值法的基础上,以欧式距离来表征隶属每种故障概率大小的形式,建立了不同故障下的基本信任分配函数(BBA)诊断模型进行变压器故障诊断,并采用D-S合成规则对不同故障的BBA进行融合,实现了对多BBA模型函数重新构造以及归一表述的功能。利用该模型对长春某500 k VA变电站的变压器故障进行实例计算,并通过改良三比值法和模糊算法进行对比分析。结果表明:该诊断模型能准确、有效地对变压器的多种常见故障进行诊断;用计算隶属故障概率的形式弥补了改良三比值法边界值计算模糊的缺陷,使故障的判别更加趋于真实准确,为电力变压器故障诊断提供了一种有效的方法。     

基于改进鱼群算法和支持向量机的变压器故障诊断

电力变压器在整个体系中处于十分重要的地位,部件的运行概况和整个电网的稳定性具有密切联系。对电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,由于变压器故障样本比较少,属于小样本数据,而支持向量机能够较好地解决小样本的多分类问题,因此提出利用改进鱼群算法对支持向量机寻优得到全局最优解,得到具有最佳参数的支持向量机模型。通过数据实例分析得出,改进鱼群算法故障诊断模型比粒子群算法故障诊断模型和改良三比值法分类准确率高。     

CBR和RBR融合的牵引变压器运维策略

牵引变压器在运行中易受到高电压、大电流、机械应力及其他环境因素的影响而产生发热、放电、绝缘不良等故障,为了制定合理的运维检修策略从而提高运行中牵引变压器的故障处理水平,提出一种基于规则推理(RBR)和基于案例推理(CBR)融合的牵引变压器运维决策方法:利用RBR获取能反映牵引变压器状态的关键参数,并根据规则库的知识储备得到初步检修方案;设计案例检索算法在状态检修案例库中匹配相似案例,提取检修策略;根据RBR的初步方案对CBR结果进行修改与复用,综合得到最优运维策略,指导检修工作。收集了60例目标案例验证融合决策模型的准确性,结果表明平均决策准确率可达81.67%,且通过实验可判断源案例数量的增加与决策准确率之间呈正相关关系。     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

基于多模型选择性融合的变压器在线故障诊断

在线智能化故障诊断是变压器故障诊断的发展趋势,为发挥不同征兆子集及诊断算法的性能优势,实现多元诊断模型的互补决策,文中通过对智能诊断算法的性能进行多维对比分析,选取综合性能优的诊断算法用于征兆子集优选,使用优选子集与诊断算法训练多个诊断模型,通过模型间差异性分析有选择地对模型进行融合并用于最终决策.实例验证结果表明,融合模型泛化性能及均衡诊断能力均有提升.