基于熵权和灰关联度的变压器故障诊断

油中气体分析是诊断变压器故障的重要方法,但是传统的三比值法存在缺陷。针对变压器故障诊断时信息不完全的问题,提出了结合熵权法和加权灰关联度模型用于变压器故障诊断。该方法利用熵权法确定指标客观权重,通过计算加权关联度判断变压器故障类型。熵权法和加权灰关联度模型相结合充分利用了油中气体数据的全部信息,且发挥了灰关联度适用于小样本、贫信息系统的优势,避免了局部关联和信息损失的缺陷。实例分析结果表明,该方法具有较好的识别变压器故障的效果。     

基于DGA和改进型灰关联度模型的牵引变压器故障诊断

油中溶解气体分析(DGA)是诊断普通电力变压器故障的重要方法,但牵引变压器有着自身的特点,若仿效普通电力变压器的故障诊断方法,在诊断牵引变压器故障时精度较低。文中针对牵引变压器发生故障时的气体特征,提出了一种基于改进的灰关联度分析模型用于牵引变压器故障诊断的方法。该方法充分利用了牵引变压器油中气体数据的全部信息,且发挥了灰关联度适用于小样本、贫信息系统的优势,避免了局部关联和信息损失的缺陷。实例分析结果表明,该方法可以很好地判断牵引变压器故障类型,提高诊断精度。     

基于改进灰关联分析模型的研究及在变压器故障诊断中的应用

针对电力变压器发生故障时的气体特征,本文中笔者提出了一种基于改进的灰关联分析模型用于电力变压器故障诊断模型。该模型充分利用了电力变压器油中气体数据的全部信息,且发挥了灰关联度适用于小样本、贫信息系统的优势,避免了局部关联和信息损失的缺陷,最后通过实例验证该方法的可行性。     

基于相对重构贡献的变压器故障诊断方法

为了充分挖掘油中溶解气体分析(DGA)数据隐藏的故障特征信息,提出了一种基于相对重构贡献(rRBC)的变压器故障诊断新方法。该方法首先利用DGA数据建立主元分析(PCA)模型,基于故障重构的思想,计算样本各变量重构贡献率(RBC);考虑各变量重构贡献率之间的可比性,计算其相对重构贡献率并作为特征量,通过归一化处理来提取故障特征;然后,建立变压器分层故障诊断模型,利用灰关联熵(GRE)信息利用率高等优点,求出待诊模式与各标准模式的综合灰熵关联序,实现故障诊断。实例研究结果表明,所提出的相对重构贡献灰关联熵方法与重构贡献灰关联熵、灰关联熵方法相比,使特征样本集的可分性变大,提高了分类正确率。     

基于灰云模型的电力变压器故障诊断

为了提高油中溶解气体分析方法的诊断能力,提出了基于灰云模型的电力变压器故障诊断新方法。通过熵理论引入软化因子,将电力变压器故障诊断标准矩阵中的分类界限值转化为区间数概念。利用峰值、左右界限值、熵、超熵表征灰云模型,以此反映电力变压器故障诊断分类界限值的模糊性和随机性。建立电力变压器故障诊断各评估指标重要性信息的未确知有理数,得到各指标的权重值,有效地减少了诊断结果的主观性。利用结合灰云模型实现白化权函数的灰色聚类算法对变压器故障类型进行分析和判断。实际算例分析结果表明,所提方法诊断精度较高,验证了该模型的实用性和有效性,并具有分析速度快,实时性较好的优点。     

GRA方法在变压器故障诊断中的应用研究

以油中溶解气体分析DGA（Dissolved Gas Analysis)为依据的变压器故障诊断，传统的方法是基于数据间的比值进行的。文中避开了传统的比值方法，提出了用灰色关联分析GRA（Grey Relational Analysis)方法诊断变压器故障，灰关联分析是对贪信息多因素中的一种处理数据方法，基于灰色关联度理论，对历年来相关技术刊物上公布的变压器油中溶解气体分析数据进行了统计，选出实际结论明确的167台次样本并进行故障分类，从中筛选出一组特征序列数据，将实测数据与特征数据进行灰色关联度比较及故障类型判断，结合实例验证了该方法的正确性，是一种较好的评判变压器故障类型的方法。     

电力变压器灰色关联故障诊断模型的组合权重法

油中溶解气体分析(dissolved gas-in-oil analysis,DGA)是识别变压器故障的重要手段。笔者基于油中溶解气体数据介绍灰色关联理论,给出了基于组合权重变压器故障诊断的灰色关联分析法。在判定变压器故障类型时,各溶解气体其权重不同,利用层次分析法求出各特征气体在诊断变压器故障类型时的主观权重,但各专家通过层次分析法确定指标权重会存在许多主观因素,文中应用灰色关联分析法对其进行调整,消除各专家造成的各指标权重分配不统一,用熵值法确定指标的客观权重,结合熵值法和层次分析法对指标权重值进行综合确定得到组合权重,再将组合权重应用到灰色关联诊断模型中。最后结合实例对诊断方法进行分析讨论,诊断结果表明了该方法的有效性。     

电力变压器故障的客观熵权识别及诊断方法

为了有效管理和监测电力变压器的健康状态,在对变压器油中溶解气体数据进行分析的基础上,建立了一种基于客观熵权的电力变压器故障信息模式识别及诊断模型。首先,在定义包含电力变压器故障模式全局信息的矩阵范式基础上,引入信息熵权理论构建故障特征信息的客观熵权精确量化模型;然后,基于距离和投影原则构建了故障模式判别准则函数,并通过准则函数对模式进行排序,运用综合排序结果进行故障测试模式分类,得到用于判断故障类型的基准类心向量;最后,运用基于类心欧氏距离的方式判别故障测试样本所属的类别,实现变压器故障的客观熵权识别及诊断。利用从某电力公司采集到的120组电力变压器油中溶解气体样本进行实例验证,结果表明,所提出的方法能克服传统的三比值故障诊断方法存在无编码以及边界编码模糊致误判的问题。     

基于D-S证据理论的变压器故障诊断

针对电力变压器故障征兆与原因之间错综复杂的关系,以及单一变压器故障诊断算法精度有限的问题,本文提出一种在D-S证据理论的基础上,结合灰关联熵法和加权K邻近算法的变压器故障诊断新方法。该算法以油中溶解气体分析方法(Dissolved Gases Analysis,简称DGA)为基础,通过灰关联熵法和加权K邻近算法构建证据理论的基本可信度赋值函数,然后利用证据组合规则产生更为可靠的证据信息;最后根据基本可信数最大值确定变压器故障类型。变压器故障诊断实例结果表明该算法能够准确判断出变压器的故障类型,证明了该算法的可行性和有效性。     

基于灰关联熵法的电力变压器故障诊断研究

提出了基于灰关联熵的变压器故障诊断方法,并介绍了该方法的应用情况。     

基于改进熵权法和灰色关联分析的变压器故障诊断

针对目前电力变压器故障诊断存在数据信息不完备和故障诊断准确率低的问题,提出了改进熵权法和灰色关联分析相结合的变压器故障诊断方法。该方法首先对变压器故障样本数据进行标准化处理,然后采用改进熵权法确定变压器故障诊断指标的权重,再通过计算改进的灰色欧几里德加权关联度确定变压器的故障类型。实例分析结果表明该方法的正确性和可行性,与传统熵权法相比,指标的权重分配更为合理,并克服了传统灰色关联分析中指标平权的不足问题,故障诊断准确率显著高于IEC三比值法和一般灰色关联分析。     

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。     

模糊遗传算法的神经网络方法在变压器故障诊断中的研究

基于油中溶解气体数据,避开了传统的比值方法,采用模糊遗传算法的神经网络(FGA-BP)方法来诊断变压器故障。该方法是在遗传寻优过程中,用模糊控制的方式对杂叉率与变异率进行动态调节,并结合神经网络来对故障实现模式识别。为了优化模式特征量,文章用灰关联分析方法对样本集进行了筛选,得到了一组模式特征向量,以此DGA数据作为FGA-BP的输入值,经过FGA-BP运算后,优化出一组用于模式识别的权重与阈值,在此基础上,结合实例对该诊断方法进行了分析与探讨。     

基于VB的变压器故障可视化模糊诊断

为克服传统变压器绝缘故障诊断的局限性,以得到准确全面的诊断结果,将可视化技术与模糊数学相结合,用于变压器故障诊断专家系统。该系统采用VB(Visual Basic)程序设计语言和TeeChart图表图形控件工具来实现变压器故障诊断的二维/三维可视化输出,并利用模糊数学方法构造编码隶属度函数来刻画边界点的模糊区间。实例分析结果表明,用该法有效解决了单一变压器故障诊断法的误诊断或诊断结果不全面等问题,更准确全面地反映变压器故障信息,具有实际意义。     

基于多方法组合诊断模型的大型变压器故障诊断

电力变压器故障征兆与故障原因之间的关系错综复杂,而单项诊断方法由于信息特征独特、考虑角度单一,往往很难满足故障诊断的要求.因此,提出了在变压器故障诊断中采用多种方法组合诊断的思想,以克服单种方法的偏好对最终诊断结果所产生的影响.该方法采用模糊C均值聚类(FCM)诊断法、BP神经网络诊断法、粗糙集理论故障诊断法和IEC 60599推荐的三比值法这4种诊断方法作为独立的单项诊断方法,根据各自诊断的误判率,按照诊断误差平方和最小的原则计算出各个诊断方法的最优权重,形成最优投票组合模型,再求出最大发生概率的故障类型.诊断结果表明,该方法与单项方法相比,大大降低了诊断误判的风险,提高了故障诊断的准确率,增强了故障诊断的稳健性.     

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.     

基于粗糙集理论的电力变压器故障诊断方法

鉴于电力变压器信息的不完备性及复杂性，基于粗糙集理论提出了一种能较好处理不完备信息的变压器故障诊断模型。基于对大量电力变压器故障征兆及故障类型的分析统计，利用粗糙集进行约简以获取诊断规则。文中详细阐述了在获得各类信息情况下如何利用该模型进行故障诊断；即使缺少某些关键信息时，该模型也能结合欧式距离、神经网络和模糊数学三种方法对约简进行综合匹配，再利用相应的约简及规则集作出故障诊断。该模型还可通过丰富训练样本、修正决策表的自我完善方法使诊断效果不断提高。实例也表明了该方法的有效性。     

基于云物元分析原理的电力变压器故障诊断方法研究

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。针对物元理论变压器故障诊断方法中,在建立故障模式物元模型时没有考虑边界值的不确定性的不足,首次在变压器故障诊断研究方面引入云模型,结合云模型的不确定推理特性以及物元理论能同时进行定性定量分析问题的优点,提出了一种基于云物元分析原理和DGA相结合的电力变压器故障诊断新方法。通过建立变压器故障诊断的云物元模型和计算特征云物元与标准云物元之间的关联函数,实现对变压器故障模式的有效识别。实例分析验证了方法的正确性和有效性。