基于模糊理论与支持向量机的变压器故障诊断方法

针对变压器结构的复杂性和故障机理的多样性,提出一种基于模糊理论和支持向量机的变压器故障诊断方法.该方法首先采用模糊理论对故障样本数据进行预处理,提取故障特征,再用支持向量机方法进行故障分类,通过采用一对多(1-a-r)的方法实现多目标分类,得出诊断结果.针对支持向量机参数不易确定的问题,采用多层动态自适应算法与k-折交叉验证方法结合对参数进行优化分析.故障诊断实例测试结果显示,该方法不仅克服了传统比值法中编码缺失、编码边界过于绝对的问题,诊断结果具有更高的准确率,而且也具有较好的适用性.     

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

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。     

采用模糊支持向量机的模拟电路故障诊断新方法

为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种模拟电路故障诊断的新方法。首先对采集的信号进行时-频域联合特征提取并采用新的模糊隶属度函数确定训练样本的隶属度,消除噪声和野点对故障诊断的影响;然后将训练集输入模糊支持向量机分类方法训练获得故障诊断模型;最后将测试集输入训练好的模糊支持向量机分类模型,实现对不同故障类型的识别。将该方法应用于CTSV滤波电路进行故障诊断仿真实验,结果显示该方法不仅能正确分类单故障而且能有效分类多故障,平均故障诊断率达到98.2%,为模拟电路故障诊断开辟新的途径。     

基于DS证据理论的SVM分类模糊域数据修正

在介绍支持向量机(SVM)和DS证据理论的基础上,提出了一种利用DS证据理论对SVM分类模糊域数据进行分类修正的方法。该方法首先利用SVM对测试样本进行分类,对SVM分类输出模糊域的样本使用隶属度函数将SVM的输出距离转换成样本对各状态的隶属度;其次利用DS证据理论融合其他传感器信息,对各状态下的隶属度进行适度修正,从而实现该区域数据的重新合理排布;最后将该方法应用于高压断路器故障诊断,以验证其诊断性能。大量的实验结果表明,该方法可以利用断路器操作线圈电流数据,合理修正振动数据分类结果,实现断路器机械故障的准确检测。     

基于模拟退火和支持向量机理论的变压器故障诊断方法

针对变压器故障诊断问题,提出了基于模拟退火和支持向量机理论的变压器故障诊断方法,该算法采用模糊理论解决传统三比值法边界过于绝对的问题,并利用模拟退火优化算法获得支持向量机的最优参数设置。     

基于蝙蝠算法优化最小二乘双支持向量机的变压器故障诊断

为了提高变压器的故障诊断精度,提出了一种基于蝙蝠算法(BA)优化最小二乘双支持向量机(LS-TSVM)的变压器故障诊断方法。该方法针对变压器故障诊断过程中的多分类问题,通过计算类间相异度矩阵自下而上构建哈夫曼树,结合LS-TSVM建立了多类分类故障诊断模型,然后采用蝙蝠算法对模型中LS-TSVM分类器的参数进行优化。利用该方法对变压器进行故障诊断,实例仿真结果表明:与粒子群优化支持向量机(PSO-SVM)方法相比,所提方法不仅训练时间显著缩短,而且故障诊断精度更高,对于高温过热、低能放电故障的诊断精度均明显高于PSO-SVM方法。仿真结果说明所提方法在变压器故障诊断中具有较高的优越性。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于损失函数的SVM算法及其在轻微故障诊断中的应用

尽早识别轻微故障，对提高生产过程设备运行的安全性具有重要意义。为实现对设备轻微故障的正确识别和及时诊断，该文提出了一种基于损失函数的支持向量机(SVM)算法。应用模糊理论的方法对支持向量机分类及最优分类面进行了解释，对可疑分类区列出了模糊隶属度的表达式。针对故障诊断等问题中误判造成的损失不同这一特点，定义了基于损失函数的模糊隶属度，并得出了修正后的最优分类面。SVM算法可以实现对设备轻微故障的准确识别，并可近似地判别故障的严重程度。文中以汽轮机减速箱轴承运行状态诊断为例，对样本数据经K-L变换后进行可视化研究，分类结果表明了该算法的可行性。     

基于ANOVA和BO-SVM的变压器故障诊断方法

为了提高变压器故障诊断模型的诊断精度,提出了一种基于方差分析(analysis of variance, ANOVA)和黑猩猩算法优化支持向量机(bonobo optimizer-support vector machine, BO-SVM)的变压器故障诊断方法。首先,采用方差分析对模型输入量,即变压器油中溶解气体特征进行筛选降维。其次,用黑猩猩算法对影响支持向量机诊断性能的2个参数(核参数与惩罚因子)进行寻优。最后,利用该文所提方法对变压器进行故障诊断,实例仿真结果表明：与IEC、Rogers法相比,采用ANOVA对模型输入量进行筛选降维能更好地提升模型性能;BO算法优化后的支持向量机对比网格搜索算法优化后的支持向量机,在训练速度与诊断精度两方面都有所提升;与粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)和遗传算法优化支持向量机(genetic algorithm-support vector machine, GA-SVM)相比,所提方法收敛更快,且故障诊断精度更高、更稳定,BO-SVM、...     

基于粗糙集和支持向量机理论的变压器故障诊断方法

针对变压器故障诊断问题,提出了基于粗糙集和支持向量机理论的变压器故障诊断方法。该算法利用粗糙集技术对变压器知识进行属性约简,并通过属性表获得故障最简决策表作为支持向量机的输入,与此同时,利用粒子群优化算法获得支持向量机的最优参数设置。实验结果表明,该诊断方法分类性能良好、可靠性高且有效可行。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

模糊输入的概率神经网络在变压器故障诊断中的应用

将概率神经网络引入到电力变压器的故障诊断中,并提出了利用模糊数学的知识对神经网络输入进行预处理的方法.采用改良的三比值方法来实现故障诊断,建立了基于模糊输入的神经网络故障诊断模型.通过对神经网络模型的实例训练及仿真,证明了此方法有较好的收敛性,提高了故障诊断的有效性和准确性.     

三种变压器故障诊断方法比较研究

变压器常规诊断的油中溶解气体的三比值法(IEC),在目前变压器故障诊断中有着广泛的应用,许多人工智能技术在电力变压器故障诊断中的应用都是基于IEC法进行研究的,并在此基础上提出了基于神经网络和模糊神经网络的变压器故障诊断专家系统。该文将传统IEC三比值法、神经网络法和基于IEC三比值法的模糊神经网络法进行了比较。本文结合实例对这三种诊断方法进行了分析与探讨,指出了传统的IEC三比值法的不足,神经网络法和基于IEC三比值法的模糊神经网络法的优点等。     

基于气体增长速率和Petri网的变压器内部故障状态推理

针对变压器故障诊断中的故障漏判、误判和某些故障无法判断的问题,将Petri网和油中气体增长速率相结合,提出一种基于模糊Petri网来构建变压器故障诊断模型,它通过分析油中溶解的气体浓度来判断变压器的故障类型。该方法首先利用通过气相色谱法得到各气体的浓度值,使用建立起来的Petri网模型,推理出每种故障类型的可能性大小。用这种方法能避免三比值编码的缺失等问题,也就能有效地处理变压器故障诊断中漏判、误判和无法判断的问题,并能定量地给出每种故障的可能性大小。实例进一步证明,研究模型提高了诊断的正确率。     

基于神经网络的变压器故障诊断

为了保障变压器在电力系统中能够安全有效的运行,提出了一种将RBF神经网络与模糊控制算法相结合对变压器进行故障诊断的方法。设计了具有6层神经网络的学习体系,并且将模糊隶属度函数引入到第2层中,加快了神经网络的学习速度。基于变压器故障的数据统计,通过对其内部的气体含量进行分析对故障类型进行分类。通过样本数据对所设计的模糊RBF神经网络进行故障诊断训练。实验结果表明,通过训练后的该模型对变压器的故障诊断具有更好的效果。     

模糊贝叶斯网的变压器故障诊断

目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一。变压器故障诊断中的信息具有随机性和不确定性的特点,文中提出一种基于模糊贝叶斯网络的变压器故障诊断方法。该方法利用贝叶斯表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型。实例证明,该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据。     

模糊聚类和LM算法改进BP神经网络的变压器故障诊断

在变压器故障诊断中,目前BP神经网络算法存在训练样本分布不均匀,收敛速度慢、容易陷于局部极小点等问题,导致整体的诊断性能下降。通过对模糊聚类及LM算法改进的神经网络深入研究,并引入变压器故障诊断中,该算法应用模糊聚类对搜集到的样本预处理,提高样本的质量,再用LM算法改进的神经网络来优化搜索方向,可以实现网络训练速度及测试精度的提高。通过实例仿真实验,验证了该方法能够有效诊断出变压器的故障。     

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。