变压器故障特征量可信度的关联规则分析

变压器在线监测得到的多个特征量对于不同故障类别的潜在信息量不一样,量化各特征量与特定故障类型之间的关联度将对变压器的潜在故障诊断和预测都有着很重要的作用。为此,利用布尔型离散化方法和基于ChiMerge算法的多值离散化方法分别对变压器在线监测的连续数据进行离散化,再利用改进的Apriori关联规则数据挖掘算法计算多个变压器在线监测特征量与各个故障类型之间的可信度。最后在实例中进行了多个特征量与多个故障类型的可信度的计算,结果表明特定特征量与故障类型之间确实存在不同的关联程度,量化关联程度能有效提高故障诊断算法的效率;另外还在实例中进行了多值的关联规则挖掘,结果表明关联规则可以应用在对故障类型划分较细的变压器故障诊断。     

基于关联规则分析的电力变压器故障马尔科夫预测模型

为了有效预测电力变压器故障发展的情况,提出了一种基于关联规则分析的电力变压器故障马尔科夫预测模型。运用云理论提取状态参量的云概念,使用Apriori算法挖掘状态参量与状态之间的关联规则以及各状态之间的关联规则;根据状态参量与状态之间的关联规则,建立基于云–Petri网的变压器状态分析模型,从而得到变压器在初始时各状态发生的可能性;利用各状态之间关联规则构建变压器状态转移矩阵,并建立修正因子体系对状态转移矩阵进行修正;将变压器初始时各状态的可能性结合修正后的状态转移矩阵对故障进行预测。实例计算表明,相比于IEC、BPNN与SVM,基于云–Petri网的分析模型具有更快的响应时间或更高的准确率,而对状态转移矩阵的修正可提高马尔科夫模型预测的准确率,能对变压器故障发展趋势进行更有效、合理的预测。     

采用关联规则综合分析和变权重系数的电力变压器状态评估方法EI北大核心CSCD

电力变压器的状态评估不仅要求智能技术的融合,还应该考虑所有检测状态量之间的相互联系。根据信息数据关联规则和因素空间理论的变权综合概念,提出了一种对电力变压器进行状态评估的方法。通过分析变压器运行中各单项状态量参数与故障类型的关联性,建立综合状态量集合。引入关联规则方法,计算单项状态量的常权重系数;引入具备均衡函数的变权综合模式,计算综合状态量的变权重系数。由此结合既有检测规程,建立了一个较为客观、准确的变压器状态评估体系。运行实例分析表明,该状态评估方法有利于准确地评判电力变压器的真实运行状态。     

基于模糊关联规则挖掘的电力变压器故障诊断方法

在对变压器故障的状态监测过程中,故障特征量在某些情况具有不确定特性,所以判断变压器运行状态的过程具有一定的模糊性,确定性的关联规则难以有效地表达特征量与故障之间的关系。为建立更准确有效的变压器故障诊断模型,文中对经典的Apriori算法进行优化,在利用主成分分析对多源参数进行优选后,将其扩展到包含模糊属性的事务当中,并与传统IEC三比值相结合作为特征量共同提取规则,所建模型的执行效率及准确度相比原Apriori算法更高,且可进一步运用至变压器多源参数的关联规则挖掘。结果表明,结合三比值共同提取的规则,其正判率将大幅提高,且模糊理论与三比值相结合所提取的规则,其正判率高于经典集合理论与三比值相结合所提取的规则,最后经由Apriori算法提取的复合规则,其正判率较高。利用文中所建立的模糊关联规则模型可更准确高效地诊断变压器故障,从而有效服务于电力设备的运维工作。     

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。     

基于最大相关最小冗余准则的变压器故障诊断特征选择

电力变压器油中溶解气体分析(DGA)技术广泛应用于变压器内典型故障诊断,其中基于DGA数据的人工智能诊断方法在变压器故障诊断领域具有较高的识别率,但该类方法在选择故障特征量时尚无统一的标准。鉴于此,本文尝试引入最大相关最小冗余算法(mRMR),以互信息理论为基础挖掘变压器故障特征量之间以及特征量与故障类型之间的关联关系,通过分析大量的DGA在线监测数据挖掘出最优的变压器故障特征量集,并采用支持向量机(SVM)分类器对比优选特征量集和传统的特征量集合在变压器故障诊断的效率。最后,通过与SVM智能分类、IEC推荐的三比值分类方法的对比测试表明该方案的故障诊断准确率优于传统的故障诊断方案,故障识别效率高于新型的人工智能诊断方案,更适合于现场的工程应用及推广。     

基于灰关联理论的变压器故障诊断专家系统

以变压器油中溶解气体含量为特征量,针对电力变压器的故障特点,提出了采用基于规则的产生式方法进行知识表示,以模块方式构造知识库,并选用正反向混合推理方式,创建电力变压器故障诊断专家系统。讨论了基于灰色关联理论的案例推理在整个系统中的实现方法。该系统具有运行状态监测和智能化故障诊断功能。大量诊断实例表明,该专家系统有效、灵活,具有一定容错能力,能有效提高电力变压器运行和维修效率。     

基于关联规则与变权重系数的变压器状态综合评估方法

为了提高变压器诊断的准确性和适应设备检修的发展趋势,克服传统智能算法的局限性,提出一种基于关联规则和变权重系数的变压器状态综合评估的方法。根据试验和监测数据建立评估体系,通过9种综合故障和24种单项故障状态量,利用关联规则分别计算置信度和变权重系数,结合变压器的运行状态与检修对照关系,诊断变压器的整体指标。实验结果表明该方法准确率达到91%,能够准确评估电力变压器的健康状态。该方法可为运维人员做设备检修提供科学指导方案,也为其他高压设备的状态评估提供参考和借鉴。     

关联规则挖掘在电厂设备故障监测中应用

关联规则挖掘是数据挖掘的重要分支,其通过描述数据库中不同数据属性之间所存在的潜在关系规则,找出满足给定支持度阀值和置信度阀值多个域之间的依赖关系。随着电厂设备运行期间各种故障的发生,各状态监测点参数也会发生相应变化,利用关联规则挖掘算法,找出故障发生时故障现象与故障类别之间的关联关系,更好地对设备进行故障监测与诊断。阐述了关联规则挖掘的主要概念,对挖掘时最常用的Apriori算法进行探讨,并以汽轮机凝汽器的一种典型故障为例说明了算法的执行情况,对挖掘结果进行了解释。结果验证了所用方法的可行性与正确性。     

考虑时间序列关联的变压器在线监测数据清洗EI北大核心CSCD

针对变压器设备大数据状态评估过程中存在数据缺失以及异常数据等问题,提出了一种基于关联规则分析和神经网络的数据清洗策略。首先通过关联规则挖掘,建立了衡量状态监测量间关联程度的数学模型,找出具有强关联性的时间序列。然后利用基于密度的聚类算法检测出序列中的缺失值以及异常点,提出了考虑序列关联性的清洗流程和规则,有效区分可清洗的传感器数据异常和设备状态异常。针对可清洗的数据点,利用小波神经网络模型进行缺失数据预测和错误数据修正,并动态修正小波神经网络参数和组合预测,提高了网络的清洗效率和准确率。以实际变压器设备在线监测数据为例进行测试,测试结果表明序列数据的关联性分析和小波神经网络相结合,能够有效提高变压器在线监测数据清洗的准确度。     

基于MODWT的变压器绕组轻微故障检测及分类研究

本文基于变压器在不同运行工况下的等效瞬时励磁电感的差异,利用最大重叠离散小波变换 (MODWT) 提取有效故障特征参数,实现对变压器绕组轻微匝间故障以及匝间电弧放电故障的检测。首先提取变压器在各种工况下的电气量,求取等效瞬时励磁电感,选取基于db4小波函数的最大重叠离散小波变换进行分析,提取特征量。将故障特征量作为决策树的训练集和测试集,从而实现变压器绕组轻微故障的识别以及分类。最后通过仿真证明,所提出的算法能够准确检测以及区分励磁涌流、轻微匝间短路故障以及匝间电弧放电故障。     

基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断

充分利用粗糙集理论对知识的约简能力与模糊径向基函数(RBF)神经网络优良的分类诊断能力,基于粗糙集与RBF网络实现数据挖掘的电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBF神经网络的前置,对经离散化的样本集进行约简,形成精简的规则集,将高于一定可信度的挖掘规则用于电力变压器故障诊断;另一方面,将粗糙集挖掘的低于可信度要求的规则所对应的挖掘样本,作为模糊RBF神经网络的训练样本集,同时将粗糙集对这些样本的聚类结果作为模糊RBF神经网络的聚类因子,在此基础上构建改进的4层RBF神经网络,用来诊断不能用粗糙集挖掘的规则诊断的事例。经检验,系统具有较好的分类诊断能力。     

基于数字孪生模型电流动态时间规整差异度的变压器早期故障辨识

现有的早期故障辨识方法对于程度较为轻微的故障灵敏度低,且辨识方法多为离线检测。结合数字孪生技术建立了三相三柱式变压器内部无故障的孪生模型,基于动态时间规整算法提出新的故障特征量,提出早期故障保护方案。首先,利用实体设备的结构参数与实时的电气量,建立不同运行工况下的状态空间模型。然后,通过实际数据对孪生模型进行修正,使虚拟世界与物理世界实现同步,综合使用离散迭代法和Z变换法求解模型。其次,利用动态时间规整算法量化预测量与实测量的差异,以此作为故障特征量,并设计新型的故障保护方案,提高故障辨识的灵敏度。最后以三相三柱式变压器为例,通过ANSYS仿真和动模实验验证了所建模型的正确性,通过多次实验结果证实所提故障判据的有效性。     

基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。     

基于时序特征和参数估计的变压器故障诊断方法

油中溶解气体分析(DGA)是对变压器进行故障诊断最方便、最有效的方法之一,其中静态分析方法取得了较多的研究成果。实际中故障信息的出现具有时序特征,趋势信息可以反映故障的状态及发展,将基于时序特征的动态分析方法与传统的静态分析方法相结合,可以对故障发展及危害进行更为全面准确的描述。提出了基于时序特征和参数估计诊断变压器故障的方法,采用最小二乘参数估计算法识别特征气体的变化趋势,采用滑动窗口方法实现在线分析,利用递推最小二乘估计算法减小运算复杂度。以实际变压器油中气体测量数据进行实验,结合静态三比值和灰色关联度分析方法,对变压器进行故障诊断,实验结果证明了方法的有效性。     

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）

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。     

基于故障本征证据和特征指标的换流变压器状态评估

针对当前状态评估指标体系对带故障运行的换流变压器"评估死区"的问题,提出一种基于故障本征证据和特征指标的换流变压器状态评估方法。分析了换流变压器阀侧绕组的绝缘特性并选取适用于换流变压器状态评估的故障类型和指标量;采用数据驱动的模糊层次分析法提取故障类型的特征指标,并用关联规则提取故障类型的本征证据集,得到拓宽的状态评估指标体系;引入变权思想突出劣化指标对整体状态估计的影响,以反映换流变压器的真实运行状态,对故障设备的二次评估拓宽了状态评估的应用范围。实例分析结果表明,该方法对换流变压器故障判定的准确率更高,故障识别和故障程度的二次评估使状态评估结果更具实践价值。     

基于组合决策树的油浸式电力变压器故障诊断

提出了一种利用属于模式识别范畴的决策树C4.5法进行变压器故障诊断的方法。由于C4．5方法可方便地处理连续特征模式且有从样本学习判定规则的功能，因此应用中显示了该方法对于变压器故障诊断的适用性。在讨论变压器故障空间的基础上，针对已积累的故障变压器的大量油中溶解气体等数据，考察了各类故障的特征偏置，并在此基础上构造出组合决策树诊断模型，实现了变压器故障由粗到细的逐级划分，有利于提高诊断的准确性。实例表明该模型的有效性。     

基于正态云模型&改进贝叶斯分类器的变压器故障诊断

在基于油色谱数据的变压器故障诊断中,一般数据挖掘方法存在数值区域划分过硬,且未考虑边界元素隶属的随机性和模糊性的问题。针对该问题,文章应用正态云模型对油色谱数据集进行预处理,同时云模型对数据集的精简也提高了关联规则挖掘的效率。为了解决朴素贝叶斯分类器中对各属性独立的假设不符合实际情况这一问题,文章引入关联规则森林表示法和属性联合概率算法,改进了朴素贝叶斯分类器,建立了基于正态云模型与改进贝叶斯分类器的变压器故障诊断模型,通过与其他模型的对比及实例验证,证明了该方法的有效性。