基于矩阵特征值分析和SOA优化模糊聚类的变压器故障诊断

考虑变压器故障诊断的不确定性,构建了变压器模糊聚类模型,提出了用矩阵特征值分析方法得出样本集最佳分类数,实现了无监督的故障诊断。针对模糊C均值算法用于变压器故障诊断存在的问题,提出用人群搜索算法(SOA)得到较优的初始聚类中心。SOA算法是一种新型的启发式智能算法,克服了粒子群算法(PSO)和遗传算法(GA)等智能优化算法收敛性差、局部寻优的缺陷。仿真结果表明,该算法收敛速度更快,且具有更好的全局搜索能力,比传统的智能算法具有更高的有效性和鲁棒性,为变压器故障诊断聚类分析提供了参考。     

动态加权模糊聚类在变压器故障诊断中的应用研究

为提高变压器故障诊断准确率,提出了一种基于遗传算法的动态加权模糊C均值聚类算法。该算法使用把聚类中心作为染色体的浮点数的编码方式,染色体长度可变,不同的长度对应于不同的故障聚类数;并使用权值区别不同样本点对故障划分的影响程度。将该算法应用于电力变压器油中溶解气体分析(DGA)数据分析,实现了变压器的故障诊断。经过大量实例分析,并将结果与其他算法进行对比,表明该算法具有较高的诊断精度。     

改进PSO与模糊聚类相结合的变压器故障诊断

针对基本粒子群算法存在收敛速度慢、易陷入局部极值的缺点,提出了一种改进PSO算法与模糊聚类相结合的变压器故障诊断方法.该方法根据变压器油中主要特征气体含量,利用杂交遗传改进粒子群通过优化模糊聚类准则函数,得出故障类型的最优聚类中心,再由聚类中心得出相应模糊隶属函数,最后由隶属函数判断所属故障类型.实例分析结果表明,该算...     

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

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。     

加权模糊核聚类法在电力变压器故障诊断中的应用

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。     

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

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.     

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。     

AI优化模糊核聚类算法的变压器DGA分析

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。     

改进的灰熵关联度算法用于变压器故障诊断

为解决传统灰熵关联度算法中标准序列难以确定、故障隶属度分辨率差等问题,提出新的灰熵关联度诊断算法。采用C-Means模糊聚类算法,将若干典型样本组成的故障空间聚成c个灰类,并得到c个最优聚类中心。以上述聚类为基础,将主成分分析应用于灰熵关联度,建立一种以模糊聚类和主成分分析为基础的灰熵关联度诊断变压器故障的新模型。实践结果表明,文中方法能大幅度提高故障隶属度的分辨率,故障诊断准确度达到了94%,从而为变压器故障诊断提供一条新的有效途径。     

基于广义神经网络与模糊聚类的变压器故障诊断

鉴于IEC三比值法在变压器故障诊断中,存在编码缺失和编码边界过于绝对等缺陷,提出了基于广义回归神经网络(GRNN)和模糊C-均值聚类算法(FCM)的变压器故障诊断方法,建立了GRNN-FCM联合变压器故障诊断模型。选取变压器油中5种特征气体体积分数及其三比值编码作为输入特征向量,利用GRNN模型对样本故障进行初步判断(正常、过热、放电、放电兼过热),再采用模糊C-均值聚类算法对样本故障作进一步判断,最终得到具体的故障类型。将该模型与其他几种故障诊断方法进行对比分析,仿真实验结果表明,GRNN-FCM联合变压器故障诊断模型输出值与实际值具有较好一致性且准确度更高,验证了该模型的可行性及实用性。     

基于改进量子粒子群优化模糊聚类的变压器故障诊断方法

对电力变压器进行高效准确的故障诊断可有效保障电力系统安全、稳定运行。为提高变压器故障诊断正确率,提出了一种基于改进量子粒子群优化模糊聚类的变压器故障诊断方法。采用遗传算法杂交概率的思想改进量子粒子群算法提高算法收敛速度、防止陷入局部极值,克服模糊聚类算法易受初始值影响的不足,进而实现对变压器高效、准确的故障诊断。以变压器油中典型气体作为故障特征量,选取68组数据建立故障集,采用改进量子粒子群算法寻找最佳初始聚类中心,并将其应用于3种不同数据组进行验证,实验结果表明文中所提方法的有效性。     

基于灰色聚类分析的充油电力变压器绝缘故障诊断的研究

油中溶解气体分析是判别变压器内部绝缘状况及发现内部故障的重要手段。本文采用灰色系统理论对变压器绝缘故障进行了分析 ,进一步提出了一种变压器绝缘故障诊断的灰色聚类模型及分析方法 ,并以范例分析验证了该模型能够应用于分析故障类型和确定故障位置 ,分析结果同时表明本文方法是有效的并具有良好的应用前景。     

基于改进模糊ISODATA算法的变压器故障诊断

模糊ISODATA算法在基于变压器DGA的故障诊断中存在一些问题。如:模式空间的划分缺乏依据,聚类分析时没有考虑各种气体成分对故障反映的灵敏度等。笔者对此进行了改进,引入了一个描述不同气体成分对故障反映灵敏度的指标权向量,并在每次迭代运算之后对聚类中心进行分解和合并处理。利用改进的ISODATA算法对3起变压器故障进行了分析,得到了比较高的判断准确度。     

基于级联阈值决策的变压器故障模糊诊断法

为了解决最大隶属度原则不宜诊断多故障、阈值原则漏诊率和误诊率较高的问题,在提出级联阈值判断原则后构成了级联阈值决策的加权模糊识别法。该法研究各特征气体组分比值在变压器故障诊断中的不同地位,确定加权系数矩阵,并用统计法估计单故障现象的故障隶属度,得到评判矩阵。通过评判矩阵和级联法值判断原则诊断变压器故障,不但诊断单种变压器故障正确率较高,且诊断多种故障同时存在的变压器故障效果也较理想。     

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.     

基于贝叶斯和模糊L-M网络的变压器故障诊断

针对现今电力变压器故障诊断方法中存在编码不齐全、准确率不高等一系列问题,研究贝叶斯理论的神经网络算法,提出一种基于贝叶斯正则化优化L-M （Levenberg-Marquardt）算法神经网络的变压器油色谱故障诊断方法.算法采用贝叶斯方法确定超参数,使得神经网络在训练过程中能自适应地调节超参数的大小,得出目标函数的最优化参数.同时,该方法运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点.最后,运用仿真软件对典型变压器运行数据进行仿真,验证了该算法的可行性.结果表明,建立的模型对变压器进行故障诊断时迭代次数为21次,实际值与预测值的误差平方和仅为0.000618.     

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。     

FCM结合IEC三比值法诊断变压器故障

由于电力变压器的故障原因、故障现象和故障机理间存在着随机性和模糊性等不确定因素,故障特征量和故障征兆间没有明确的一一对应关系,为了用特征量的数值大小来衡量和确定故障发生的原因和严重程度,在深入对变压器油中溶解气体分析的基础上,按照聚类分析的思想,运用模糊C-均值聚类分析原理(Fuzzy C-Means,FCM)和IEC三比值法,将这两种故障类型识别的方法在特征气体诊断分析中进行有效结合,建立了多诊断方法的系统框架。该法可以定量地确定故障在特征气体空间上的聚集效应,从而达到对故障进行自动合理分类的目的。仿真得出该方法正判率为98.1%,较IEC比值法、FCM算法的正判率分别提高了3.6%、4.5%。结果表明该方法具有很高的可行性和有效性。     

基于SAAFSA优化加权模糊聚类算法的变压器故障诊断

针对加权模糊聚类算法(WFCM)应用于变压器DGA分析时存在收敛速度慢、对初始值敏感的问题,提出了一种改进人工鱼群优化加权模糊聚类算法(SAAFSA-WFCM)的变压器故障诊断方法.该方法利用模拟退火算法(SA)来改进人工鱼群算法(AFSA)以求取最佳初始聚类中心,在发挥AFSA优异的全局寻优能力的同时,利用SA的概率性突跳搜索机制对AFSA实施局部优化,提高了AFSA的搜索精度.WFCM算法以得到的最佳初始聚类中心为初值进行迭代运算,最终求得更接近实际位置的聚类中心,克服了WFCM易受初值影响的缺陷,加快了收敛速度.仿真与实例分析表明,该方法可有效应用于变压器的故障诊断,并有着较高的诊断正确率和诊断效率.