动态加权模糊聚类在变压器故障诊断中的应用研究

摘要： 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。     

基于模糊C均值聚类的光伏阵列故障诊断方法

提出基于模糊C均值聚类的光伏阵列故障诊断方法。采用基于模糊C均值聚类的方法,对给定外界环境下不同故障类型的故障特征量进行聚类分析,得到故障类型和故障特征量的模糊映射关系;通过基于正态分布的隶属度函数算法,计算待诊断样本与各故障模式间的隶属度大小。对隶属度大小进行排序,得到待诊断样本的故障类型。通过Matlab仿真验证方法的正确性和有效性。     

采用CSA优化LS-SVM的油浸式变压器故障诊断方法

提出了一种基于耦合模拟退火(CSA)优化最小二乘支持向量机(LS-SVM)的变压器故障诊断方法,该方法以变压器油中五种溶解气体含量为故障特征量,利用故障样本集结合CSA算法、k-折交叉验证来训练并优化一对一组合分类的LS-SvM模型,并将其应用于故障诊断分类。样本测试集验证表明,该方法可避免改良三比值法中编码缺失、编码...     

电力变压器状态监测数据聚类研究

由于电力变压器油色谱在线监测数据绝大多数为正常数据,只有极少部分为故障或近似故障类数据,这种数据样本的不平衡会导致所训练的变压器故障诊断模型的诊断性能较差。DBSCAN算法是一种基于密度的聚类算法,可以在含有噪声的空间数据库中发现任意形状的簇,适用于含有噪声的状态监测数据聚类。为确保模型训练样本数据的平衡性,文章尝试将DBSCAN算法用于变压器状态监测数据聚类,通过平衡选取聚类后的各类数据样本对变压器故障诊断模型进行训练。工程实例测试结果表明,与随机选取数据样本训练的方法相比,采用该方法所训练的模型具有更优的诊断性能。     

基于改进FOA LSSVM的变压器故障诊断

针对基于油中溶解气体（DGA）变压器故障诊断方法存在的不足,提出了改进果蝇算法优化LSSVM的变压器故障诊断方法。为克服果蝇算法易陷入局部极值、收敛精度低的缺陷,引入线性递减步长、变异操作和混沌搜索策略进行改进。建立了LSSVM变压器故障诊断模型,并用改进的果蝇算法优化参数。仿真试验及对比研究表明,改进模型可准确、有效地识别变压器故障类型,相较其他模型（BPNN、FOA PNN和FOA LSSVM）,该模型的准确率较高,更适合于变压器故障诊断。     

基于主成分分析与支持向量机的汽轮机故障诊断

汽轮机故障诊断的一大难题是故障样本的缺乏,由于支持向量机针对小样本情况能取得很好的效果,为此,提出基于主成分分析与支持向量机的故障诊断方法,首先采用主成分分析方法对汽轮机故障数据进行故障特征提取,将特征向量作为支持向量分类器的输入,按照汽轮机的故障类型训练分类函数.对于支持向量机参数的选取,提出了基于错分样本数的蚁群优化算法.在小样本情况下对汽轮发电机组故障诊断进行了仿真研究.结果表明,应用该算法可以正确且有效地诊断多类汽轮机故障.     

基于免疫克隆与模糊聚类的汽轮机故障诊断方法的研究

提出了一种免疫克隆选择算法与模糊C-均值聚类算法相结合的混合聚类算法,是一种有监督学习和无监督学习结合的算法.该算法首先用克隆选择算法对模糊聚类中心的选取进行指导,然后进行聚类.仿真结果表明,将该算法用于汽轮机的故障诊断,能够正确地诊断出存在的故障,提高了故障诊断的准确性和有效性,其性能优于模糊C-均值聚类的故障诊断方法.     

基于LMD和SVM的柴油机气门故障诊断

针对柴油机气门故障诊断问题,在WP7柴油机上模拟了气门故障,提出了基于局部均值分解(local mean decomposition,LMD)和支持向量机(support vector machine,SVM)相结合的气门故障诊断方法.该方法首先用改进LMD方法将缸盖振动信号分解成若干个瞬时频率具有物理意义的PF(product function)分量之和,然后从缸盖振动信号和分解得到的PF分量中提取故障特征向量,以此作为SVM分类器的输入进行故障诊断.此外提出了改进粒子群算法(particle swarm optimization,PSO)用于SVM参数的优化.诊断结果显示,16组测试样本的测试结果均与实际状况相一致,诊断正确率为100%,该方法能快速准确地识别内燃机气门故障.     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

基于模糊SOM神经网络的汽轮机通流部分故障诊断研究

汽轮机实际运行时通流部分经常出现故障,对其进行监测与诊断很有必要。以某600MW机组为对象,提出一种基于模糊理论与SOM神经网络相结合的故障诊断方法。该方法通过对故障样本进行训练,建立故障诊断模型,根据输出神经元在输出层上的位置对故障进行诊断,分析其所属故障模式。研究结果表明:基于SOM神经网络的汽轮机通流部分故障诊断方法是准确和可靠的。该方法克服了故障样本选取的困难,通过聚类功能,对故障模式分类实现了具体数字化和图形可视化,诊断结果简单和直观。     

基于IEC三比值法与融合权重法的变压器可拓关联故障诊断

提出了基于DGA三比值融合权重的变压器可拓关联故障诊断法,以IEC三比值法中5种气体的三对比值为诊断指标,建立相应的物元模型,应用熵值法对各项指标进行客观赋值,并将专家经验的主观赋值和熵值法的客观赋值进行综合得到融合权重,再将融合权重应用到故障诊断模型中,利用关联函数的计算进行变压器故障诊断。最后结合大量实例数据,进行诊断结果的分析、对比与统计,此方法有较高的准确率。结果证明,该方法的诊断结果更准确、全面、可靠。     

基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

基于改进粒子群优化RBF网络的变压器故障诊断

为提高变压器故障诊断精度,提出了一种改进粒子群优化RBF网络算法,用于优化RBF网络的中心参数。首先通过非线性递减权值策略改进粒子群算法,再利用改进粒子群优化RBF网络,最后建立用于变压器故障诊断的RBF网络模型,并在Matlab平台上进行了仿真测试。结果表明,优化后的RBF网络比单一RBF网络故障诊断率有大幅提高。通过诊断国网某公司的5组故障实例,验证了所提算法的可行性。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

Fault diagnosis of electric transformers based on infrared image processing and semi-supervised learning

It is crucial to maintain the safe and stable operation of distribution transformers, which constitute a key part of power systems. In the event of transformer failure, the fault type must be diagnosed in a timely and accurate manner. To this end, a transformer fault diagnosis method based on infrared image processing and semi-supervised learning is proposed herein. First, we perform feature extraction on the collected infrared-image data to extract temperature, texture, and shape features as the model reference vectors. Then, a generative adversarial network (GAN) is constructed to generate synthetic samples for the minority subset of labelled samples. The proposed method can learn information from unlabeled sample data, unlike conventional supervised learning methods. Subsequently, a semi-supervised graph model is trained on the entire dataset, i.e., both labeled and unlabeled data. Finally, we test the proposed model on an actual dataset collected from a Chinese electricity provider. The experimental results show that the use of feature extraction, sample generation, and semi-supervised learning model can improve the accuracy of transformer fault classification. This verifies the effectiveness of the proposed method.     

基于气体组分比组合的变压器故障诊断方法研究

油色谱分析是判断变压器内部故障的有效方法,但传统油色谱分析方法的准确度有待提高。提出了一种基于气体组分比组合的变压器故障诊断新方法,将氢气、甲烷、乙炔、乙烯和乙烷等5种气体组成10组气体比值,从中选择了6组气体比值作为故障识别的基本参数,在此基础上将这6组气体比值组成15组气体比值组合,从中选择3组最有效的气体组分比组合作为故障分辨的特征参数,并划分了故障判别区域。通过对比试验表明,该方法的准确性高于Doernenburg、Rogers、IEC等传统油色谱分析方法。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

基于混合算法的燃气轮机多传感器故障诊断

为解决卡尔曼滤波算法难以实现燃气轮机多传感器故障诊断的难题,提出一种基于混合算法的燃气轮机多传感器故障诊断方法。首先,基于平方根容积卡尔曼滤波（SRCKF）算法构建了一组滤波器,每个滤波器对状态的最优估计被定义为故障检测因子用于传感器故障的特征提取;然后,利用基于密度的聚类算法对故障检测因子进行聚类以实现故障传感器的检测和隔离;最后,利用极大似然估计方法（MLE）实现故障传感器故障严重程度的估计。所提出的方法在GT25000三轴燃气轮机模拟机上进行了仿真验证,仿真结果表明：所提方法有效,多传感器故障诊断的准确率高于95%。