基于粗糙集理论和贝叶斯网络的真空断路器故障诊断方法

真空断路器故障诊断因果关系的复杂性与模糊性,采用单一的智能方法难以准确描述.基于智能互补融合的思想,将粗糙集理论与贝叶斯网络有机结合起来,提出了一种真空断路器故障的快速诊断方法.以粗糙集理论为基础建立故障征兆属性集和故障诊断决策表,并通过约简决策表形成最小故障诊断规则.基于最小诊断规则建立贝叶斯网络模型,利用贝叶斯网络实现断路器故障诊断的快速概率推理.经真空断路器的故障诊断实例分析表明,所提出方法是可行有效的.     

大型水轮机组诊断的社会网络方法研究

本文针对大型水轮机组状态监测与故障诊断系统,对采用社会网络进行故障模式识别的方法进行研究,为克服单一神经网络模型诊断方法的发性,对现有的网络模型进行了分析和比较,提出了并探讨了多种神经网络技术应用于故障诊断的诊断方法,该方法综合了多层感知模型和自适应谐振网络各自的优势,建立了适用于水轮机组故障诊断的合网络模型,并已有效地应用于水轮机组状态监测与故障诊断系统。     

基于贝叶斯网络分类器的变压器综合故障诊断方法

鉴于电力变压器故障诊断中的信息和知识具有随机性和不确定性的特点,利用贝叶斯网络表达知识灵活、分析处理不确定性与关联性问题能力强的优点,本文提出了一种基于贝叶斯网络分类器的以溶解气体分析为主结合其他电气试验结果的变压器综合故障诊断方法,并建立了变压器朴素贝叶斯网络故障诊断模型和TAN故障诊断模型.文中详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数,提高诊断效果.实例验证表明了该方法的有效性.     

基于贝叶斯网络与故障树的计量自动化终端故障诊断方法

现场终端故障诊断需要高精度、高可靠性的故障诊断逻辑,由此本文提出了基于贝叶斯网络与故障树的计量自动化终端故障诊断方法,通过收集故障的历史数据与专家的先验、经验,并以此为基础推算变量间依赖关系,构建故障诊断的贝叶斯网络模型,从而获取后验概率密度分布表,解决了仅依靠专家经验搭建网络结构的局限性.实例分析表明,本文提出的诊断...     

基于离散BAM网络的汽轮发电机组振动故障诊断的应用研究

本文针对常规频谱诊断方法的不足,详细论述了离散的BAM网络及其特性.进而讨论了汽轮发电机组常见典型振动故障的变化特征及其数字化描述方法,建立了基于BAM算法的神经网络的汽轮发电机组振动故障诊断模型,对实际机组故障进行了诊断,效果良好.通过分析,提出BAM网络在故障诊断领域中有广阔的应用前景.     

基于决策表约简的变压器故障诊断Petri网络模型及其应用研究

通过对变压器故障诊断知识中大量的冗余特征进行压缩或约简 ,将粗糙集理论(RST)引入到变压器故障诊断中 ,以提高以往依赖先验知识进行诊断智能方法的效率。根据决策表约简实现故障特征的压缩与规则的简化 ,并利用该结果建立Petri网络模型 ,可获得最优的网络模型以充分发挥其快速的并行推理能力 ,实现高效的变压器故障诊断。对比分析结果表明 :约简后的特征具有与原来相同的分类能力 ,得出的主导特征也与实际相符 ;基于最小诊断规则所建立的故障诊断Petri网络模型 ,结构得到有效地优化 ,分类结果与原有的网络一致。最后通过实例分析验证了方法的准确性     

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法.利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力.将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型.利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性.     

基于深度置信网络的电力系统故障诊断方法

当前电力系统故障诊断节点多为目标式设定结构,诊断效率较低,导致故障诊断的F1接近0,故基于深度置信网络设计一种电力系统故障诊断方法并对其进行验证分析。根据当前的测试需求,采用多层级的方式,提升整体的诊断效率,部署多层级故障数据采集节点。以此为基础,进行故障特征提取,构建深度置信网络电力系统故障诊断模型,采用交叉核验评定的方式来实现故障诊断处理。测试结果表明,通过4个周期的阶段性测定与比对,最终该电力系统故障诊断的F1值为1,为最佳的诊断结果,说明在深度置信网络的辅助和支持下,设计的诊断方法更为精准、高效,具有实际的应用价值。     

自构形神经网络在变压器故障诊断中的应用

神经网络已广泛应用于设备的故障诊断中.鉴于神经网络的性能和诊断能力与网络的拓扑结构和学习算法有着密切的联系,本文研究并实现了在故障诊断应用中能进行自构形的神经网络模型,改善了全局收敛性和节点总体饱和度,并较好地应用于变压器故障诊断实践中.     

基于麻雀搜索算法优化概率神经网络的变压器故障诊断

针对依照经验选取平滑因子导致概率神经网络模型故障诊断正确率不高的问题,提出了一种基于麻雀搜索算法优化概率神经网络(P N N)的变压器故障诊断方法.该方法引入麻雀搜索算法来优化概率神经网络中的平滑因子,然后将优化得到的平滑因子赋给PN N,从而得到优化后的变压器故障诊断模型.仿真结果表明,与优化前的PNN网络及PSO-...     

Diagnosis of incipient faults in power transformers using CMAC neural network approach

Dissolved gas analysis (DGA) is one of the most useful techniques to detect the incipient faults of power transformer. However, the identification of the faulted location by the traditional method is not always an easy task due to the variability of gas data and operational natures. In this paper, a novel cerebellar model articulation controller (CMAC) neural network (NN) method is presented for the fault diagnosis of power transformers. By introducing the IEC standard 599 to generate the training data, and using the characteristic of self-learning and generalization, like the cerebellum of human being, a CMAC NN fault diagnosis scheme enables a powerful, straightforward, and efficient fault diagnosis. With application of this scheme to published transformers data, the diagnoses demonstrate the new scheme with high accuracy and high noise rejection ability. Moreover, the results also proved the ability of multiple incipient faults detection.     

A novel extension method for transformer fault diagnosis

Dissolved gas analysis (DGA) is one of the most useful techniques to detect incipient faults in power transformers. However, the identification of the faulted location by the traditional method is not always an easy task due to the variability of gas data and operational variables. In this paper, a novel extension method is presented for fault diagnosis of power transformers, which is based on the matter-element model and extended relation functions. Thus, incipient faults in power transformers can be directly identified by the degree of relation. The application of this new method to some transformers has yielded promising results.     

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器（SSDAE）的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络（BPNN）和支持向量机（SVM）法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。     

基于小波神经网络和D-S证据理论的电力变压器故障诊断研究

>Transformer faults are quite complicated phenomena and can occur due to a variety of reasons.There have been several methods for transformer fault synthetic diagnosis,but each of them has its own limitations in real fault diagnosis applications.In order to overcome those shortcomings in the existing methods,a new transformer fault diagnosis method based on a wavelet neural network optimized by adaptive genetic algorithm(AGA)and an improved D-S evidence theory fusion technique is proposed in this paper.The proposed method combines the oil chromatogram data and the off-line electrical test data of transformers to carry out fault diagnosis.Based on the fusion mechanism of D-S evidence theory,the comprehensive reliability of evidence is constructed by considering the evidence importance,the outputs of the neural network and the expert experience.The new method increases the objectivity of the basic probability assignment(BPA)and reduces the basic probability assigned for uncertain and unimportant information.The case study results of using the proposed method show that it has a good performance of fault diagnosis for transformers.     

智能全站仪ATR实测三维精度分析

简述了智能型全站仪TCA2003的自动目标识别（ATR）功能，以琅琊山抽水蓄能电站大坝变形监测网应用ATR功能三维测量实例，基于对其测量成果精度的评定，分析了ATR三维测量的精度，运用数理统计原理探讨了ATR测量的可靠性，对比了常规的人工测量与ATR测量的工效，给出了有益的结论，为同类工程的应用以及拓展ATR应用领域提供了技术依据。     

Power transformer fault diagnosis based on dissolved gas analysis by support vector machine

This paper presents an intelligent fault classification approach to power transformer dissolved gas analysis (DGA). Support vector machine (SVM) is powerful for the problem with small sampling (small amounts of training data), nonlinear and high dimension (large amounts of input data). The standard IEC 60599 proposes two DGA methods which are the ratios and graphical representation. According the experimental data, for the same input data, these two methods give two different faults diagnosis results, what brings us to a problem. This paper investigates a novel extension method which consists in elaborating an input vector establishes by the combination of ratios and graphical representation to resolve this problem. SVM is applied to establish the power transformers faults classification and to choose the most appropriate gas signature between the DGA traditional methods and a novel extension method. The experimental data from Tunisian Company of Electricity and Gas (STEG) is used to illustrate the performance of proposed SVM models. Then, the multi-layer SVM classifier is trained with the training samples. Finally, the normal state and the six fault types of transformers are identified by the trained classifier. In comparison to the results obtained from the SVM, the proposed DGA method has been shown to possess superior performance in identifying the transformer fault type. The SVM approach is compared with other AI techniques (fuzzy logic, MLP and RBF neural network); the proposed method gives a good performance for transformers fault diagnosis. The test results indicate that the novel extension method and the SVM approach can significantly improve the diagnosis accuracies for power transformer fault classification.     

基于特征判定系数的CSO-SVM的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和特征熵权法（EWM）进行故障诊断的方法。通过相关系数加权峭度（CCWK）原则筛选CEEMDAN分量并重构信号,实现在剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数（FDC）实现单一数据诊断变压器故障类型;通过主成分分析法（PCA）减小混合域特征尺度,采用鸡群优化算法（CSO）优化支持向量机（SVM）模型进行故障诊断。对某变电站110kV三相油浸式变压器进行分析,结果表明与概率神经网络（PNN）和SVM等变压器故障诊断方法相比,文中方法在提前定性故障类型的同时,能够进一步提高变压器故障诊断准确率与效率。     

利用DGA-NN诊断油浸式电力变压器故障

人工神经网络以其良好的非线性映射能力广泛应用于电力变压器故障诊断。为研究反向传播神经网络(BPNN)和概率神经网络(PNN)的学习过程、网络参数选择等问题,利用Matlab的神经网络工具箱结合油中溶解气体建立了BPNN和PNN的故障诊断模型,并对其性能做了分析和对比。结果表明,两种网络均能较好地实现变压器故障的实时诊断。因初始化权值的随机性,BPNN的输出结果具有差异性,收敛速度较慢,而PNN网络结构自适应确定,可以随时添加训练样本,且训练速度较快,适合于实现变压器故障的实时诊断。相同条件下,PNN的收敛速度约为BPNN的5倍。     

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。     

基于非线性主分量分析-多层感知器网络的变压器油中溶解气体数据分析

采用人工神经网络进行变压器DGA数据的分析与诊断。为全面评价变压器的实际运行状况，综合利用了各特征气体含量及其比值信息，并借鉴模糊数据处理思想构造初始输入特征集合。借助一个特殊的复合神经网络进行数据分析与故障诊断。其中，非线性主分量分析网络执行多元输入特征信息的融合及主特征选择，形成待识别故障类的敏感特征量；随后的多层感知器执行故障模式识别。试验结果表明，在DGA分析的基础上，应用非线性主分量分析－多层感知器复合神经网络可有效实现变压器不同故障模式的智能化识别，获得较好的诊断结果。