变压器大卫三角形法故障诊断结果的基本信任分配函数研究

变压器油中溶解气体分析技术目前已成为变压器故障诊断中最普遍、最重要的技术之一。然而该方法在判断具体某种故障类型的过程中存在一定的不确定性,针对这个问题,提出了基于大卫三角形法的基本信任分配函数研究方法。该方法在大卫三角形的理论基础上,采用有限元法中三节点三角形插值方法来构造变压器故障诊断结果的基本信任分配函数,对判断故障类型的准确性有很好的提高。最后通过实例计算验证了方法的可行性及有效性。     

变压器故障改良三比值法基本信任分配函数研究

针对变压器故障诊断中改良三比值法无法准确表达样本数据对该故障的信任度大小问题,提出一种基于空间插值的基本信任分配函数研究方法。该方法以有限元原理为基础,通过分析改良三比值法每类故障特征空间,采用20节点6面体空间插值方法来构造基本信任分配函数,不仅解决了故障区域边界比值判断模糊问题,而且计算结果可以定量反映各种故障发生的可能性大小,有良好的计算精度。最后通过实例计算和8节点6面体验证,证明了该方法的可行性和有效性。     

贝叶斯分类器与粗糙集相结合的变压器综合故障诊断

由于电力变压器故障诊断中的测试数据信息不完备、有偏差，且贝叶斯网络处理不确定性问题能力强，文中提出了用于变压器故障诊断的NB、TAN和BAN三种贝叶斯分类器模型，并提出了贝叶斯网络分类器与粗糙集相结合的变压器故障诊断的新方法，它综合使用溶解气体分析结果和其它电气试验结果作为故障分类所需的属性。其相应的混合分类器为NB粗集、TAN粗集和BAN粗集分类器。实验表明提出的三种混合分类器都适于变压器故障诊断，具有处理信息缺失多的能力和容错特性，克服了粗糙集刚性推理的弱点，其性能明显优于单独使用贝叶斯网络分类器或粗糙集的方法。     

基于朴素贝叶斯算法的中文评论分类

针对中文评论分类问题,采用朴素贝叶斯算法进行深入研究.首先,根据中文评论分类的需求设计了朴素贝叶斯分类器.然后,使用weka(Waikato Environment for Knowledge Analysis)以不同特征提取方式对其功能性进行了对比分析.通过一系列的实验数据的横向对比表明,在朴素贝叶斯分类器下采用集成...     

提升型贝叶斯分类器在电力系统暂态稳定评估中的应用

应用人工智能技术可实现电力系统暂态稳定的快速评估,朴素贝叶斯分类器作为人工智能方法的一种,其训练计算复杂度是线性的,是解决分类问题最实用、有效的方法之一,但由于它是建立在属性变量相对类变量独立的假设前提下,故存在一定的误分类率.本文采用Adaptive Boost(AdaBoost)算法对朴素贝叶斯分类器进行提升,有效地降低了误分类率,并将提升型贝叶斯分类器用于电力系统暂态稳定评估.选取能迅速反映电力系统暂态过程的特征量,作为贝叶斯分类器的属性变量,将系统稳定或不稳定作为类变量,采用数值仿真算法产生大量样本,并对属性的连续数据进行离散化处理,构造了用于暂态稳定评估的提升型贝叶斯分类器.对新英格兰10机39节点系统进行仿真,结果表明:提升型贝叶斯分类器用于电力系统暂态稳定评估可有效降低机器学习的复杂度和提高暂态稳定的分类精度.     

基于朴素贝叶斯和D-S证据理论的多时空数据融合

针对泛在电力物联网中分布广泛的传感器以及各类设备采样周期不同的问题,本文提出一种基于朴素贝叶斯和D-S证据理论的多时空数据融合方法。该方法突出的优点是融合了多个时间段、多个不同地点传感器的数据。首先运用朴素贝叶斯分类器得到信度分配,克服了过去采用专家系统进行信度分配的缺点,然后运用D-S证据理论进行融合得到最终系统的状态评价,有效地将多时空数据进行融合。实验结果表明,本文提出的方法相比其他机器学习算法有了明显的改进,能够有效地评估系统的状态。     

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。     

基于组合贝叶斯网络的电力变压器故障诊断

针对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,提出了一种利用AdaBoostM1算法构建组合贝叶斯网络进行变压器故障诊断的方法.AdaBoostM1算法能够提高分类器的性能,为此,将若干个不同结构的TAN看作一系列基分类器,进行boosting迭代.即依次在训练集上训练每个基分类器.第1个基分类器用原始的训练集训练,其他基分类器的训练决定于在其之前产生的分类器的表现,被已有分类器错误判断的实例将以较大的概率出现在新分类器的训练集中,最后,这些分类器组合成为一个贝叶斯网络组合分类器.由于贝叶斯网络是用来表示变量间连接概率的图形模式,它提供了一种自然的表示因果信息的方法,用来发现数据间的潜在信息,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,利用boosting迭代,并在此基础上构造出组合贝叶斯网络诊断模型,实现了变压器故障诊断,有利于提高诊断的准确性.此外,通过与其他组合诊断的方法进行比较进一步表明了该模型的有效性.     

基于证据理论的风速不确定性建模

风速决定了风电场的输出功率,风速模型是研究含风电系统运行与规划的重要基础。提出一种基于证据理论的风速不确定建模方法。采用证据理论中基本可信度分配的概念描述风速;提出依据实测历史数据确定基本可信度分配的焦元和信任函数的实现方法,并设计等概率区间和等取值区间2种建模策略。以某风电场实测风速为例对基于所建模型和基于概率分布及区间分布的模型进行仿真比较,结果表明所提模型能确定风速的似然累积概率分布和信任累积概率分布,能更有效地描述和处理风速不确定性信息。     

基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强.提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法,并建立了变压器选择性贝叶斯故障诊断模型.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...     

基于故障测度概念与证据理论的配电网单相接地故障多判据融合

当故障特征量非常明显时，故障选线结果才比较可靠；当其特征量很微弱时，选线结果则可能是错误的。该文不仅提出了一种故障测度概念，以定量评价线路疑是故障线路的程度，还提出了一种多种利用故障信息的融合选线判据，该判据基于故障测度概念并利用小波分析理论构造了暂态信息故障测度算法：对故障工频信息构造了幅值和相角故障测度算法：运用D-S证据理论实现了多判据信息融合，将多判据选线问题转化为证据推理问题。结合选线问题的特点，将基本信度分配函数设计为相对信度分配函数与可确定信度系数之积形式。多故障信息的融合选线判据使选线性能得到提高，现场实测故障算例证实了文中方法的正确性。     

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.     

D-S证据理论在信息融合中的应用研究

本文主要通过分析了D-S信息融合的一般过程、基本概率赋值的获取方法、以及D-S信息融合算法在MATLAB上的仿真与分析,论证了以D-S证据理论为核心的多传感器信息融合算法能够有效地对多个传感器采集的信息进行融合,使不同类型的传感器发挥各自的特点,实现优势互补,提高系统对目标属性判决的准确性。     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

D-S证据理论融合多特征的油菜病害识别方法

针对单一特征在识别油菜病害上存在的局限性,提出一种基于D-S证据理论融合多特征的油菜病害识别方法。首先对预处理后的油菜图片提取颜色矩、颜色共生矩阵两种特征,通过欧氏距离来构建D-S证据理论所必需的基本概率分配(BPA),最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对存在最终识别结果被误识别为不确定问题,通过引入方差来对决策方法进行改进,避免了这一现象的产生。利用该方法在采集到的油菜样本上进行实验,取得了97.09%的识别率。实验表明,该方法能有效提高油菜病害识别率。     

改进D-S证据理论在变电站人体跌倒检测的应用

为了提高变电站人体跌倒检测准确率,提出了一种基于改进D-S证据理论的人体跌倒检测算法。利用垂直外接矩形和最小面积外接矩形对检测到的人体目标进行描述,分析目标区域的矩形宽高比、人体质心高度比和人体躯干倾斜角的人体目标特征变化。针对复杂人体姿态情况下存在的目标特征冲突问题,提出采用D-S证据理论对特征信息进行融合。通过自定义的广义三角模糊函数构造3种人体特征的基本概率指派函数,生成3种人体目标特征基本概率指派(basic probability assignment,BPA)。基于Murphy算法,提出一种双重加权平均证据源的改进算法,既可以融合各个独立证据的一致信息,也可以融合冲突信息。实验结果证明,该人体跌倒检测算法具有较高的跌倒识别准确率,可以合理的生成基本概率指派,有效地融合冲突证据,能够满足变电站人员安全监控的需要。     

结合D-S证据推理的贝叶斯网络法在配电网可靠性评估中的应用

D-S证据理论的不确定推理方法,能够很好地处理具有模糊和不确定信息的合成问题。本文针对配电网可靠性评估中原始参数的不完整或者主观性参数对评估结果的影响,将D-S证据推理方法与传统的贝叶斯网络法相结合,进行配电系统的可靠性评估。通过构造信任函数、似然函数和多状态的节点模型,建立改进的贝叶斯网络模型。该方法很好地解决了由于信息的不完整和不确定对可靠性评估结果造成的影响,减少了传统可靠性评估方法对设备原始参数的依赖性,更加客观地反映了系统的可靠性。通过实例分析,验证了该方法的有效性。     

基于证据理论和信息熵的消弧线圈接地电网融合选线方法

提出一种消弧线圈接地电网单相接地故障融合选线方法。该方法综合运用首半波、有功分量和暂态量故障特征,采用证据理论和信息熵实现融合选线。构造了定量反映线路似为故障线路程度的故障测度算法,建立了以故障测度和信息熵表示的基本信度分配函数,实现了多故障特征的证据融合选线。仿真和实测数据验证了本文选线方法的有效性,表明提出的证据融合选线方法可极大地提高选线的准确性和适应性。     

分层式信息融合在变压器状态评估中的应用

变压器的健康状态直接影响着整个电力系统的安全运行,为此,提出了分层式信息融合的变压器健康状态评估方法.该方法通过融合神经网络和D-S证据理论,解决了因变压器信息参数繁多而造成的网络结构复杂和庞大等一系列问题,也为D-S证据理论中的基本可信度分配提供了有效的依据.实例表明,该方法具有较高的诊断准确性和可靠性.     

基于神经网络和D-S证据理论的回热系统故障诊断

火电机组中的回热系统的故障原因复杂,且具有相关联,在深入分析D-S证据理论和神经网络理论的基础之上,将这两种方法进行融合。通过对回热系统典型故障的数据流参数进行分析,先由神经网络进行初步诊断,并将诊断结果处理后作为证据理论的基本可信度分配值,得到最终的诊断结果。经过试验分析表明:该方法能够使得火电机组回热系统故障识别能力得到提高。