共查询到18条相似文献,搜索用时 93 毫秒
1.
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 总被引:2,自引:0,他引:2
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。 相似文献
2.
变压器油中溶解气体分析中的模糊模式多层聚类故障诊断方法的研究 总被引:35,自引:11,他引:35
基于当前对电力变压器故障识别中的模型空间划分缺乏研究的情况,将模糊聚类技术引入了电力变压器油中溶解气体分析DGA。在对所收集的183组电力变压器绝缘故障样本进行了多层树形聚类的基础上,通过多次分析绝缘故障,得到了一种准确程度较高的故障诊断方法。 相似文献
3.
4.
5.
油中溶解气体电力变压器故障诊断专家系统 总被引:3,自引:0,他引:3
保证电力变压器可靠运行是电力系统安全稳定的重要研究课题,现有的油中溶解气体分析方法存在编码涵盖范围小、不可扩展等不足,影响了其在实际工程中的应用。为此,提出了一种可扩展的油中溶解气体成分的电力变压器故障诊断专家系统,通过将传统三比值法、统计学习方法及实际经验法获得的故障判别规则进行整合,建立了可增扩新规则的专家系统。为验证该方法的有效性,采用3类典型算例、42条故障记录作为进行判别,研究结果表明,建立的专家系统较现有方法具有更好的操作性和判别准确率。 相似文献
6.
基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究 总被引:46,自引:22,他引:46
提出用支持向量机作为分层决策电力变压器故障诊断模型。首先通过相关统计分析,选择典型油中气体作为支持向量机输入参数,然后在深入发掘油中气体所含故障信息基础上,利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型诊断。该方法基于小训练样本条件下寻求最优解,具有很好的推广能力及一致性等优点,还适用 于变压器典型故障数据少的特点。文中还给出了两种不同支持向量机核函数分类结果的比较。为了提高故障诊断的正判率,该模型同时在相关性强的特征气体之间,利用K-近邻搜索聚类在最优分类面附近对分类结果进行精确逼近,使分层决策模型可靠性显著改善。计算结果表明,该模型具有很好的分类效果。 相似文献
7.
油中溶解气体分析的变压器故障诊断新方法 总被引:9,自引:4,他引:9
为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。 相似文献
8.
9.
加权模糊核聚类法在电力变压器故障诊断中的应用 总被引:6,自引:4,他引:2
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。 相似文献
10.
基于小波网络及油中溶解气体分析的电力变压器故障诊断方法 总被引:3,自引:0,他引:3
小波网络是近年来发展起来的一种高效非线性信号处理新模型。该文将适于电力变压器故障诊断的小波网络分为第一、第二类小波网络,提出了基于自适应算法小波网络的变压器故障诊断方法,该方法继承了人工神经网络的学习能力和小波变换的局部化特征,具有良好的收敛性和鲁棒性。选择经模糊预处理的250组油中溶解气体作为采用不同小波基的2类小波网络训练与识别样本,对训练过程和仿真结果进行对比分析。大量诊断实例表明,文中提出的2类小波网络均适于变压器故障诊断,其性能优于单独使用传统BP神经网络的方法。 相似文献
11.
基于组合决策树的油浸式电力变压器故障诊断 总被引:10,自引:5,他引:10
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。 相似文献
12.
基于改进灰色关联分析的变压器故障识别 总被引:10,自引:4,他引:10
提出了一种新的基于改进灰色关联分析的变压器故障识别方法。在研究讨论了传统灰色关联分析理论的基础上,提出了群灰色关联度概念,并给出了它的计算方法。同传统的灰色类关联分析相比,该改进灰色关联分析具有两个优点:①提高灰色关联分析的准确性和可靠性:②降低了对单个参考信号的依赖性,扩大了灰色关联分析的应用范围。最后将该方法应用于变压器故障识别。识别结果显示,改进的方法比传统的灰色关联分析效果更佳、更可靠。该方法还可以广泛地应用于其他领域。 相似文献
13.
基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断 总被引:14,自引:4,他引:10
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。 相似文献
14.
15.
16.
17.
18.