基于支持向量机的变压器故障多层次诊断及定位

文中提出一种基于支持向量机的变压器故障多层次诊断及定位模型.其基本思路是将变压器的油色谱信息和电气实验特征结合,再通过支持向量机对其进行学习分类,形成分层次、可靠、开放的变压器故障多层次诊断模型,并逐步对变压器的故障进行定位.充分利用支持向量机在解决小样本、非线性及高维模式识别问题等方面特有的优势,解决变压器故障信息存在的冗余、不确定、小样本等问题.实验证明,将支持向量机应用到变压器的故障诊断及定位中是合理可行的.     

基于ReliefF和HPO-SVM的变压器故障检测方法*

为提高油浸式电力变压器故障诊断的判断正确率,提出了一种利用ReliefF特征权重法、HPO-SVM模型和油中溶解气体分析法(DGA)相结合的故障诊断方法。首先,该方法引入特征权重算法对输入量进行筛选降维;其次,采用猎食者优化算法对概率神经网络模型进行了优化,利用SVM模型处理DGA比值集合,最终得到变压器的故障诊断结果。实验结果表明,采用ReliefF特征权重算法进行降维的模型拥有更高的诊断精确度。实验结果证明HPO-SVM、GWO-SVM、WOA-SVM、PSO-SVM的平均故障判断准确率分别为94%、91.33%、90%、83.33%。仿真结果表明,优选后的混合特征模型诊断正确率更高,证实了此方案的优越性。     

一种基于多分类概率输出的变压器故障诊断方法

多分类概率输出方法可用于变压器故障诊断,其分类效果较好并能提供概率信息。针对现有基于支持向量机(SVM)的诊断方法在特征不明显条件下有误分类的情况,提出了一种基于多分类概率输出的变压器故障诊断方法。此方法引入Sigmoid函数将SVM决策函数输出映射为二分类概率输出,然后综合多个二分类概率输出结果,求解一个凸二次规划问题实现多分类概率输出。此方法可以得到发生不同类型故障的可能性,即故障类别概率,进一步分析后给出诊断结论。算例分析表明,此方法在继承了SVM故障诊断方法优点的基础上,提供了概率信息,对现有SVM方法误诊断样本也能给出可能存在的故障,弥补了现有SVM方法在变压器故障特征不明显条件下的不足。     

基于SSA-BiGRU-Attention模型的变压器油中溶解气体含量预测

油中溶解气体含量的准确预测对变压器安全稳定运行具有重要意义。为克服传统预测方法仅考虑油中溶解气体含量单一一类变量以及依靠经验为模型选参的局限性,提出一种考虑多因素的变压器油中溶解气体含量自适应预测方法。首先收集变压器在正常和异常运行情况下油中溶解气体的在线监测数据、温度数据(环境、变压器顶层油)、环境风速数据,并通过注意力机制(attention mechanism)计算各数据变量具体权重后作为预测模型的输入;然后通过麻雀搜索算法(sparrow search algorithm,SSA)对双向门控循环单元(bidirectional gated recurrent unit,Bi GRU)预测模型中批处理、学习率、隐藏层层数和层神经元数4个重要参数进行智能迭代优化,得到最优参数值,在此基础上,构建SSA-Bi GRU-Attention优化模型,实现对油中溶解气体含量的预测。研究结果显示,利用该文提出的模型对正常运行条件下油中溶解气体含量进行预测,预测精度可达到98.3%;对达到注意值的油中溶解气体含量进行预测,能较好地预测气体数据的峰值和拐点,预测精度可达到86.6%。该文提出的变...     

基于DGA和AO-PNN的变压器故障诊断方法研究

为提高油浸式电力变压器故障诊断的准确率,提出了一种将AO-PNN模型与油中溶解气体分析法(DGA)相结合的故障诊断方法。该方法引入天鹰优化算法对概率神经网络进行优化,将DGA比值输入模型最终得到变压器的故障诊断结果。仿真结果表明,与其他常用的机器学习模型相比,提出的模型有更高的准确率,可有效运用到变压器故障诊断领域。     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。     

基于支持向量机的油浸式电力变压器故障诊断方法研究

在电力网络中变压器是非常重要的电气设备,对电力网络的正常运行具有非常重要的作用,利用变压器油中溶解气体组成的分析,对电力变压器运行中的故障进行诊断具有重要意义。采用支持向量机(SVM)算法分析变压器油中溶解气体组成并进行故障诊断,选取了SVM核函数及最优参数并构造了OVR-SVM多类分类器。最后,基于DGA数据的实验结果显示,这种故障诊断方法具有很好的效果。     

变压器故障诊断用油中溶解气体征兆优选方法

基于油中溶解气体(dissolved gas analysis, DGA)构造的故障征兆作为变压器故障诊断的重要先验信息,其质量直接影响诊断效果。目前,基于DGA气体的故障征兆数量繁多,但种类相对单一且诊断效果有限,为实现更高准确率的变压器故障诊断,该文提出云征兆方法以丰富现有比值征兆集。为适应高维云征兆的云变换,设计自组织云概念提取神经网络(self-organized cloud concept extraction, SOCCE)进行云概念的提取,以深度挖掘多DGA气体间的关联信息,提高智能算法的诊断能力。最后,通过先排序后寻优的征兆优选策略遴选出最优的DGA混合征兆集。通过IEC TC10故障数据库下的对比诊断可知,该文优选的混合新征兆能够实现92.4%的诊断准确率,相较于传统征兆诊断准确率提升了13.2%～30.8%,且在现场应用和多诊断模型中均表现出较强的泛化能力和推广能力。     

油气分析诊断变压器故障方法的改进

针对油中溶解气体分析 (DGA)中原来采用比值法的某些不足 ,通过对大量数据的统计、分析 ,在变压器吊芯结果所确定典型故障分类的基础上 ,提出了比值范围法改进三比值变压器故障诊断。实例证实了该方法的有效性     

基于支持向量机和DGA的变压器状态评估方法

针对电力变压器结构、老化、故障机理复杂,具有不确定性,难以进行准确的状态评估的问题,将变压器健康状态分为良好、一般、注意、较差4种状态,提出了一种基于支持向量机的二叉树多级分类器变压器健康状态评估方法。该模型以变压器油中溶解气体的产气量和产气速率为评价指标,利用支持向量机挖掘评价指标与变压器健康状况之间的关系。     

变压器绝缘故障预测诊断的方法

根据灰色系统理论,把电力变压器油中溶解气体含量视为灰色量,利用有限的故障数据,按照灰色预测的方法,对数值进行初值化和一次累加生成等处理,建立灰色预测模型群即GM(1,1)模型,对电力变压器运行时间内的状态进行精密诊断和故障预报。     

基于数据特征增强和残差收缩网络的变压器故障识别方法

为增强深度残差收缩网络对变压器故障特征的学习能力从而提高故障识别精度,文中研究构建了故障特征气体向量配合改进的深度残差收缩网络来识别变压器故障。首先,构建可变软阈值函数消除恒定偏差的影响,利用快速回溯算法加快阈值确定速度的同时确保输出结果的完整性。然后,提出带可变权重的交叉熵函数降低误识别对网络精度的影响,并将构建的特征气体向量作为网络输入,保证网络学习并识别更多故障因素的特征。最后,以过热故障和电弧放电故障为样本的实验结果验证了该方法的有效性。与传统方法相比,所提方法的识别精度高,而且适用于电力系统多特征故障识别。     

基于DGA的改进BP神经网络的变压器故障诊断方法

介绍了基于DGA的改进BP神经网络电力变压器故障诊断方法,并进行了仿真。     

基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法

电力变压器属电力系统中的重要设备,目前油中溶解气体分析(DGA)的三比值法是对变压器进行故障诊断的最方便、有效的方法之一.本文结合改良的三比值法,将贝叶斯网络方法引入大型变压器的故障诊断,提出了基于贝叶斯网络(BN)理论和变压器油中溶解气体分析方法的变压器智能故障诊断方法,并据此建立了变压器故障诊断模型.通过实例判断验证了本文方法的有效性.     

基于遗传算法优化XGBoost的油浸式变压器故障诊断方法

为了提高油浸式变压器故障诊断的精度及可靠性,研究了一种基于遗传算法优化极端梯度提升(XGBoost)的油浸式变压器故障诊断方法.首先,以油中溶解气体分析(DGA)为依据,采用无编码比值方法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;以归一化样本为输入建立基于XGBoost的故障诊断模型,并采用遗传算法对...     

基于改进鱼群算法和支持向量机的变压器故障诊断

电力变压器在整个体系中处于十分重要的地位,部件的运行概况和整个电网的稳定性具有密切联系。对电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,由于变压器故障样本比较少,属于小样本数据,而支持向量机能够较好地解决小样本的多分类问题,因此提出利用改进鱼群算法对支持向量机寻优得到全局最优解,得到具有最佳参数的支持向量机模型。通过数据实例分析得出,改进鱼群算法故障诊断模型比粒子群算法故障诊断模型和改良三比值法分类准确率高。     

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

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。     

基于和声搜索优化支持向量机的变压器故障诊断

针对支持向量机(SVM)的分类性能容易受到参数的影响问题,提出了基于和声搜索算法(HSA)优化SVM的变压器故障诊断模型HSA-SVM,同时还采用不同模型进行了优化并与HSA-SVM模型进行了比较和分析.     

一例变压器内部故障的油色谱分析诊断和处理

描述了变压器铁心接地联片短接故障的处理经过,从发现色谱分析数据异常,到故障诊断、检修处理和效果检查,验证了《变压器油中溶解气体分析和判断导则》的科学性,阐述了色谱分析在诊断变压器故障和监督故障变化工作中的重要意义。     

基于多分类相关向量机的变压器故障诊断新方法

变压器故障诊断本质为多分类问题,具有故障样本数据少,故障不确定因素多的特点。现有变压器故障诊断方法中,贝叶斯网络(BN)需要大量样本数据且计算量大,支持向量机(SVM)存在规则化系数确定困难的局限。针对此现状,提出基于多分类相关向量机(M-RVM)的变压器故障诊断新方法。该方法以变压器溶解气体含量比值作为M-RVM模型的输入,采用快速type-Ⅱ最大似然(Fast Type-ⅡML)和最大期望估计(EM)的方法进行模型推断,诊断输出为各故障类别的概率,以概率最大的故障类别作为诊断结果。实例分析表明该方法诊断速度较快,能满足工程需要,同基于BN和SVM的变压器故障诊断方法相比,具有较高的诊断正确率。