基于DGA的反馈云熵模型电力变压器故障诊断方法研究

为了解决变压器故障诊断中存在的随机性和模糊性问题,提出了基于反馈云熵模型的电力变压器故障诊断新方法。通过对大量电力变压器故障征兆及故障类型的统计分析,并将其视作云滴输入贝叶斯反馈逆向云发生器中,得到故障特征气体的云模型参数值,构建变压器故障诊断标准正态云模型。将云关联系数和信息熵理论有机结合起来,降低了对单个标准正态云模型的依赖性,充分挖掘变压器油中溶解气体所包含的故障信息,提高了变压器故障诊断的准确率。通过不断丰富输入样本、修正云模型参数值的方法,可以进一步提高模型诊断效果。实例分析结果表明该模型的故障诊断准确率较高,并具有较好的理论价值和应用前景。     

基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究

变压器油中溶解气体分析（Dissolved Gas Analysis,DGA）是电力变压器绝缘诊断的重要方法.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,文中将核函数和可能性聚类算法相结合,提出一种简化的核可能性聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断.经实践证明,该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境.     

基于油中溶解气体分析的电力变压器绝缘故障诊断方法

电力变压器是电力系统的枢纽设备,其运行可靠性直接关系到电力系统的安全与稳定,油中溶解气体分析方法作为一种有铲的充油电力设备异常监测手段,在电力系统得到广泛的应用,本文述述了基于油中溶解气体分析的电力变压器故障诊断技术的产生背景、研究现状和发展方向。     

基于改进灰关联分析模型的研究及在变压器故障诊断中的应用

针对电力变压器发生故障时的气体特征,本文中笔者提出了一种基于改进的灰关联分析模型用于电力变压器故障诊断模型。该模型充分利用了电力变压器油中气体数据的全部信息,且发挥了灰关联度适用于小样本、贫信息系统的优势,避免了局部关联和信息损失的缺陷,最后通过实例验证该方法的可行性。     

基于油气分析的电力变压器故障诊断

提出了基于油气分析的故障诊断模型,并用实例证实了其可行性.     

基于云模型和改进D-S证据理论的变压器故障诊断

为了进一步提高变压器故障诊断精度,提出基于云模型与改进D-S证据理论的变压器故障诊断方法。首先,利用油中溶解气故障样本建立各类型故障的标准云模型,并计算待测样本与故障标准云间的隶属度值;其次,根据隶属度确定不同故障下的基本概率分配;然后,利用Pignistic概率距离构建相似度并对基本概率分配进行修正,再引入平均支持度加权优化证据融合规则;最后,使用基于云模型和改进证据理论建立的诊断模型对实际案例进行测试与诊断分析。实验结果表明：基于云模型和改进D-S证据理论建立的模型故障诊断精度达88.4±2.8%,较支持向量机、K最近邻分类算法和灰色关联分析法的识别率分别提高了7.8%、3.8%、15.7%,验证了所建模型具有更优越的故障诊断性能。     

电力变压器灰色关联故障诊断模型的组合权重法

油中溶解气体分析(dissolved gas-in-oil analysis,DGA)是识别变压器故障的重要手段。笔者基于油中溶解气体数据介绍灰色关联理论,给出了基于组合权重变压器故障诊断的灰色关联分析法。在判定变压器故障类型时,各溶解气体其权重不同,利用层次分析法求出各特征气体在诊断变压器故障类型时的主观权重,但各专家通过层次分析法确定指标权重会存在许多主观因素,文中应用灰色关联分析法对其进行调整,消除各专家造成的各指标权重分配不统一,用熵值法确定指标的客观权重,结合熵值法和层次分析法对指标权重值进行综合确定得到组合权重,再将组合权重应用到灰色关联诊断模型中。最后结合实例对诊断方法进行分析讨论,诊断结果表明了该方法的有效性。     

电力变压器灰靶理论的状态评估研究

针对电力变压器状态评估问题,提出了一种在没有标准故障模型的情况下变压器状态识别的新方法。该方法将灰靶理论引入变压器状态评估中,结合油中溶解气体分析技术,给出了变压器状态评估的算法步骤。同时对现有算法加以改进,用灰贡献度分析方法确定的油中溶解气体的加权系数代替均权。     

GRA方法在变压器故障诊断中的应用研究

以油中溶解气体分析DGA（Dissolved Gas Analysis)为依据的变压器故障诊断，传统的方法是基于数据间的比值进行的。文中避开了传统的比值方法，提出了用灰色关联分析GRA（Grey Relational Analysis)方法诊断变压器故障，灰关联分析是对贪信息多因素中的一种处理数据方法，基于灰色关联度理论，对历年来相关技术刊物上公布的变压器油中溶解气体分析数据进行了统计，选出实际结论明确的167台次样本并进行故障分类，从中筛选出一组特征序列数据，将实测数据与特征数据进行灰色关联度比较及故障类型判断，结合实例验证了该方法的正确性，是一种较好的评判变压器故障类型的方法。     

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

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。     

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

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。     

基于灰关联理论的变压器故障诊断专家系统

以变压器油中溶解气体含量为特征量,针对电力变压器的故障特点,提出了采用基于规则的产生式方法进行知识表示,以模块方式构造知识库,并选用正反向混合推理方式,创建电力变压器故障诊断专家系统。讨论了基于灰色关联理论的案例推理在整个系统中的实现方法。该系统具有运行状态监测和智能化故障诊断功能。大量诊断实例表明,该专家系统有效、灵活,具有一定容错能力,能有效提高电力变压器运行和维修效率。     

基于自组织抗体网络的电力变压器故障诊断

仿生生物免疫系统中抗体对抗原的高效识别和记忆机理,本文提出自组织抗体网络和抗体生成算法用于解决电力变压器故障诊断问题。自组织抗体网络中抗体类型与抗体浓度新定义的设计,优化了网络性能,只需根据样本数据设置初始抗体个数,无需人工设置任何其他参数与阈值。抗体生成算法依据抗体的类型和浓度,针对不同情况采取抗体进化、抗体合并以及抗体新生三种不同的策略,快速提取和记忆抗原特征,有效地提高了算法的效率。UCI(University of California,Irvine)标准数据集和基于油中溶解气体数据的电力变压器故障诊断试验表明,该方法能充分利用先验信息,实施有效的分类,并有很高的准确率。     

基于DGA和改进型灰关联度模型的牵引变压器故障诊断

油中溶解气体分析(DGA)是诊断普通电力变压器故障的重要方法,但牵引变压器有着自身的特点,若仿效普通电力变压器的故障诊断方法,在诊断牵引变压器故障时精度较低。文中针对牵引变压器发生故障时的气体特征,提出了一种基于改进的灰关联度分析模型用于牵引变压器故障诊断的方法。该方法充分利用了牵引变压器油中气体数据的全部信息,且发挥了灰关联度适用于小样本、贫信息系统的优势,避免了局部关联和信息损失的缺陷。实例分析结果表明,该方法可以很好地判断牵引变压器故障类型,提高诊断精度。     

基于组合决策树的油浸式电力变压器故障诊断

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。     

基于组合神经网络模型的电力变压器故障诊断方法

对故障空间的划分以及组合神经网络的构造方式 ,是利用组合神经网络进行变压器故障识别的关键。在讨论变压器故障空间划分方法及其存在问题的基础上 ,针对已积累的故障变压器的大量溶解气体数据 ,考察了各类故障的气体特征及聚类分析结果 ,并在此基础上构造了组合神经网络分层结构模型 ,实现了对变压器故障由粗到细的逐级划分 ,以提高诊断的准确性 ,为制定维修策略提供了依据。最后 ,结果显示了该模型的有效性     

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

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。     

基于加权灰靶理论的电力变压器绝缘状态分级评估方法

针对电力变压器绝缘状态评估问题,提出了一种在没有标准故障模型的情况下进行变压器状态分级识别的新方法.本文将加权灰靶理论引入变压器绝缘状态评估中,结合油中溶解气体分析技术,构建了变压器状态评估的算法及实现步骤.运用灰贡献度分析理论解决了变压器绝缘状态评估中各指标的权重问题.同时结合电力变压器实际情况,根据变压器故障按严酷程度的分布提出了变压器绝缘状态分级的方法.实验表明,该方法能够有效地解决在没有标准故障模型的情况下变压器绝缘状态识别的问题,为变压器状态评估提供了一种新的方法.     

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.     

基于灰关联熵的充油变压器故障诊断方法

油中溶解气体分析是目前发现变压器潜伏性故障的重要方法,鉴于用IEC推荐的三比值法中编码缺陷(编码超出码表)及变压器故障诊断的复杂性,文中详细阐述了如何将灰关联熵应用于变压器故障诊断。首先通过统计方法,选择典型油中气体作为参考列,并经反复调整,挖掘出油中气体所含故障信息,然后利用灰关联熵方法进行变压器故障类型诊断。该方法基于融合互补的思想,将灰关联分析方法与信息熵理论有机结合起来,克服了单一灰关联分析中易造成局部关联及信息损失等缺陷,尽可能多地包含变压器本体所含信息。实例分析结果表明,该方法具有较好的分类效果。