基于粗糙集理论的电力变压器故障诊断方法

鉴于电力变压器信息的不完备性及复杂性，基于粗糙集理论提出了一种能较好处理不完备信息的变压器故障诊断模型。基于对大量电力变压器故障征兆及故障类型的分析统计，利用粗糙集进行约简以获取诊断规则。文中详细阐述了在获得各类信息情况下如何利用该模型进行故障诊断；即使缺少某些关键信息时，该模型也能结合欧式距离、神经网络和模糊数学三种方法对约简进行综合匹配，再利用相应的约简及规则集作出故障诊断。该模型还可通过丰富训练样本、修正决策表的自我完善方法使诊断效果不断提高。实例也表明了该方法的有效性。     

基于粗糙集的变压器故障诊断方法研究综述

介绍了粗糙集理论的基本概念、约简计算方法和约简过程,并对近年来基于单一粗糙集理论及其与其他智能方法组合的变压器故障诊断方法的主要研究成果进行了分析和评述,指出基于粗糙集理论的属性约简能够保证在变压器故障诊断结果一致的情况下选择最少的特征集,是变压器故障诊断的一个较好的途径。     

变压器的故障检测及诊断技术

阐述了常用的电力变压器故障诊断技术，如油中气体分析、局部放电、绕组变形检测，并对其未来发展方向提出了建议。     

基于粗糙集与模糊神经网络的变压器故障诊断方法

将基于粗糙集理论的模糊神经网络，应用于变压器故障诊断中，充分利用粗糙集理论对知识的约简能力模糊神经网络优良的分类能力，首先利用粗糙集方法对原始数据进行约简，形成精简的规则集，以此基础构建的模糊神经网络结构完全是由粗糙集最终约简规则决定的，具有良好的拓扑结构，网络规模大大减少，学习速度大为提高，而且保持了网络较好的分类能力。     

基于粗糙集理论的变压器故障诊断方法

将一种基于粗糙集理论的信息熵约简方法应用于变压器故障诊断问题中。首先应用粗糙集理论将电力变压器故障历史数据进行分析统计,建立决策表,然后采用信息熵约简算法对其进行条件属性约简,求取一组最小约简知识系统,并采用粗糙集约简方法对新系统进行简化,得到一组故障诊断的最小决策规则集。方法大大减小了编码的工作量,避免了约简属性组合查询及缺少关键属性时规则匹配所带来的不便,所以运算速度也会相对加快。最后结合实例分析,证明该方法的简便及有效性。     

油浸电力变压器的状态检测及状态维修

介绍了国内外对油浸电力变压器状态维修的认识、状态检测的主要方法及其发展情况，并强调了人工智能技术在综合诊断分析中的重要作用。     

电力变压器的状态诊断与检测配置

阐述了状态诊断在电力变压器实施状态维修中的地位及相关概念，粗略评估了支撑变压器状态诊断的各项主要检测手段的有效性、成熟程度和合理应用等问题，并提出了变压器状态检测配置的若干原则性建议。     

基于粗糙集理论的变压器神经网络诊断方法

提出了一种既利用粗糙集理论对大量数据的分析挖掘能 ,又发挥了神经网络的精确分类和学习能力的变压器故障诊断方法 ,可有效诊断和分类变压器故障     

基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法

电力变压器故障诊断对电力系统的安全运行有着十分重要的意义。文中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在一起,提出了一种电力变压器故障诊断的新方法。利用粗糙集信息表约简技术来实现对专家知识的简化与故障特征的压缩,获得最小诊断规则,基于最小诊断规则的贝叶斯网络模型可以有效降低网络结构的复杂性与故障特征获取的难度;同时利用贝叶斯网络实现概率推理,便于描述故障特征的变化及对变压器故障原因的快速分析。最后,进行了变压器故障实例分析,诊断结果证明该方法的正确性和有效性。     

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.     

基于模糊模块化网络的电力变压器故障诊断

建立了变压器故障诊断的模糊模块化网络模型,实现对电力变压器的故障诊断.     

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。     

基于模糊积分融合技术的变压器故障识别

提出了一种基于模糊积分融合技术的变压器故障诊断新方法。首先建立三比值的隶属函数并对三比值数据进行模糊预处理,再用4个不同的径向基函数神经网络进行故障识别,最后利用模糊积分融合方法将4组诊断结果进行融合处理,得出诊断结果。仿真实例表明这种方法比单个人工神经网络具有更高的故障诊断性能。     

基于CMPSO-BP算法的变压器故障诊断

将基于遗传算法交叉变异思想的改进粒子群优化(CMPSO)算法和误差反向传播(BP)算法相结合构成的CMPSO-BP混合算法用于训练神经网络,该混合算法有效克服常规BP和PSO-BP算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断实验。诊断结果表明,CMPSO-BP混合算法较BP及PSO-BP算法具有较高的诊断准确率。     

多种智能理论联合作用的电力变压器故障诊断

提出了一种基于粗糙集理论、神经网络理论和证据理论的变压器故障综合诊断的新方法,并通过实例证明了该方法的诊断性能。     

基于DGA及AGAWNN的电力变压器故障诊断

提出了一种基于混合多值编码的自适应遗传算法优化的小波神经网络变压器故障诊断方法.     

电力变压器故障类型与关键状态量关联规则分析

传统电力变压器设备运维大多采用状态检修技术,但积累的状态监测和检测数据没有得到充分挖掘利用,造成信息资源的浪费。以故障特征量为前项,以故障类型为后项,设置最小支持度和最小置信度,运用Apriori数据挖掘经典算法挖掘出变压器故障和关键状态量之间的关联规则。基于关联规则挖掘原理,利用SPSS Modeler软件平台建立电力变压器故障关联规则挖掘模型进行分析,得出了故障诊断的具体流程,旨在采取关联规则挖掘的方法发现状态特征量和故障类别之间的内在联系,对故障进行判定。     

基于改进GSA-SVM模型的电力变压器故障诊断

准确评估输变电设备运行状态是电力企业生产技术工作的核心内容。为提高电力变压器故障诊断精度,避免传统引力搜索算法（GSA）自身收敛速度慢且易陷入局部最优区等不足,提出一种利用混沌序列改进GSA的支持向量机（SVM）模型,用于电力变压器故障诊断中。首先利用混沌序列来增加重力粒子的多样性,目的是避免在其训练时陷入局部最优区;然后利用改进的GSA算法来优化SVM模型自身的参数,从而提升该模型的预测准确率;最后将预测结果与其他3种传统诊断模型的预测结果进行了对比分析,结果表明利用混沌序列改进的GSA-SVM模型有着更好的泛化能力以及更高的分类准确率。     

基于IGSO优化LM网络的变压器故障诊断方法

针对现今电力变压器故障诊断方法中存在编码边界区间过于绝对、准确率不高等一系列问题,提出了一种自适应搜索萤火虫算法（IGSO）优化列文伯格·马夸尔特（Levenberg Maquardt,LM）网络的变压器故障诊断方法.该方法采用萤火虫个体代表神经网络的权值和阈值、LM网络的均方误差函数作为萤火虫个体的适应度函数,利用改进萤火虫算法迭代寻优得到LM网络的最优权值和阈值.同时,运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,不仅有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点.然后,建立基于自适应搜索萤火虫算法优化的神经网络模型,并将典型变压器故障数据代入仿真,通过与贝叶斯正则化神经网络模型以及粒子群模型的仿真结果对比,表明该方法具有较好的分类效果,准确率达到88.57％.