基于模糊神经网络的变压器故障诊断技术与方法的研究

将模糊技术与神经网络引入到变压器故障诊断中,提出了运用基于特征气体法的神经网络模块和基于改良三比值法的模糊神经网络模块对变压器油中溶解气体进行综合分析,判断油中溶解气体的特征,以此来诊断变压器可能发生的故障。     

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。     

变压器故障诊断方法探讨

分析了变压器故障类型及原因,并指出基于油中溶解气体的三比值法诊断变压器故障的缺陷。提出了采用专家系统模糊处理技术可解决此问题,并举例证明了该方法的有效性。     

基于模糊关联规则挖掘的电力变压器故障诊断方法

在对变压器故障的状态监测过程中,故障特征量在某些情况具有不确定特性,所以判断变压器运行状态的过程具有一定的模糊性,确定性的关联规则难以有效地表达特征量与故障之间的关系。为建立更准确有效的变压器故障诊断模型,文中对经典的Apriori算法进行优化,在利用主成分分析对多源参数进行优选后,将其扩展到包含模糊属性的事务当中,并与传统IEC三比值相结合作为特征量共同提取规则,所建模型的执行效率及准确度相比原Apriori算法更高,且可进一步运用至变压器多源参数的关联规则挖掘。结果表明,结合三比值共同提取的规则,其正判率将大幅提高,且模糊理论与三比值相结合所提取的规则,其正判率高于经典集合理论与三比值相结合所提取的规则,最后经由Apriori算法提取的复合规则,其正判率较高。利用文中所建立的模糊关联规则模型可更准确高效地诊断变压器故障,从而有效服务于电力设备的运维工作。     

一种基于克隆选择算法的变压器故障诊断方法

为了提高变压器油中溶解气体的分析诊断准确度,结合模糊理论和克隆选择算法,对传统的IEC三比值法的数据边界和编码进行了模糊处理,并通过模糊推理得到故障诊断结果。通过现场变压器实验数据的采集和判断,验证了该方法的有效性,说明运用所提出的新诊断方法,不仅能够降低其它干扰气体对诊断结果的影响,也提高了变压器油中溶解气体色谱分析的准确度和精度。     

变压器故障诊断技术的研究

综述了诊断变压器故障的经典分析法，专家系统和人工神经网络法，叙述了智能型系统的研究和应用。     

基于改进BP神经网络的变压器故障诊断方法研究

变压器是电力系统中不可或缺的重要设备,它的安全稳定运行对整个系统的运行至关重要.为了及时发现和排除变压器出现的故障,提出了基于改进BP神经网络的附加参数法、优化学习因子及隐含层节点数目等电力设备故障诊断方法,通过与传统的BP神经网络算法对比,可以发现收敛速度显著提升,局部最小值问题也得到了解决,仿真结果证明了改进方法的...     

基于神经网络的变压器模糊诊断研究

提出了将神经网络用于变压器模糊故障诊断的方法。计算结果和诊断实例表明，采用神经网络能够更为准确有效地诊断变压器故障。     

提高气相色谱分析方法诊断变压器故障正确率

介绍特征气体产生途径和判断变压器故障的方法,并通过实例阐述变压器运行中色谱试验异常判断过程。介绍变压器在非故障时产生特征气体的几种原因及相应对策,以便减少诊断变压器故障时的干扰源,进而提高了判断变压器故障的正确率。对运行维护人员准确诊断变压器内部故障具有一定帮助。     

基于蚁群算法的变压器故障诊断方法研究

针对目前电力变压器故障诊断方法中的不足,提出了蚁群算法优化的神经网络故障诊断方法。充分利用蚁群算法的全局优化和启发式寻优能力,对神经网络连接权值进行优化,再利用神经网络的非线性处理及自学习能力对变压器故障样本进行训练,并仿真测试。实验结果表明,与传统故障诊断方法相比,该算法有效避免了陷入局部极小和诊断正确率不高等问题,大大减少了训练时间,提高了故障诊断效率,更能准确地反映变压器的实际故障。     

电力变压器BP神经网络故障诊断法的比较研究

将BPNN应用于电力变压器故障诊断,并对变压器绝缘油常用的5种溶解气体分析标准进行了神经网络效率的比较研究。这些标准是改进的Rogers,IEC,Doernenburg,Duva和CSUS。研究显示,所运用的诊断标准或方法不同,神经网络诊断电力变压器故障的效率也不相同,其值在88.3%～96.7%范围内;根据这些标准所设计的四比值法(FGR)和6种特征气体法(SKG)具有更高的诊断效率。验证结果显示,BP神经网络诊断法适合于变压器潜伏性故障的诊断。     

基于神经网络的变压器故障诊断研究

电力变压器是电网的核心设备之一。变压器故障一直是危及电网安全的主要因素。因此研究有效的故障诊断方法具有十分重大的现实意义。以BP网络为例。介绍了基于油中溶解气体分析的变压器神经网络故障诊断方法。试验结果表明。该方法是有效可行的,具有一定的实际应用价值。     

基于径向基函数网络的大型电力变压器故障诊断

研究了径向基函数（RBF）神经网络的模型结构及其在电力变压器故障诊断中的实现方法,介绍了变压器故障诊断的RBF模型.通过故障诊断及仿真实例分析,将RBF网络与BP网络的性能进行比较,得出RBF神经网络训练速度快、逼近误差小、能够更有效地解决电力变压器故障诊断问题的结论.     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

基于多方法组合诊断模型的大型变压器故障诊断

电力变压器故障征兆与故障原因之间的关系错综复杂,而单项诊断方法由于信息特征独特、考虑角度单一,往往很难满足故障诊断的要求.因此,提出了在变压器故障诊断中采用多种方法组合诊断的思想,以克服单种方法的偏好对最终诊断结果所产生的影响.该方法采用模糊C均值聚类(FCM)诊断法、BP神经网络诊断法、粗糙集理论故障诊断法和IEC 60599推荐的三比值法这4种诊断方法作为独立的单项诊断方法,根据各自诊断的误判率,按照诊断误差平方和最小的原则计算出各个诊断方法的最优权重,形成最优投票组合模型,再求出最大发生概率的故障类型.诊断结果表明,该方法与单项方法相比,大大降低了诊断误判的风险,提高了故障诊断的准确率,增强了故障诊断的稳健性.     

基于径向基网络实现变压器故障诊断

研究采用径向基神经网络进行变压器故障诊断,以提高变压器故障诊断率。分析了径向基函数神经网络的结构和工作原理,确立了适合变压器故障诊断的网络学习算法,并设计了一个诊断变压器故障的三层径向基网络。通过采用MATLAB进行仿真实验。结果表明径向基神经网络是一很强的分类器,能够有效的对变压器故障进行诊断。     

基于模糊TOPSIS和BP网络的电力变压器故障诊断方法

针对传统故障诊断技术中存在诊断模型结构复杂以及收集故障样本数据非常繁琐的问题,将TOPSIS方法在Vague集下进行扩展。介绍了Vague集的基本概念及其相似度量方法,以及使用Vague集表达的语义变量集,并据此对原始样本集进行优劣排序和聚类,从而缩减了样本集的容量,使得故障特征信息量和映射空间复杂度的问题在一定程度上得以平衡。在此基础上构建了适应于变压器故障诊断的BP网络诊断模型,实现对不同类型故障的诊断。算例分析表明,此方法与传统的变压器故障诊断的方法相比较具有明显的优越性。     

基于信息融合技术的变压器多层次故障诊断

鉴于电力变压器自身结构复杂,运行环境多变的特性,传统的单一信息来源确定变压器故障类型存在较大的局限性。因此将信息融合技术引入变压器故障诊断中,将变压器故障诊断分为两个融合层次,第一层利用DGA数据确定过热故障和放电故障,第二层利用电气数据确定具体故障位置或原因,两个融合层次所用智能算法均为改进后的BP神经网络算法。最后通过实例分析,证明该方法的有效性。     

基于振动信号和小波神经网络的变压器故障诊断

提出一种基于振动信号和小波神经网络的电力变压器故障诊断方法.采用变压器油箱表面的振动信号作为采样信号进行频谱分析提取特征频率信号,并以此特征频率信号乘以电流标么值的平方作为训练样本进行小波神经网络训练,小波神经网络输出量能够反映出频谱特征向量和变压器故障类型之间的映射关系,从而实现变压器的故障诊断.实验结果表明,使用该方法能够有效地对变压器进行故障分类及其诊断,并且小波神经网络具有很好的泛化能力.