基于神经网络、模糊理论的变压器油中溶解气体诊断专家系统

介绍了基于模糊理论和神经网络理论建立起来的变压器油中溶解气体诊断黑板型专家系统,即黑板型专家系统,该系统具有启发性、透明性、高性能和灵活性的特点,不仅能够利用模糊理论来解决变压器故障诊断时出现的复杂性、经验性和模糊性等问题,还能利用神经网络的良好模式分类能力和自学习功能来不断提高整个系统的故障诊断精度,从而有效地克服了以往采用单一方法进行诊断时所固有的诊断出错或诊断结果不全面等缺点。     

基于神经网络、模糊理论的变压器油中气体诊断专家系统

介绍基于人工智能理论中的模糊理论和神经网络理论建立起来的变压器油中气体诊断黑板型专家系统。专家系统具有启发性、透明性、高性能和灵活性的特点。系统不仅能够利用模糊理论来解决变压器故障诊断时出现的复杂性、经验性和模糊性等问题,还能利用神经网络的良好模式分类能力和自学习功能来不断提高整个系统的故障诊断精度,从而有效克服了以往采用单一方法进行诊断时所固有的诊断出错或诊断结果不全面的问题等缺点,提高电力变压器绝缘诊断的准确度。     

变压器油中气体在线智能诊断系统

本文介绍基于人工智能理论中的模糊数学和神经网络理论建立起来的变压器油中气体在线智能诊断系统，该系统不仅能够利用模糊数学理论来解决变压器故障诊断时出现的复杂性、经验性和模糊性等问题，还能利用BP神经网络的良好模式分类能力和自学习功能来不断的提高整个系统的故障诊断精度，从而有效的克服了以往采用单一方法进行诊断时所固有的诊断出错或诊断结果不全面的问题等缺点。并被应用到现场中，具有一定的工程使用价值。     

基于VB的变压器故障可视化模糊诊断

为克服传统变压器绝缘故障诊断的局限性,以得到准确全面的诊断结果,将可视化技术与模糊数学相结合,用于变压器故障诊断专家系统。该系统采用VB(Visual Basic)程序设计语言和TeeChart图表图形控件工具来实现变压器故障诊断的二维/三维可视化输出,并利用模糊数学方法构造编码隶属度函数来刻画边界点的模糊区间。实例分析结果表明,用该法有效解决了单一变压器故障诊断法的误诊断或诊断结果不全面等问题,更准确全面地反映变压器故障信息,具有实际意义。     

面向对象的变压器绝缘故障诊断知识库

本文介绍了面向对象技术的基本理论,首次将其引入到变压器绝缘故障诊断专家系统中,并结合神经网络模糊理论等智能诊断方法和规程导则以及大量的专家经验建立了面向对象结构的变压器绝缘故障诊断知识库,提出了一种新颖的专家系统知识库的构造方式。     

浅谈专家系统在干式变压器故障诊断系统中的应用

阐述了为实现干式变压器故障诊断的自动化,降低判断的随机性,提高诊断水平,将专家系统引入到故障诊断中,指出该系统由数据库、知识库、推理机和解释器等组成,利用人工智能理论进行诊断。在简述故障诊断专家系统的基本构成和诊断机理的基础上,构造了干式变压器故障诊断专家系统的基本模型,为干式变压器的智能化诊断奠定了一定的基础。     

三种变压器故障诊断方法比较研究

变压器常规诊断的油中溶解气体的三比值法(IEC),在目前变压器故障诊断中有着广泛的应用,许多人工智能技术在电力变压器故障诊断中的应用都是基于IEC法进行研究的,并在此基础上提出了基于神经网络和模糊神经网络的变压器故障诊断专家系统。该文将传统IEC三比值法、神经网络法和基于IEC三比值法的模糊神经网络法进行了比较。本文结合实例对这三种诊断方法进行了分析与探讨,指出了传统的IEC三比值法的不足,神经网络法和基于IEC三比值法的模糊神经网络法的优点等。     

模糊神经网络在变压器油中溶解气体故障诊断中的应用

基于模糊隶属度和BP神经元网络,提出了将模糊神经网络应用于变压器油中溶解气体故障诊断的方法。该方法采用了由输入层、输出层、隐含层和模糊化层组成的一种四层前向模糊神经网络,并利用模糊理论预处理数据,建立了基于模糊神经网络的变压器故障诊断模型。结果表明,该方法对变压器进行故障检剥诊断是有效的。     

模糊聚类和LM算法改进BP神经网络的变压器故障诊断

在变压器故障诊断中,目前BP神经网络算法存在训练样本分布不均匀,收敛速度慢、容易陷于局部极小点等问题,导致整体的诊断性能下降。通过对模糊聚类及LM算法改进的神经网络深入研究,并引入变压器故障诊断中,该算法应用模糊聚类对搜集到的样本预处理,提高样本的质量,再用LM算法改进的神经网络来优化搜索方向,可以实现网络训练速度及测试精度的提高。通过实例仿真实验,验证了该方法能够有效诊断出变压器的故障。     

基于关系型数据库的故障诊断专家系统设计

以故障诊断的理论和方法为基础，综合运用人工智能、数据库理论、模糊理论对复杂电子设备的故障诊断问题进行了研究，提出了一种基于数据库的专家系统故障诊断的方法，设计构造了诊断专家系统的整体框架，在系统实现中，采用隶属函数来反应故障对象特征的模糊性和模糊关系，基于关系数据库进行知识的模糊表达，用模糊性更新传播算法实现基于规则的模糊推理。     

基于级联阈值决策的变压器故障模糊诊断法

为了解决最大隶属度原则不宜诊断多故障、阈值原则漏诊率和误诊率较高的问题,在提出级联阈值判断原则后构成了级联阈值决策的加权模糊识别法。该法研究各特征气体组分比值在变压器故障诊断中的不同地位,确定加权系数矩阵,并用统计法估计单故障现象的故障隶属度,得到评判矩阵。通过评判矩阵和级联法值判断原则诊断变压器故障,不但诊断单种变压器故障正确率较高,且诊断多种故障同时存在的变压器故障效果也较理想。     

基于溶解气体分析的电力变压器在线监测与诊断技术

油中溶解气体分析是评估变压器绝缘状态和分析变压器绝缘故障的重要依据。在介绍基于油中溶解气体分析的变压器在线监测与诊断技术原理的基础上,进一步总结了当前在线监测与诊断系统的研究现状及存在的问题:系统主要是在线监测油中气体成分及超阈值报警,而对故障性质、种类、定位及发展趋势预测等诊断尚不具备或很不完备,故障诊断需靠离线分析;因缺乏相应的理论指导,在线监测数据在正常情况下应满足的规律还很模糊,装置自身的精确度不能保证。对今后的研究提出了展望,指出如何通过对在线数据的挖掘找到变压器故障诊断的相应理论依据是进一步研究的核心。     

基于特征判定系数的CSO-SVM的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和特征熵权法（EWM）进行故障诊断的方法。通过相关系数加权峭度（CCWK）原则筛选CEEMDAN分量并重构信号,实现在剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数（FDC）实现单一数据诊断变压器故障类型;通过主成分分析法（PCA）减小混合域特征尺度,采用鸡群优化算法（CSO）优化支持向量机（SVM）模型进行故障诊断。对某变电站110kV三相油浸式变压器进行分析,结果表明与概率神经网络（PNN）和SVM等变压器故障诊断方法相比,文中方法在提前定性故障类型的同时,能够进一步提高变压器故障诊断准确率与效率。     

多信息融合的变压器实时状态评估

随着变压器状态监测技术的发展,获得的变压器状态信息种类也越来越多。为此,提出了多信息融合的变压器健康状态评估方法。该方法通过融合粗糙集、神经网络和D-S证据理论,解决了因变压器信息参数繁多而造成的网络结构复杂和庞大等一系列问题,也为D-S证据理论中的基本可信度分配提供了有效的依据。实例表明,该方法具有较高的诊断准确性和可靠性。     

分层式信息融合在变压器状态评估中的应用

变压器的健康状态直接影响着整个电力系统的安全运行,为此,提出了分层式信息融合的变压器健康状态评估方法.该方法通过融合神经网络和D-S证据理论,解决了因变压器信息参数繁多而造成的网络结构复杂和庞大等一系列问题,也为D-S证据理论中的基本可信度分配提供了有效的依据.实例表明,该方法具有较高的诊断准确性和可靠性.     

基于随机模糊理论的变压器经济寿命评估

对电力变压器进行经济寿命评估,可以有效保障电网安全运行、提高企业经济效益。以全寿命周期成本理论为指导,将环境成本和社会责任成本纳入变压器全寿命周期成本中,建立了更为全面的变压器全寿命周期成本模型。针对评估参数随机、模糊不确定性共存或交叉存在的特点,引入能同时处理这两种不确定性的随机模糊理论处理评估参数,建立了新的变压器经济寿命评估模型。此模型不但可以得到变压器经济寿命期望值,还能够得到不同置信水平下的经济寿命区间以及相同跨度的区间中机会测度最大的经济寿命区间。实例结果表明,将随机模糊理论应用到变压器经济寿命评估中是有效可行的,可以为决策者提供更为详细和多元化的信息,具有一定的参考价值。     

基于深度置信网络和多维信息融合的变压器故障诊断方法

为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。     

Power transformer fault diagnosis based on dissolved gas analysis by support vector machine

This paper presents an intelligent fault classification approach to power transformer dissolved gas analysis (DGA). Support vector machine (SVM) is powerful for the problem with small sampling (small amounts of training data), nonlinear and high dimension (large amounts of input data). The standard IEC 60599 proposes two DGA methods which are the ratios and graphical representation. According the experimental data, for the same input data, these two methods give two different faults diagnosis results, what brings us to a problem. This paper investigates a novel extension method which consists in elaborating an input vector establishes by the combination of ratios and graphical representation to resolve this problem. SVM is applied to establish the power transformers faults classification and to choose the most appropriate gas signature between the DGA traditional methods and a novel extension method. The experimental data from Tunisian Company of Electricity and Gas (STEG) is used to illustrate the performance of proposed SVM models. Then, the multi-layer SVM classifier is trained with the training samples. Finally, the normal state and the six fault types of transformers are identified by the trained classifier. In comparison to the results obtained from the SVM, the proposed DGA method has been shown to possess superior performance in identifying the transformer fault type. The SVM approach is compared with other AI techniques (fuzzy logic, MLP and RBF neural network); the proposed method gives a good performance for transformers fault diagnosis. The test results indicate that the novel extension method and the SVM approach can significantly improve the diagnosis accuracies for power transformer fault classification.