基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。     

利用改进遗传算法与LS-SVM进行变压器故障诊断

最小二乘支持向量机(least square support vector machines,LS-SVM)能较好地解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障诊断,但参数c与σ2的选取对诊断结果影响较大,因此有必要对其进行优化选择。文中利用改进遗传算法(improved genetic algorithm,IGA)对c与σ2参数进行寻优。IGA采用了编码机制随机产生初始种群,这样可快速扩大搜索空间,稳定群体中个体多样性,有效提高全局搜索能力和收敛速度。文中采用IGA优化后的LS-SVM对多组变压器油色谱数据进行故障诊断分析。结果表明,IGA可以有效实现对LS-SVM算法中c与σ2的优化选取,提高变压器故障诊断的准确率。     

基于LS-SVM的变压器最优维护周期研究

优化变压器维护周期可提高变电站可靠性,降低变电站运行维护成本。基于最小二乘支持向量机(least squaressupport vector machines,LS-SVM)算法,结合成本–效益分析法对变压器维护周期优化进行研究。首先利用统计数据构建变压器缺陷树,并将缺陷数据、停电时间及缺陷权重专家数据等综合起来作为基础,在采用两层动态自适应优化法确定LS-SVM参数后,利用LS-SVM算法对变更维护计划后的缺陷数进行预测,将维护变更的成本(效益比较结果)作为量化约束条件,确定变压器的最优维护周期。采用该算法对某供电公司变压器进行评估,对变压器年度维护计划进行修正并实用,取得了较好的效果。     

基于改进遗传算法与LS-SVM的变压器故障气体预测方法

最小二乘支持向量机(LS-SVM)能较好地解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择。笔者提出一种基于改进遗传算法(IGA)的参数寻优方法,并将其应用到变压器油中故障气体预测。IGA算法采用了编码机制,随机产生初始种群,可快速扩大搜索空间,稳定群体中个体多样性,有效提高全局搜索能力和收敛速度。最后进行了多组现场数据的实例分析,结果表明:基于IGA进行参数优化后的预测准确率明显优于传统LS-SVM预测结果。     

基于多策略ISOA优化SVM的变压器故障诊断研究

针对由支持向量机（SVM）参数难以确定而导致的变压器故障诊断精度低及海鸥优化算法（SOA）易陷入局部寻优的问题,提出一种多策略改进海鸥优化算法（ISOA）优化SVM的变压器故障诊断方法。首先,提出一种多策略的改进方法来全方面提升SOA的寻优性能;然后,利用ISOA对SVM内部参数进行优化,构建基于ISOA-SVM的变压器故障诊断模型;最后,将油中气体溶解分析（DGA）数据的特征提取结果输入到ISOA-SVM模型中进行变压器故障诊断。实例分析表明,所提ISOA-SVM模型诊断精度更优。     

应用贝叶斯框架的LS-SVM概率输出诊断电力变压器故障

针对传统最小二乘支持向量机（LS-SVM）分类器的参数选择具有随意性和不确定性等不足,采用贝叶斯推断方法、通过3级分层推断优化来确定最小二乘支持向量机的各参数,有效提高了最小二乘支持向量机的建模效率。结合最小二乘支持向量机的后验概率输出,可将其运用到变压器故障诊断中。仿真结果表明：该方法能有效地诊断电力变压器故障,且诊断精度和建模效率均优于传统的最小二乘支持向量机方法。     

高频变压器漏电感参数灵敏度分析及其半经验模型

为解决高频变压器绕组端部磁场强度水平分量造成的漏电感参数低估问题,提出了一种考虑端部效应的漏电感参数半经验计算方法.首先研究了高频变压器漏磁场能量对变压器铁心窗口区域各个几何结构参数的灵敏度,确定了漏电感参数的决定性影响因子;然后结合解析计算与数值计算方法,通过对20592次参数化有限元计算结果进行拟合,得到了高频变压器漏电感参数的半经验计算模型;最后通过调整每层的填充率将半经验模型推广到非连续导体的绕组,如矩形、方形等.该模型便于写入变压器设计程序,在变压器设计环节实现对漏电感参数的精确控制,各个参数较宽的取值范围保证了该模型具有广泛的适用性.将该模型的计算结果与现有解析公式以及实验测量结果进行对比,验证了该模型的有效性.     

基于有限元分析的电力变压器绕组故障诊断

电力变压器绕组故障诊断是保证电力变压器安全运行的关键技术。文中通过建立变压器有限元模型和高频等值电路模型,提出了基于"结构参数—电气参数—试验结果"诊断思路的变压器绕组故障诊断方法,可以有效提高电力变压器绕组故障诊断的可靠性。文中基于Ansoft Maxwell仿真平台建立变压器三维有限元模型,计算了变压器主要电气参数(对地电容、饼间电容等),分析了不同故障类型及故障程度下电气参数的变化。运用求解的电气参数搭建了高频等值电路模型,并由高频等值电路模型仿真对应试验结果。文中以轴向位移故障为例,仿真了不同轴向位移程度下变压器的频率响应试验曲线。建立了200~250 k Hz频率带上频率响应试验结果变化与轴向位移故障程度的拟合函数关系,通过该特征频率带上谐振峰的变化可以实现对轴向位移故障程度的诊断。提出的故障诊断方法为实现通过试验结果直接诊断变压器故障类型及其程度提供了参考。     

模糊理论在电力变压器绝缘老化诊断中的应用

为有效评估变压器绝缘老化状态,提出了基于模糊理论的绝缘老化评价模型。首先利用4种不停电检测变压器绝缘状态的方法进行参数测量,然后建立各参数的隶属度函数并将所测参数模糊化后得到4组独立的判据,再利用模糊综合评判法对多种因素进行整合计算并得出最终的诊断结果。最后通过多组实例证明该模型的有效性。     

基于最小二乘支持向量机的变压器励磁涌流识别方法研究

纵差保护是变压器的主保护,但在变压器空载合闸或者变压器外部短路故障被切除端电压突然恢复时会产生励磁涌流,可能会导致纵差保护的误动作,这将严重影响变压器的安全可靠运行。为此提出了一种基于最小二乘支持向量机（LS-SVM）的励磁涌流鉴别方法。选择二次谐波含量和间断角作为输入向量,利用具有高斯核函数的LS-SVM建立分类模型,对励磁涌流进行识别。仿真结果表明,该方法鉴别励磁涌流和故障电流有很高的识别率。该方法为减少变压器的误动和拒动提供了一种新的思路。     

基于参数优化的电力变压器故障诊断模型

针对当前电力变压器故障诊断效率低、误差大的难题,提出了基于参数优化的电力变压器故障诊断模型。首先提取电力变压器故障的特征,将其作为最小二乘支持向量机输入,电力变压器故障类型作为输出,然后采用最小二乘支持向量机对电力变压器的故障诊断样本进行学习,构建电力变压器故障识别的分类器,并引入混沌粒子群算法对最小二乘支持向量机的参数进行优化,最后进行了电力变压器故障诊断的仿真对比测试。测试结果表明,本文模型可以准确辨识各种类型的电力变压器故障,获得较高正确率的变压器故障诊断结果,电力变压器故障诊断的速度,而且电力变压器故障诊断整体性能要优于当前其它电力变压器故障诊断模型。     

基于最小二乘支持向量机的电力变压器故障诊断

油中溶解气体分析是变压器绝缘故障诊断的重要方法。为了提高分类的准确度和可靠性,应用最小二乘支持向量机理论建立了变压器的分类模型。该模型以变压器油中5种主要特征气体作为输入量,以7种变压器状态作为输出量,选用了径向基核,使用了一对一的多分类算法,充分发挥了支持向量机具有较高泛化能力的优势。通过大量的实例分析,并将诊断结果与IEC三比值法、改良三比值法和BP神经网络的诊断结果相比较,表明基于径向基核的最小二乘支持向量机在变压器故障诊断中具有更高的准确率。     

基于加权综合损失优化深度学习和DGA的变压器故障诊断方法

为进一步提高变压器故障诊断效果,提出了一种基于加权综合损失优化深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以DGA特征量为输入,以Softmax层各故障状态概率分布为输出,基于堆栈稀疏自编码深度学习理论构建了变压器故障诊断模型。针对常规交叉熵损失函数下,变压器故障诊断效果偏低,训练样本不平衡分布影响故障诊断水平的问题,采用加权综合损失函数对深度学习模型进行优化。案例分析结果表明:相比传统方法,本文方法可削弱训练样本不对称对变压器故障诊断的不利影响并提高变压器故障诊断水平,各训练集下,本文方法故障诊断准确率可保持在90%以上。     

基于自适应PSO算法的LS-SVM牵引变压器绝缘故障诊断模型

结合罗杰斯比值法,基于自适应PSO算法和最小二乘支持向量机(LS-SVM).提出一种牵引变压器绝缘故障诊断模型.该模型提出一种自适应PSO算法.即根据群体的收敛程度和个体的适应值来调整惯性权重,加快训练速度,利用该算法迭代求解LS-SVM中出现的矩阵方程,避免矩阵求逆,节省内存:为了快速和准确地区分牵引变压器12种绝缘...     

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。     

基于策略梯度和生成式对抗网络的变压器油色谱案例扩充方法

油色谱数据的缺乏和不均衡会导致训练过拟合、模型缺乏代表性、测试集效果不理想等问题,从而难以对变压器的状态进行准确评价。针对该问题,将强化学习中的策略梯度算法引入生成式对抗网络GAN(Generative Adversarial Networks),提出了一种基于策略梯度和GAN的变压器油色谱案例生成方法。仿真结果表明,与传统的样本扩充算法相比,利用所提方法合成的样本质量较高。对包含9种故障状态共700组样本的变压器油色谱数据利用所提方法进行油色谱故障样本扩充,利用基于BP神经网络模型的变压器故障分类模型对将扩充后样本作为训练集训练得到的神经网络模型和仅用真实数据作为训练集训练得到的神经网络模型进行了对比,结果表明利用扩充的样本后,变压器故障分类准确率得到了提高。变压器故障诊断实例表明利用所提方法得到的结果与实际情况相符。     

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器（SSDAE）的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络（BPNN）和支持向量机（SVM）法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。     

一种结合模糊TOPSIS法和BP神经网络的变压器故障诊断方法

对变压器绝缘油采取色谱分析并进行故障诊断是目前变压器故障诊断的重要环节。针对传统故障诊断技术中降低状态检测与诊断系统的复杂度和增加系统采集的特征信息量的问题,首次提出将模糊TOPSIS 法用于状态检测信息处理。首先将TOPSIS 法在Vague集下进行扩展,把样本数据的多属性群问题转化为模糊多属性决策问题。然后计算Hausdorff矢量距离,得到可能解与理想解的相对贴近度,进行样本的优劣排序和聚类。在此基础上建立了简单的BP神经网络,实现了不同类型的模式识别。该方法可以快速、准确地判断变压器的运行状态,进而提高了变压器的安全、稳定及经济运行水平。     

栈式降噪自编码网络在变压器故障诊断中的应用

为提高变压器故障诊断的准确率,提出了一种新型的变压器故障诊断网络,该网络以基于栈式降噪自编码网络为基础,把深度学习用在诊断变压器设备故障方面,建立深层网络模型,采取逐层贪婪编码的方式进行自适应的非监督式预训练,实现高维深层故障特征的自适应提取和挖掘,进而使用反向传播算法对模型进行监督式微调。最后利用Softmax分类器,对故障进行分类输出。最后通过实例验证表明,提出的栈式降噪自编码网络能准确、有效地对变压器进行故障诊断,与传统方法相比,该方法提高了变压器故障诊断的准确率。