基于改进灰色关联分析的GIS质量评价

提出了基于改进灰色关联分析法的气体绝缘金属封闭式开关设备(GIS)质量评价方法。该方法结合熵权法和专家打分法确定各评价指标的组合权重,克服了原始灰色关联分析计算中指标均权及专家赋权的不足。然后采用改进后的灰色关联分析法对GIS进行质量评价。将组合赋权法引入灰色关联分析方法中,充分利用各指标的全部信息,有效提高了评价精度,使得评价结果更加科学、合理。     

基于改进熵权法和灰色关联分析的变压器故障诊断

针对目前电力变压器故障诊断存在数据信息不完备和故障诊断准确率低的问题,提出了改进熵权法和灰色关联分析相结合的变压器故障诊断方法。该方法首先对变压器故障样本数据进行标准化处理,然后采用改进熵权法确定变压器故障诊断指标的权重,再通过计算改进的灰色欧几里德加权关联度确定变压器的故障类型。实例分析结果表明该方法的正确性和可行性,与传统熵权法相比,指标的权重分配更为合理,并克服了传统灰色关联分析中指标平权的不足问题,故障诊断准确率显著高于IEC三比值法和一般灰色关联分析。     

基于熵权和灰关联度的变压器故障诊断

油中气体分析是诊断变压器故障的重要方法,但是传统的三比值法存在缺陷。针对变压器故障诊断时信息不完全的问题,提出了结合熵权法和加权灰关联度模型用于变压器故障诊断。该方法利用熵权法确定指标客观权重,通过计算加权关联度判断变压器故障类型。熵权法和加权灰关联度模型相结合充分利用了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,该方法具有较好的识别变压器故障的效果。     

灰色关联分析在变压器故障识别中的应用探讨

变压器的正常工作对于保障电力系统安全稳定运行起到了举足轻重的作用,因此,对其进行定期或不定期的故障诊断显得尤为必要。在常规油中溶解气体分析法(DGA)的变压器故障诊断方法基础上,将传统灰色关联分析法和B型灰色关联分析法分别应用于变压器故障识别中,并结合实例对两种方法的适用性进行了探讨。研究结果表明,B型灰色关联分析较传统灰色关联分析法,更能够有效地对变压器故障进行识别,证明了该方法在变压器故障识别领域良好的适用性。最后,对两种灰色关联分析法在变压器识别中的所遇到的问题进行了分析,认为应对DGA所测得的各气体含量占总气体含量权重等方面进行进一步的研究。     

基于灰云模型的电力变压器故障诊断

为了提高油中溶解气体分析方法的诊断能力,提出了基于灰云模型的电力变压器故障诊断新方法。通过熵理论引入软化因子,将电力变压器故障诊断标准矩阵中的分类界限值转化为区间数概念。利用峰值、左右界限值、熵、超熵表征灰云模型,以此反映电力变压器故障诊断分类界限值的模糊性和随机性。建立电力变压器故障诊断各评估指标重要性信息的未确知有理数,得到各指标的权重值,有效地减少了诊断结果的主观性。利用结合灰云模型实现白化权函数的灰色聚类算法对变压器故障类型进行分析和判断。实际算例分析结果表明,所提方法诊断精度较高,验证了该模型的实用性和有效性,并具有分析速度快,实时性较好的优点。     

基于IEC三比值法与融合权重法的变压器可拓关联故障诊断

提出了基于DGA三比值融合权重的变压器可拓关联故障诊断法,以IEC三比值法中5种气体的三对比值为诊断指标,建立相应的物元模型,应用熵值法对各项指标进行客观赋值,并将专家经验的主观赋值和熵值法的客观赋值进行综合得到融合权重,再将融合权重应用到故障诊断模型中,利用关联函数的计算进行变压器故障诊断。最后结合大量实例数据,进行诊断结果的分析、对比与统计,此方法有较高的准确率。结果证明,该方法的诊断结果更准确、全面、可靠。     

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。     

基于熵权法和灰色关联分析法的输电网规划方案综合决策

针对目前输电网规划方案综合决策问题中信息不完全和权重主观性强的问题,提出了基于熵权法和灰色关联分析法相结合的输电网规划方案综合决策方法。该方法首先应用熵权法确定各评价指标的客观权重,克服了原始灰色关联中指标平权和专家赋值的不足;然后采用改进的灰色关联分析法得出最优方案。熵权法与灰色关联分析法相结合充分利用了各指标的全部信息,且充分发挥了灰色关联适合具有一定灰度小样本事件的优势。仿真算例验证了该方法的有效性。     

基于模糊理论的变压器故障诊断模型研究

针对变压器状态诊断问题,以按变压器各个部件诊断为基础,引入模糊理论来构造变压器状态诊断模型,根据变压器各部件状态信息量的注意值和良好值,以及状态信息量和故障原因的对应关系,构造基于状态信息量的隶属函数,采用层次分析法确定变压器状态诊断模型中各状态信息的主观权重,然后选取熵值法确定各状态信息的客观权重,最后计算出主客观权重的综合赋权,将最终得到的权值应用于诊断模型中,计算故障概率,对得出的故障概率,按照最大隶属度原则判断故障原因.     

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。     

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.     

变压器油中溶解气体分析法应用中存在的问题及产气识别（二）

4变压器各类产气的识别 4．1自然老化产气的识别 自然老化产气与变压器内的水分和氧气含量有关，而他们与制造和维护水平有关，所以每一台变压器运行后所含特征气体的浓度是不同的。根据统计，如果油中乙炔保持为0值，总烃缓慢地上升，平均产气率〈0．1μL／（L·d），则可认为是自然老化。自然老化是可以控制的，控制水平不同，老化程度就不同。     

基于时序特征和参数估计的变压器故障诊断方法

油中溶解气体分析(DGA)是对变压器进行故障诊断最方便、最有效的方法之一,其中静态分析方法取得了较多的研究成果。实际中故障信息的出现具有时序特征,趋势信息可以反映故障的状态及发展,将基于时序特征的动态分析方法与传统的静态分析方法相结合,可以对故障发展及危害进行更为全面准确的描述。提出了基于时序特征和参数估计诊断变压器故障的方法,采用最小二乘参数估计算法识别特征气体的变化趋势,采用滑动窗口方法实现在线分析,利用递推最小二乘估计算法减小运算复杂度。以实际变压器油中气体测量数据进行实验,结合静态三比值和灰色关联度分析方法,对变压器进行故障诊断,实验结果证明了方法的有效性。     

用改进的灰色多变量模型预测变压器油中溶解气体的浓度

油中溶解气体分析(dissolved gas analysis,DGA)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。灰色多变量预测模型可使用从同一信号中提取的多个诊断指标同时进行预测,从系统的角度对各特征参数进行统一描述, 因而能够获得比较精确的预测结果。在现有文献研究成果的基础上,对灰色多变量模型做了进一步改进,将灰色多变量模型中的已知条件做了适当的拓广,提出了新的预测方法, 从而使新模型具有更高的精度。变压器油中七种特征气体的预测实例分析验证了该方法的有效性。     

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.     

以油中溶解气体分析为特征量诊断电力变压器故障部位的探讨

用油中溶解气体分析(DGA)能灵敏地发现电力变压器潜伏性故障的性质。然而，对于采用DGA来诊断电力变压器故障部位的方法，目前仍存在能与不能两种观点。笔经过10年的探索，结合实际故障，运用多种诊断方法(如改良三比值法、四比值法、特征气体法、灰色聚类法等)联合诊断，再经正反向混合推理，可以得出最可能的电力变压器故障部位，有效提高了诊断准确性，这对实际生产具有一定的现实意义。     

基于DGA的变压器故障诊断多专家融合策略

介绍了基于油中溶解气体分析(DGA)的电力变压器故障综合诊断。采用的诊断判据主要包括改良三比值法、大卫三角形法、神经网络和范例推理。在多专家(多诊断判据)的参与下,可能出现诊断结果相互冲突的问题,而如何融合不同诊断判据下的诊断结果仍是一个难点。为解决这一问题,在把各诊断结果分解为放电和过热故障的基础上,引入了多专家加权投票策略(加权多数算法)。权重系数根据各诊断判据的诊断正确率初步确定。实践证明了该方法的可行性。     

基于DGA的变压器故障诊断智能方法分析

针对传统变压器故障诊断方法的不足,介绍了多种智能诊断方法在基于油中溶解气体分析（dissolved gas-in-oil analysis, DGA）的变压器故障诊断中的应用,包括人工神经网络、模糊理论、专家系统、灰关联分析及其他智能方法。通过对这些智能诊断方法的分析,得出其优缺点及需要改进的方案,为研究人员选择最优油浸式电力变压器故障诊断方法提供参考。最后对基于DGA的变压器故障智能诊断方法进行了展望,并分析了未来的发展方向。     

基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法

油中溶解气体分析(DGA)是电力变压器故障诊断的一种常用方法。然而,基于DGA的传统方法不能建立精确的数学模型,单一智能诊断方法在实际应用中存在分类能力不足等问题,导致诊断结果准确率较低。文中提出一种基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法。首先利用PSO算法对ELM模型进行优化,得到PSO⁃ELM模型,然后利用多分类AdaBoost算法对PSO⁃ELM模型进行重复迭代,得到带有不同权重的弱分类器,通过计算各分类器对测试样本的分错率,不断调整每个弱分类器的权重系数,最终利用所有弱分类器加权投票对监测数据进行故障诊断。实验结果表明,相比于BP神经网络、ELM、支持向量机(SVM),文中算法的诊断准确率分别提高16.02%、9.78%、5.62%。