基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合诊断中的应用

根据模糊理论和神经网络理论,提出了变压器故障诊断的新方法.根据DGA(dissolved gas analysis) 法、电气试验法及外部故障特征法,建立了基于模糊输入的BP-ART2混和神经网络对电力变压器故障进行综合诊断.仿真结果表明本方法能有效提高变压器故障诊断正确率.     

基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合诊断中的应用

根据模糊理论和神经网络理论,提出了变压器故障诊断的新方法。根据DGA(dissolvedgasanalysis)法、电气试验法及外部故障特征法,建立了基于模糊输入的BP ART2混和神经网络对电力变压器故障进行综合诊断。仿真结果表明本方法能有效提高变压器故障诊断正确率。     

DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。     

基于RIMER专家系统和DGA的变压器故障诊断

针对电力变压器故障诊断中的复杂非线性关系,提出一种基于RIMER(基于证据推理算法的置信规则库推理方法)专家系统和油中溶解气体分析(DGA)技术的变压器故障诊断方法。该方法考虑了变压器故障特征量和征兆的概率不确定性和模糊不确定性,在IEC三比值法和变压器油中溶解气体故障数据样本训练的基础上获得置信规则库的主要参数,结合证据推理算法建立一个新型的变压器DGA故障诊断模型。通过RIMER和DGA变压器故障诊断模型进行故障诊断,克服了IEC三比值法故障编码缺失的问题,故障诊断准确率获得提高,其分布式置信度的输出方式对描述混合故障类型更加有效。仿真实验表明该方法推理计算简单有效,具有较强实用价值。     

基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型

针对单一的特征气体或特征气体比值作为DGA特征量无法全面反映变压器故障分类的问题,本文从混合DGA特征量中优选出一组DGA新特征组合为输入,建立改进磷虾群(Improved Krill Herd,IKH)算法优化支持向量机(Support vector machine,SVM)的变压器故障诊断模型进行故障诊断。将SVM的c和s与11种候选特征量进行二进制编码,利用遗传算法结合支持向量机对DGA特征量进行优选,得到一组最优DGA新特征组合;利用IKH算法对SVM的参数进行优化,同时结合交叉验证原理构建IKH算法优化SVM的变压器故障诊断模型。基于IEC TC 10的诊断结果表明：与DGA全数据、三比值特征量相比,新DGA特征组合的故障诊断准确率分别高出10.14%和30.2%;IKHSVM准确率也要高于标准SVM和GASVM(分别为73.87%、81.13%和86.27%),说明该方法能有效诊断变压器故障。     

基于FCM和改进PCA的变压器故障诊断

为了进一步提高基于油中溶解气分析的变压器故障诊断准确率,提出了一种基于模糊聚类和主成分分析的故障诊断方法。该方法首先利用模糊C均值聚类方法对搜集的DGA样本集进行聚类分析,将聚类中心矩阵作为标准故障谱。然后采用改进型主成分分析方法精简样本矩阵信息,通过计算样本主成分间欧拉距离确定故障类型。通过实例验证证明本文方法能有效识别故障类型,且较IEC比值法、改良三比值法等具有更高的准确率。该方法为变压器故障诊断提供了新思路,具有一定的实际应用价值。     

基于Vague集的模糊聚类在变压器故障诊断中的研究

油中溶解气体分析(DGA)方法是诊断变压器潜伏性故障的常用方法之一.该方法在提取样本模式特征量时缺乏科学的数据分析,导致故障诊断模型的输入模式特征量和输出模式类型不能实现或产生错误的非线性映射.将Vague集的模糊聚类方法应用到变压器故障诊断的研究,是通过建立Vague相似关系矩阵,运用传递闭包法进行Vague聚类分析...     

变压器故障诊断用油中溶解气体新特征参量

油中溶解气体分析(dissolved gas analysis,DGA)是现场电力变压器故障诊断最常用的方法。然而,油中溶解气体含量较容易受到变压器结构、容量、故障位置以及故障程度等因素的影响,从而降低了变压器故障诊断的可靠性。为了提升变压器故障诊断正确率,该文提出了基于支持向量机(support vector machie,SVM)和遗传算法(geneti calgorithm,GA)优选的DGA新特征参量。首先,以28个DGA比值为输入,建立了基于SVM的变压器故障诊断模型;其次,采用GA同时对SVM参数和DGA比值进行优化,得到9个优选DGA比值作为变压器故障诊断用新特征参量。对IEC TC 10故障数据库的诊断结果表明:DGA新特征参量的故障诊断正确率为84%,较常用的DGA含量和IEC比值的诊断正确率提高10%~25%;并且无论采用哪种特征参量,支持向量机的诊断结果均优于神经网络诊断模型。最后,采用DGA新特征参量对国内117组变压器的故障诊断正确率达到了87.18%,再次验证了该方法的有效性。     

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.     

基于模糊RBF神经网络的高压断路器机构故障诊断

为了快速准确诊断高压断路器是否发生操作机构故障,文章提出了一种基于模糊RBF神经网络的高压断路器机构故障诊断方法。该方法首先分析高压断路器的分(合)闸线圈电流,提取时间和电流特征参数t_1、t_2、t_3、t_4、t_5、I_1、I_2、I_3,然后在RBF神经网络增加模糊化层,对特征参数进行相对模糊化运算,最后将模糊化后的特征参数输入到RBF神经网络进行故障识别、分类。该方法以ABB VD4高压断路器的88组实验数据为训练样本建立4种高压断路器操作机构的模糊RBF神经网络故障诊断模型,12组测试样本来验证其准确性,实验结果显示,模糊RBF神经网络高压断路器的故障诊断模型能够准确的诊断出故障类型,其准确率达到99%,具有良好的实用性。与基于模糊BP神经网络的故障诊断方法相比,该方法收敛速度快,训练时间短,均方差较小,为0.107 3。     

基于非线性主分量分析-多层感知器网络的变压器油中溶解气体数据分析

采用人工神经网络进行变压器DGA数据的分析与诊断。为全面评价变压器的实际运行状况，综合利用了各特征气体含量及其比值信息，并借鉴模糊数据处理思想构造初始输入特征集合。借助一个特殊的复合神经网络进行数据分析与故障诊断。其中，非线性主分量分析网络执行多元输入特征信息的融合及主特征选择，形成待识别故障类的敏感特征量；随后的多层感知器执行故障模式识别。试验结果表明，在DGA分析的基础上，应用非线性主分量分析－多层感知器复合神经网络可有效实现变压器不同故障模式的智能化识别，获得较好的诊断结果。     

基于点密度加权核模糊聚类的变压器故障诊断方法

变压器油中溶解气体分析(DGA)是电力变压器绝缘诊断的重要方法。针对模糊C-均值聚类算法(FCM)用于DGA时存在可分性差和等趋势划分等问题,用样本点分布密度大小作为权值,结合核函数的增强可分性,提出点密度加权模糊核C-均值聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断。实例分析结果表明该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境。     

结合多元统计分析的神经网络在变压器故障诊断中的应用

在决策树基础上,建立地变压器故障诊断的组合神经网络模型,提出了一种基于多元统计分析的训练样本及输入矢量选择方法,并给出了网络验证与仿真结果。     

Adaptive fuzzy diagnosis system for dissolved gas analysis of powertransformers

To enhance the fault diagnosis abilities for the dissolved gas analysis (DGA) of the power transformers, this paper proposes a novel adaptive fuzzy system for the incipient fault recognition through evolution enhanced design approach. Complying with the practical gas records and associated fault causes as much as possible, a fuzzy reasoning algorithm is presented to establish a preliminary fuzzy diagnosis system. In the system, an evolutionary optimization algorithm is further relied on to fine-tune the membership functions of the if-then inference rules. To make the diagnosis system intensively compact and the inference process more understandable, a pruning scheme is then developed to filter out the insignificant or redundant rules. The capabilities of the proposed diagnosis system for the transformer DGA decision support have been extensively verified through the practical test data collected from Taiwan Power Company (TPC)     

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%。     

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.     

模糊贝叶斯网的变压器故障诊断

目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一。变压器故障诊断中的信息具有随机性和不确定性的特点,文中提出一种基于模糊贝叶斯网络的变压器故障诊断方法。该方法利用贝叶斯表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型。实例证明,该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据。     

基于DGA与鲸鱼算法优化Logit Boost-决策树的变压器故障诊断方法

为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis, DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树作为弱学习器,通过将Logit Boost集成算法作为集成框架使多个决策树集成为一个强学习器,并构建了一种基于鲸鱼优化算法的优化策略去优化LogitBoost-决策树模型中的决策树棵数及决策树的最大分裂次数。实验表明,所构建的WOA-Logit Boost-DT变压器诊断模型与常用的决策树、支持向量机、三比值等诊断模型相比,综合诊断精度分别提高了约4%、10%、21%。所构建的相关模型能为变压器的故障诊断提供技术支持。     

基于模糊神经网络决策树的电压稳定性评估

提出了适用于电力系统电压稳定性评估的模糊神经网络决策树模型。在生成的决策树中引入模糊神经网络技术,构建出模糊神经网络决策树模型。采用模糊神经网络中的前向神经网络BP算法对小分裂样本进行进一步处理。Matlab仿真结果表明,模糊神经网络决策树应用于电压稳定性评估中,与单独应用决策树相比,分类成功率提高了3.3%。同时,由于减小了样本维度,缩短了模糊神经网络的训练时间,更有利于实现在线电压稳定预测。