基于支持向量机和DGA的变压器状态评估方法

电力变压器老化、故障机理复杂,具有不确定性,难以进行准确的状态评估,故提出了一种基于支持向量机的二叉树多级分类器变压器状态评估方法,该模型以变压器油中溶解气体的含气量和产气速率为评价指标,结合<电力设备预防性试验规程>和<变压器油中溶解气体分析和判断导则>制定了半梯形百分制评分模型对选定的评价指标进行评分;将变压器状态分为良好、一般、注意、较差4种状态,利用从变压器历史试验数据库中归纳整理的样本分别对三级支持向量机分类器进行训练,经过训练的分类器能够正确判断出变压器所处的状态.实例分析结果表明该方法的有效性和实用性.     

基于支持向量同归的电力变压器状态评估

为提高电力变压器状态评估的准确性,将变压器健康状态分为5级。鉴于支持向量机对小样本具有良好的拟合能力,而变压器数据具有小样本、贫信息的特点,提出了基于支持向量回归的电力变压器状态评估模型。将变压器的油色谱分析数据和电气实验数据利用半岭模型确定变压器各个参数的分值,评分项目结果作为支持向量机的自变量,通过多层动态自适应优化算法优化了支持向量回归的参数,形成变权重的预测。实例验证了变压器状态评估模型的正确性及可行性,其结果更接近变压器的真实运行状态。     

变压器在线监测物联网多维信息聚合模型研究

为了提高变压器在线监测物联网信息的利用率与状态评估准确性,提出了一种基于相关系数与支持向量机的变压器在线监测物联网多维信息聚合模型。采用状态信息间的相关性作为支持向量机的输入矩阵,并利用支持向量机对状态类别进行划分。对变压器油中溶解气体含量及油温等数据信息进行了验证。结果表明,可以有效判断变压器的状态并进行状态划分,研究结果有助于提升变压器在线监测物联网多维信息的整合与利用,从而提高变压器状态评估的准确性。     

基于模糊综合评判和支持向量回归的变压器状态评估方法

将模糊综合评判与支持向量机回归的方法相结合,应用于变压器的状态评估,首先使用模糊综合评判法,综合考虑多种因素对变压器状态的影响,以及各因素之间的模糊性、不确定性,得出模糊运算的结果,再利用支持向量机适合小样本、泛化能力强的特点,使用支持向量机回归模型得出变压器状态的评判分数,依此制定出变压器的检修策略。实例证明该方法的合理性与有效性。     

基于模糊层次分析法与支持向量机的变压器风险评估

电力变压器是电力系统的关键设备之一。为实时、客观地评估电力变压器状态,分析其故障情况下造成的风险,本文提出了一种基于模糊层次分析法(FAHP)和支持向量机(SVM)的变压器风险评估模型。引入模糊层次分析法,综合考虑包括设备、环境、人身、电网安全4个方面的风险要素,计算变压器故障发生时的损失程度;采用支持向量机,将变压器的健康状态量作为输入,故障率作为输出,实现变压器故障率的预测。最后结合实际案例,对某地区变压器进行风险评估,仿真结果表明,该方法能够提高风险评估的有效性和准确度,为变压器的风险管理与维修决策提供可行的决策依据。     

基于模拟退火算法变压器的状态检测研究

为了能够提高对变压器状态检测的有效性,利用模拟退火算法对支持向量机进行了改进,并且应用于变压器绕组的状态检测中。分析了振动测试法对变压器绕组故障进行检测和改进模拟退火算法,研究了基于改进模拟退火算法的支持向量机的基本原理。最后,利用模拟退火支持向量机对变压器状态进行了检测,检测结果表明该方法具有较好的检测能力,可以有效地应用于变压器的状态检测。     

基于熵权TOPSIS的变压器套管绝缘状态评估

当前变压器状态检修中细化部件评估越来越受到重视,研究了一种基于熵权TOPSIS原理的变压器套管绝缘状态评估新方法。该方法克服了目前多数评估方法中主观确定权重的不利影响,引入熵的概念来确定评价指标的权重,全面考虑评估指标所含信息量。利用TOPSIS评价方法将绝缘评估问题转化为向量空间的距离评价问题,基于实例和标准样本间的欧式距离贴近度,计算得到变压器套管绝缘状态等级的定量划分。并用实例验证了该方法的有效性。     

考虑历史工况的电力变压器健康状态评估模型

电力变压器结构、运行工况复杂,影响其健康状态的因素众多,建立有效的变压器健康状态评估模型对其状态进行准确评估是十分必要的。文中提出一种考虑变压器历史运行工况影响的变压器健康状态评估模型。从油色谱试验、电气试验、油化试验数据及现场评估等方面提取相关重要指标作为定量指标和定性指标,通过主客观组合权重和岭型隶属函数完成基于定量指标的变压器状态初步评估结果;考虑变压器历史工况建立定性指标对初步评估结果进行合理修正,完成对变压器健康状态的评估。最后以宁夏地区1台110 kV主变验证了该评估方法的有效性和准确性。文中提出的变压器健康状态评估模型可为变压器的智能运维和健康管理提供参考。     

基于油色谱监测数据的变压器动态可靠性分析

动态可靠性是电力变压器进行短期风险评估、检修决策等的依据.文中首先分析能反映变压器可靠性的因素,选择油中溶解气体分析(DGA)数据中特征气体含量、气体总量产气速率、设备役龄为关键影响因素.然后采用最小二乘支持向量机作为动态可靠性模型,进行变压器动态故障率预测.最后用算例分析了影响因素和模型的合理性,并与采用马尔可夫状态空间模型计算的故障率结果进行了比较.结果表明,设备役龄是影响变压器内部潜伏性故障率的重要因素,最小二乘支持向量机方法作为变压器动态可靠性模型具有计算速度快、监测信息的识别度高的优点.     

基于历史信息挖掘的变压器健康状态聚类方法

传统变压器健康状态评估主要集中在评价导则与模型建立上,然而人为因素与低数据利用率或导致评估结果不准确,对此提出了一种基于历史信息挖掘的变压器健康状态聚类方法。首先利用关联分析挖掘变压器历史信息,以置信度量化评价指标。其次采用主分量分析方法获取评价指标关联权重,据此修正指标聚类空间。最后通过Canopy-kmeans两层聚类方法分析变压器集群健康状态,针对不同簇给出相应健康等级以指导状态检修与运行调度。算例分析验证了该方法的可行性与有效性。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

差分进化算法在变压器故障诊断中应用

针对典型小样本数据的变压器故障诊断,文章提出了一种基于差分进化算法优化的支持向量机构建电力变压器故障诊断方法。该方法是采用差分进化算法来优化支持向量机核函数参数g和惩罚因子C,将优化过的支持向量机对小样本故障数据进行故障诊断。实验结果表明,该方法比网格搜索优化算法和粒子群优化算法具有更高的准确率,非常适合于电力变压器的故障诊断。     

基于灰色最小二乘支持向量机的变压器油溶解气体预测

变压器油中溶解气体的体积分数是进行变压器绝缘故障诊断的重要依据,对变压器油中溶解气体进行预测有助于及时预测变压器的故障。将灰色预测方法与支持向量机相结合,通过使用对原始数列进行一次累加生成的处理方法,以提取数列所具有的深层规律特征,建立了基于灰色最小二乘支持向量机的变压器油中溶解气体预测模型,并对最小二乘支持向量机参数的选取进行了优化,最终通过实例与BPNN、灰色模型预测结果相比较,验证了该模型的准确性和有效性。     

基于SVM的电力变压器内部故障部位的概率估计

目前变压器智能故障诊断大多是以油中溶解气体为特征对故障性质的诊断,缺乏对内部故障部位的分析及量化的诊断结果。针对上述问题,提出一种基于SVM的电力变压器内部故障部位的概率估计模型。该模型结合SVM与概率建模的优点,充分利用油中溶解气体和电气试验数据的互补信息,运用SVM后验概率理论,对变压器内部可能发生故障的部位进行概率估计,克服了标准SVM硬判决输出的缺陷,以概率的形式给出诊断结论。通过实例分析表明,该模型不仅故障识别率较高,还具有良好的概率分布形态,具有较好的实用性和推广性。     

基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断

针对电力变压器单一故障和多故障诊断问题,模拟生物免疫系统,提出一种两级分类器级联的诊断算法。采用遗传算法优化支持向量机核函数参数的电力变压器故障和正常状态初分类器,和以灰关联度度量抗体与抗原之间亲和力的灰色人工免疫算法,设计了动态疫苗机制的高频变异操作。根据不同的故障类型,训练生成最佳记忆抗体集。采用5近邻综合决策法,根据最佳记忆抗体集诊断电力变压器故障类型。实验表明,遗传支持向量机和动态疫苗机制的灰色人工免疫算法相结合的电力变压器故障诊断算法,对电力变压器单一故障和多故障都能够有效地分类,提高了电力变压器故障诊断的准确率和速度。     

统计特征参数及多分类SVM的局部放电类型识别

局部放电模式识别是诊断变压器绝缘状况的一种有效方法,为提高局部放电类型识别的正确率,提出了基于统计特征参数及多分类SVM的局部放电类型的识别方法。在实验室设计了4种典型的变压器故障缺陷,采用统计特征参数法提取各局部放电图谱的27种特征量,引入M-ary分类思想,将支持向量机的两类分类问题扩展为多类分类,使训练计算量和测试计算量大大减少。实验结果表明,该方法用于局部放电类型识别具有较好地识别效果,并且计算速度快。     

最小二乘支持向量机多分类法的变压器故障诊断

为了提高变压器故障诊断正判率,提出了一种基于小样本的最小二乘支持向量机(LS-SVM)多分类电力变压器油中气体分析(DGA)法,即通过相关统计分析和数据的预处理,选择变压油中典型气体作为LS-SVM的输入,然后利用典型故障气体的体积分数在高维空间的分布特性诊断变压器故障类型。该法在小样本条件下可获得最优解,泛化能力很好,且没有传统支持向量机只能分两类的缺陷,很好地解决了变压器多种故障共存的实际情况。试验表明,该方法分类效果很好,可较好地解决变压器放电和过热共存时故障的难分辨问题,故障类型的正判率较高。     

基于粗糙集与支持向量机的变压器故障诊断法

为了及时监测变压器潜伏性故障和准确诊断故障,提出了一种基于粗糙集与支持向量机相结合的电力变压器故障诊断的新方法。该法应用粗糙集理论将专家知识简化,获得简约诊断规则并对变压器进行粗诊断,然后以支持向量机准确的二类分类功能进行准确故障诊断。该方法实现了两种智能算法的有效互补,拥有粗糙集理论的处理不完备信息能力、简单快速以及支持向量机准确的二类分类功能,有效弥补了单一算法的不足,提高了故障诊断的快捷性和准确性,且降低了样本训练时间和诊断的复杂度。实验结果与改进的IEC三比值法比较,表明该方法有效、可行,具有较高的诊断准确率。     

Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm

Forecasting of dissolved gases content in power transformer oil is very significant to detect incipient failures of transformer early and ensure hassle free operation of entire power system. Forecasting of dissolved gases content in power transformer oil is a complicated problem due to its nonlinearity and the small quantity of training data. Support vector machine (SVM) has been successfully employed to solve regression problem of nonlinearity and small sample. However, SVM has rarely been applied to forecast dissolved gases content in power transformer oil. In this study, support vector machine with genetic algorithm (SVMG) is proposed to forecast dissolved gases content in power transformer oil, among which genetic algorithm (GA) is used to determine free parameters of support vector machine. The experimental data from several electric power companies in China is used to illustrate the performance of proposed SVMG model. The experimental results indicate that the proposed SVMG model can achieve greater forecasting accuracy than grey model (GM) under the circumstances of small sample. Consequently, the SVMG model is a proper alternative for forecasting dissolved gases content in power transformer oil.