基于相对重构贡献的变压器故障诊断方法

为了充分挖掘油中溶解气体分析(DGA)数据隐藏的故障特征信息,提出了一种基于相对重构贡献(rRBC)的变压器故障诊断新方法。该方法首先利用DGA数据建立主元分析(PCA)模型,基于故障重构的思想,计算样本各变量重构贡献率(RBC);考虑各变量重构贡献率之间的可比性,计算其相对重构贡献率并作为特征量,通过归一化处理来提取故障特征;然后,建立变压器分层故障诊断模型,利用灰关联熵(GRE)信息利用率高等优点,求出待诊模式与各标准模式的综合灰熵关联序,实现故障诊断。实例研究结果表明,所提出的相对重构贡献灰关联熵方法与重构贡献灰关联熵、灰关联熵方法相比,使特征样本集的可分性变大,提高了分类正确率。     

关联度分析在变压器故障诊断中的应用

为了提高传统油中溶解气体分析(DGA)的诊断能力,克服相对关联度诊断变压器故障的不足,探讨了基于关联分析的故障诊断理论,提出了三级关联算法,建立了一种定性与定量相结合的电力变压器故障诊断的三级关联度方法。以氢气、甲烷、乙烷、乙烯和乙炔这5种油中溶解气体的含量参数作为特征量,验证了新方法对变压器故障的实际诊断效果。结果表明,该方法不仅能找出故障类型,而且能确定故障部位,其有效性超过了传统的相对关联度方法。     

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。     

电力变压器灰色关联故障诊断模型的组合权重法

油中溶解气体分析(dissolved gas-in-oil analysis,DGA)是识别变压器故障的重要手段。笔者基于油中溶解气体数据介绍灰色关联理论,给出了基于组合权重变压器故障诊断的灰色关联分析法。在判定变压器故障类型时,各溶解气体其权重不同,利用层次分析法求出各特征气体在诊断变压器故障类型时的主观权重,但各专家通过层次分析法确定指标权重会存在许多主观因素,文中应用灰色关联分析法对其进行调整,消除各专家造成的各指标权重分配不统一,用熵值法确定指标的客观权重,结合熵值法和层次分析法对指标权重值进行综合确定得到组合权重,再将组合权重应用到灰色关联诊断模型中。最后结合实例对诊断方法进行分析讨论,诊断结果表明了该方法的有效性。     

基于邻域粗糙集与多核支持向量机的变压器多级故障诊断

针对传统变压器故障诊断过程中故障征兆与故障类型间映射关系的不确定性及模糊性问题,根据粗糙集知识与多核学习理论,构建了一种变压器多级故障诊断模型。该方法基于溶解气体分析(DGA)诊断标准,以5种特征气体及16种气体比值作为初始特征量,并利用邻域粗糙集知识按属性重要度大小获取在所诊断故障类型上高重要度的最小故障特征信息集。在深入挖掘DGA所含故障信息的基础上,建立分级故障诊断模型,以二分类支持向量机作为分类器,利用最小故障特征信息集进行多级故障诊断。此外,采用反正切变换处理各输入特征,避免了油中溶解气体长尾分布而导致的误分情况;同时,各支持向量机皆采用多核学习,以解决单核支持向量机数据敏感性强,鲁棒性低的缺陷。实例分析表明:与传统特征量相比,新提出特征量下的各诊断层准确率均能较稳定的达到88%以上,且最小运行时长可达0.337 5 s,具备提高分类精度,减小运行时间与算法结构的明显优势。另外,与传统故障诊断方法相比,该多级诊断的模型不仅能更深层次挖掘故障特征信息,降低冗余特征信息的复杂性,并且可有效提高诊断平均准确率3%以上,具有更高的准确度与可靠性。     

基于DGA和改进型灰关联度模型的牵引变压器故障诊断

油中溶解气体分析(DGA)是诊断普通电力变压器故障的重要方法,但牵引变压器有着自身的特点,若仿效普通电力变压器的故障诊断方法,在诊断牵引变压器故障时精度较低。文中针对牵引变压器发生故障时的气体特征,提出了一种基于改进的灰关联度分析模型用于牵引变压器故障诊断的方法。该方法充分利用了牵引变压器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,该方法可以很好地判断牵引变压器故障类型,提高诊断精度。     

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RF特征优选的WOA-SVM变压器故障诊断北大核心CSCD

为进一步提高变压器传统故障诊断方法的准确率,提出了一种基于随机森林(RF)特征优选,结合鲸鱼算法(WOA)优化支持向量机(SVM)的变压器故障诊断方法。该方法首先利用5种常见油中溶解气体构建24维待选特征集合,其次利用RF算法中MDA指标对特征进行排序,通过序列反向搜索法优选出11维DGA特征量作为输入以消除冗余特征,最后将WOA算法用于SVM惩罚因子和核参数的优化,进而实现故障诊断。仿真结果表明,优选出的特征组合可有效提高诊断准确率,WOA-SVM故障诊断模型较PSO-SVM、GA-SVM,在诊断时间和准确率方面更具优势,验证了所提方法的可行性和有效性。     

基于RF特征选择的BAS-SVM变压器DGA故障诊断技术研究

针对变压器故障诊断多特征量输入时产生的冗余信息以及支持向量机核函数与惩罚因子优化对分类器产生的影响的问题,建立一种基于随机森林（random forest,RF）的特征选择,结合天牛须搜索算法（beetle antennae search,BAS）优化支持向量机的变压器油中溶解气体分析（dissolved gas analysis,DGA）故障诊断方法。该方法选择常见的5种油中溶解气体生成22维待选特征向量,通过RF算法对待选特征集进行重要度排序并消除冗余信息,得到最终的10维输入量,最后利用BAS算法对SVM中的惩罚因子及核函数进行寻优改进,对输入特征量进行故障诊断。仿真结果表明：相比PSO-SVM和ABC-SVM,BAS-SVM故障诊断模型故障诊断准确率分别高出6.83%和10.1%,诊断用时减少3.64 s和1.62 s,验证了所用方法的有效性和可行性。     

基于灰色TOPSIS和DGA的变压器状态预测

以灰色预测和理想点解理论(TOPSIS)为基础,研究基于油中溶解气体体积分数的变压器状态预测及其应用。该方法不同于目前单纯依据数学算法预测油中溶解气体含量的方法,而是从系统的角度综合考虑各特征参数及三比值规则,对故障状态贴近度进行预测。首先根据理想点解法计算各期油中气体体积分数三比值的故障贴近度,以此作为变压器三比值状态信息,然后根据灰色GM(1,1)模型,对变压器三比值故障状态贴进度发展趋势进行预测,最后得到其故障的贴近度,反应了变压器故障状态的发展趋势,对状态维修具有较直观的参考意义。实例数据分析验证了该预测方法的有效性。     

利用变压器油中溶解气体分析技术进行故障诊断的研究

基于油中溶解气体分析技术是变压器故障诊断重要的分析手段,提出了多种以油中气体含量为依据的判断变压器故障类型的方法.主要对基于油中溶解气体分析技术的变压器绝缘故障诊断方法进行探讨.总结了传统变压器绝缘故障诊断方法,讨论了基于人工智能技术的变压器绝缘故障诊断方法,这些方法有效地提高了,叟压器绝缘故障诊断的正确率.人工智能技...     

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。     

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。     

基于气体增长速率和Petri网的变压器内部故障状态推理

针对变压器故障诊断中的故障漏判、误判和某些故障无法判断的问题,将Petri网和油中气体增长速率相结合,提出一种基于模糊Petri网来构建变压器故障诊断模型,它通过分析油中溶解的气体浓度来判断变压器的故障类型。该方法首先利用通过气相色谱法得到各气体的浓度值,使用建立起来的Petri网模型,推理出每种故障类型的可能性大小。用这种方法能避免三比值编码的缺失等问题,也就能有效地处理变压器故障诊断中漏判、误判和无法判断的问题,并能定量地给出每种故障的可能性大小。实例进一步证明,研究模型提高了诊断的正确率。     

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.     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

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。     

BP神经网络在油浸式变压器过热性故障诊断中的应用

针对充油变压器绝缘故障诊断的三比值法的局限性,建立以变压器油中溶解气体含量为样本数据,对不同的隐含层数目进行仿真分析,通过比较确定了适用于变压器绝缘故障诊断的BP神经网络模型。研究表明,这种方法提高了神经网络的收敛速度,符合电力变压器故障诊断系统的实际情况,准确率高。     

基于贝叶斯网络和DGA的变压器故障诊断

用 3步法构造贝叶斯网络 (BN)方法 ,结合油中溶解气体分析 (DGA)的三比值法后 ,引入大型变压器的故障诊断 ,提出了基于BN理论和DGA方法的变压器智能故障诊断模型。 2 2台故障变压器的诊断实例验证此法有效