非等间隔GM(1,1)幂模型在变压器故障气体预测中的应用

电力变压器运行的安全可靠性对于电网稳定有着关键影响。以油浸式变压器为例,考虑到变压器故障气体监测中存在的采集技术局限与完备性差的现状,对IEC三比值法所需要的五种主要故障特征气体溶解度大小进行预测,为后续的故障诊断提供数据分析基础。针对变压器故障气体色谱分析中气体浓度数据采集的不完备性与小样本特征,引入非等间隔GM(1,1)幂模型,并基于遗传算法对背景值及幂指数进行协同优化,分别建立变压器内不同种气体的气体溶解度灰色预测模型。实验证明:相较现有常见基于灰色模型的变压器预测方法,例如基于GM(1,1)模型与Verhulst模型的方法,所提方法能有效地提高模拟精度及预测精度,而且模型不拘泥于基础数据的等间隔连贯性,具有较好的实用性及适应性。     

基于模糊c均值算法和改进归一化的变压器故障诊断方法

溶解气体分析法是诊断变压器故障的重要方法。本文建立了基于模糊c均值算法的变压器故障诊断模型。为了研究模糊c均值算法模型中样本的不同归一化法(即考虑到不同气体反应故障的灵敏程度不同)对聚类结果的影响程度,首先对溶解气体成分样本使用3种方法进行归一化,这3种方法是离差变换法、一般浓度归一化法和特征浓度归一化法。然后将归一化后的样本作为FCM算法的输入,以所求的隶属度矩阵确定样本所属故障类型。实例计算结果表明,采用特征浓度归一化可提高故障判断准确度。     

少标签下油浸式变压器双层故障诊断模型

针对油浸式变压器数据样本标记困难，有标签样本数据量较少，传统故障诊断方法精度低的问题，提出了基于GBDT与K means增益聚类的少标签下油浸式变压器双层故障诊断模型。首先，采用SAE对表征变压器状态的高维特征气体进行降维，去除冗余信息，得到包含变压器运行状态的低维特征向量作为后续分类器的输入；其次，构建双层故障诊断模型；针对无标签样本，引入GBDT方法作为所提模型首层，获取无标签样本的伪标签；为进一步提高诊断精度，提出基于无标记样本伪标签的K means聚类增益，作为新的特征向量，输入末层模型K means用以实现二次诊断的目的。实验分析表明，在少标签状态下，所提的方法可有效提升变压器故障诊断精度，相较于传统方法，在诊断精度上至少提升了6%。为少标签下的油浸式变压器故障诊断提供了新的思路。     

基于遗传算法及模糊神经网络的牵引变压器故障诊断系统

本文针对油浸式牵引变压器的常见故障,提出了一种将遗传算法(GA)和模糊神经网络(FNN)相结合的GA-FNN算法对油浸式牵引变压器进行故障诊断.该算法考虑了故障信号分界过于绝对的特点,运用模糊数学对故障信号进行模糊化预处理.为了克服传统的BP算法存在的收敛速度慢和易陷入局部极小点的缺点,本文引入遗传算法,利用遗传算法良好的全局寻优化能力对FNN网络的初始权值进行优化.仿真结果表明,GA-FNN算法的学习训练次数明显的比传统的FNN算法少,训练时间短,且利用这种新算法对牵引变压器进行故障诊断的正确率可达到99%.     

基于代价敏感相关向量机的变压器绝缘状态评估

变压器是电力系统中重要的电气设备,其运行状态对系统安全运行起着重要作用,将代价敏感学习机制引入相关向量机,提出了代价敏感相关向量机(Cost-Sensitive Relevance Vector Machine,CS-RVM)。该算法以误诊损失代价最小为目标,按贝叶斯风险理论预测新样本的故障类别。用典型算例验证了CS-RVM具有较高的诊断正确率,同时可在一定程度上避免故障漏诊、高危故障误诊为低危故障。在此基础上,文章尝试将其应用于变压器绝缘状态评估,提出了基于CS-RVM的油浸式电力变压器故障诊断方法,以克服现有变压器故障诊断方法未考虑误诊代价差异的问题,并采用基于DGA数据的变压器故障诊断实例对该诊断方法的有效性进行了验证。     

基于油气参数分析的电力变压器故障分步式诊断算法

为提高电力变压器故障诊断的诊断速度和准确率,提出了一种以变压器油气参数为诊断依据的电力变压器故障分步式诊断算法。该算法第1步采用量子行为的支持向量机(SVM)故障诊断算法,即采用SVM对大型电力变压器的故障进行分类,在分类的过程中采用改进的具有量子行为的遗传算法对SVM的参数进行寻优。在完成第1步的基础上,第2步再对存在于可疑区域的样本采用K-近邻聚类分析算法分类。仿真结果表明:改进的量子遗传算法只需要50代繁衍就能得到最佳分类模型,而普通遗传算法则需要通过170代才能得到;同时聚类分析与支持向量机的有机结合将分类准确率由97.5%提高到了100%。可见,所提出的电力变压器故障分步式诊断算法能有效地提高故障诊断的诊断速度和准确率,可广泛应用于电力变压器的故障诊断。     

变压器油中溶解气体故障诊断的改进模糊算法

变压器故障原因十分复杂,故障现象与故障机理间的联系存在着模糊性和不确定性。现有的经典故障诊断算法应用广泛,但存在一些固有缺点。为此,引入遗传算法,对模糊迭代自组织数据分析算法(iterative selforganizing data analysis techniques algorithm,ISODATA)进行改进,提出优化诊断方法,提高了算法效率,降低了ISODATA对于初始聚类的依赖性。结合具体诊断案例,对改进前后诊断方案各方面指标进行比较分析,证明所提方案的准确性、高效性。采用遗传算法改进的模糊ISODATA更符合实际需要,可方便地应用于对油浸式变压器的故障诊断。     

基于SVM SMOTE的电力变压器故障样本均衡化方法

在变压器故障诊断领域,数据集不平衡性带来的极端值、噪声等问题严重影响了分类算法的故障识别能力。为此,提出了一种基于支持向量机(supportvectormachine,SVM)合成少数类过采样(syntheticminority over-samplingtechnique,SMOTE)算法的电力变压器故障样本均衡化方法,并结合机器学习进行故障诊断,以解决不平衡数据集下变压器故障诊断整体精度低的问题。首先,从原理、特点、应用等方面对传统SMOTE算法和SVM SMOTE算法进行了大量研究和分析;然后,以变压器油中溶解气体为样本集,构建了基于故障样本均衡化的变压器故障诊断模型;最后,对所提方法进行了算例仿真。结果显示:相较于传统变压器故障诊断算法,采用SVMSMOTE算法对故障样本进行均衡化后,各评价指标均有大幅提升,其中整体分类准确度αmacro-F1提升了18.9%。研究结果证明所提方法可以有效解决不平衡数据集下变压器故障样本漏判率高的问题,并在其分类上具有更高的精度。     

基于油色谱分析的变压器内部故障诊断探讨

基于油色谱分析理论,探讨变压器内部故障的诊断方法,通过在线实时监测分析油色谱,实现油浸式变压器的内部故障诊断和运行状态评估。     

基于Elman神经网络的油浸式电力变压器故障诊断

油浸式电力变压器的运行状态直接影响到电力系统的安全与稳定,对其进行故障诊断具有重要的现实意义。依据Elman神经网络具有动态处理数据及对历史数据敏感的能力,提出了将它用于油浸式电力变压器的故障诊断新方法,并给出了其具体的实现,同时对故障诊断的结果,将Elman网络与BP网络进行了比较。检测结果表明,Elman网络具有区别油浸式电力变压器不同故障类型的能力。     

模糊遗传算法的神经网络方法在变压器故障诊断中的研究

基于油中溶解气体数据,避开了传统的比值方法,采用模糊遗传算法的神经网络(FGA-BP)方法来诊断变压器故障。该方法是在遗传寻优过程中,用模糊控制的方式对杂叉率与变异率进行动态调节,并结合神经网络来对故障实现模式识别。为了优化模式特征量,文章用灰关联分析方法对样本集进行了筛选,得到了一组模式特征向量,以此DGA数据作为FGA-BP的输入值,经过FGA-BP运算后,优化出一组用于模式识别的权重与阈值,在此基础上,结合实例对该诊断方法进行了分析与探讨。     

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。     

基于新径向基函数网络的变压器故障诊断法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段,而多层前馈网络(MLFNN)是应用广泛的故障诊断模型。为此,提出了以DGA数据为特征参数的新型径向基函数神经网络(RBFNN)诊断变压器故障。在分析传统k-均值聚类算法RBFNN的缺点和最优聚类特性的基础上,介绍了RBFNN的新算法-自适应k-均值聚类算法,它既能避免传统k-均值聚类算法的局部收敛的缺点,又能动态调整学习率。最后,大量聚类实验结果显示自适应k-均值聚类算法在收敛速度和聚类性能上比传统k-均值聚类算法显著提高;故障诊断实验结果显示所提出的模型故障诊断准确度高于传统BPNN、RBFNN及IEC三比值法。     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理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.该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出.首先通过变分自编码器对...     

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。     

基于云物元分析原理的电力变压器故障诊断方法研究

变压器油中溶解气体分析(DGA)是电力变压器故障诊断的重要方法。针对物元理论变压器故障诊断方法中,在建立故障模式物元模型时没有考虑边界值的不确定性的不足,首次在变压器故障诊断研究方面引入云模型,结合云模型的不确定推理特性以及物元理论能同时进行定性定量分析问题的优点,提出了一种基于云物元分析原理和DGA相结合的电力变压器故障诊断新方法。通过建立变压器故障诊断的云物元模型和计算特征云物元与标准云物元之间的关联函数,实现对变压器故障模式的有效识别。实例分析验证了方法的正确性和有效性。     

基于VB的变压器故障可视化模糊诊断

为克服传统变压器绝缘故障诊断的局限性,以得到准确全面的诊断结果,将可视化技术与模糊数学相结合,用于变压器故障诊断专家系统。该系统采用VB(Visual Basic)程序设计语言和TeeChart图表图形控件工具来实现变压器故障诊断的二维/三维可视化输出,并利用模糊数学方法构造编码隶属度函数来刻画边界点的模糊区间。实例分析结果表明,用该法有效解决了单一变压器故障诊断法的误诊断或诊断结果不全面等问题,更准确全面地反映变压器故障信息,具有实际意义。