改进朴素贝叶斯模型在电力变压器故障定位中的应用北大核心CSCD

电力变压器故障能否精准定位一直是制约其状态检修有效开展的技术瓶颈。文中针对目前已有故障定位模型存在的不足,借助变压器故障类型与特征状态量之间的内在关系,将朴素贝叶斯网络模型进行特征属性加权改进,并将其扩展为改进的双层朴素贝叶斯网络模型应用至电力变压器故障定位中。在这一过程中,考虑到特征属性与类别之间和各特征属性之间的依赖关系,采用ReliefF算法和相关系数法分别对特征属性进行加权处理,构造出改进的朴素贝叶斯网络模型,并在MATLAB软件中进行了诊断对比预测,得到了较好的预测结果,文中最后利用实际案例进一步验证了所提模型与分析方法的有效性,可为电力变压器故障诊断提供技术指导。     

基于朴素贝叶斯分类的变压器故障诊断

针对传统变压器故障诊断的不足,构建基于朴素贝叶斯分类的变压器故障诊断模型,合理选择分类器的属性变量和决策变量,并按阈值进行数据离散化.基于现场实际数据的实验证明,该模型能有效地诊断变压器的故障类型,诊断准确率高,并克服了三比值方法中编码缺失、对正常数据无法诊断等缺陷.     

基于加权朴素贝叶斯的干式空心电抗器状态评估方法

实际运行状态的干式空心电抗器在故障诊断时,减少故障误报率和漏报率是其研究的重点和难点。对此,提出基于加权朴素贝叶斯的干式空心电抗器状态评估方法。首先建立基于多物理场耦合的电抗器匝间短路故障仿真模型,并通过搭建电抗器运行试验平台验证了仿真方法的有效性;然后仿真和分析了多运行状态下电抗器电流幅值、电流谐波、阻抗角和热点温度等特征量变化规律,获取电抗器正常和已知故障样本集;最后提出基于多状态特征量的加权朴素贝叶斯电抗器状态评估方法。算例结果表明：该方法具有分类准确率高、训练样本少等优点,是电抗器运行状态识别和分类的有效方法。     

变压器分接头位置的改进递推贝叶斯估计

为准确、快速地估计变压器分接头位置,提出了基于改进递推贝叶斯估计的变压器分接头估计方法。该方法首先形成分接头位置可疑的变压器集合,然后计算可疑变压器在不同分接头位置下的状态估计残差,在此基础上,采用递推贝叶斯估计方法对分接头位置进行后验概率的递推估计。为提高计算效率,对基本的递推贝叶斯估计方法提出以下改进方案:采用线性残差修正方法或预测校正算法以有效减小每次递推时的残差计算量;在递推过程中逐次缩减估计范围;提出递推终止判据,以有效减少递推次数。在IEEE 39节点系统上的仿真计算表明,所提出的算法能准确、可靠地估计出正确分接头的位置,并显著提高递推贝叶斯估计的计算效率,具有较好的在线应用前景。     

基于朴素贝叶斯分类器的高压开关柜状态评估方法

提出了基于朴素贝叶斯分类器的高压开关柜状态评估方法,分析了高压开关柜带电检测大数据,选取了10种状态特征作为开关柜健康状态的特征向量,通过计算贝叶斯分类器的后验概率,获取每种特征对状态分类的贡献率,并以开关柜健康状态作为预测结果对开关柜进行状态评估。采用陕西电网2016—2019年高压开关柜带电检测相关数据对模型进行训练和测试,结果表明：测试样本的召回率达到80.77%,准确率远高于传统判定方法。     

变压器故障检测与诊断技术研究现状

变压器是国家电网,电力系统中最重要的核心设备之一,维护、检修变压器使之稳定正常工作,是电力网络长期稳定高效运行的关键.文章通过对当前我国电力体系常用变压器最为高发的故障类型进行分析,提出了检测与诊断电力系统变压器故障的方法.旨在为电力系统变压器故障检测与诊断提供参考.     

变压器故障诊断与多传感器信息融合

运用多传感器信息融合理论和技术 ,针对电力变压器故障诊断的特点与要求 ,提出了基于融合技术的变压器故障诊断信息处理系统的一般结构和变压器故障诊断决策模型。并对信息融合技术应用于变压器状态的实时监测的应用前景进行了初步探讨     

基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法

电力变压器故障诊断对电力系统的安全运行有着十分重要的意义。文中基于智能互补融合的思想,将粗糙集理论与贝叶斯网络有机结合在一起,提出了一种电力变压器故障诊断的新方法。利用粗糙集信息表约简技术来实现对专家知识的简化与故障特征的压缩,获得最小诊断规则,基于最小诊断规则的贝叶斯网络模型可以有效降低网络结构的复杂性与故障特征获取的难度;同时利用贝叶斯网络实现概率推理,便于描述故障特征的变化及对变压器故障原因的快速分析。最后,进行了变压器故障实例分析,诊断结果证明该方法的正确性和有效性。     

基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强.提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法,并建立了变压器选择性贝叶斯故障诊断模型.详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构...     

改进证据理论与神经网络集成的变压器故障诊断

针对变压器故障类型的多样性以及故障信息的不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为实现Dempster合成规则在强冲突证据间信息融合后可信度分配的合理赋值,引入了信任系数的概念,对融合结果进行修正,并应用于最大-最小蚂蚁系统与神经网络算法所形成证据体的合成之中。实验仿真结果表明,该方法可以在初级诊断模块的判断结果出现严重分歧的情况下,仍得到较好的符合性判定结论,从而实现对变压器故障的有效诊断。     

基于深度置信网络和多维信息融合的变压器故障诊断方法

为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。     

多Agent在变压器故障诊断中的研究

提出一种基于多Agent的变压器故障诊断模型,该模型包含3个诊断Agent、1个管理Agent和1个融合Agent.各诊断Agent的建立以NB、SB和TAN 3种贝叶斯分类器算法为基础,以所获取的变压器油中溶解气体数据为依据.由管理Agent调节和控制,达到各诊断Agent协商诊断的效果.由融合Agent根据管理Ag...     

基于多策略改进蜣螂算法优化的变压器故障诊断

为了保证油浸式变压器故障诊断的可靠性,提出了一种基于多策略改进蜣螂算法(multi-strategy improved dung beetle optimizer, MIDBO)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的变压器故障诊断方法。由于蜣螂算法存在全局搜索能力较差、容易陷入局部最优解的缺点,首先通过Bernoulli混沌映射、引入自适应因子和Levy飞行策略融合动态权重系数进行改进,并对其性能进行评估。然后针对BiLSTM的诸多超参数利用MIDBO进行优化,形成MIDBO-BiLSTM故障诊断模型。通过核主成分分析(kernel principal component analysis, KPCA)提取特征值,进而深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。最终实验结果表明所提出的MIDBO-BiLSTM变压器故障诊断方法准确率高、泛化能力强。其准确率高达94.67%,适用于变压器的故障诊断。     

基于组合贝叶斯网络的电力变压器故障诊断

针对电力变压器故障诊断中的信息和知识具有随机性和不确定性的特点,提出了一种利用AdaBoostM1算法构建组合贝叶斯网络进行变压器故障诊断的方法.AdaBoostM1算法能够提高分类器的性能,为此,将若干个不同结构的TAN看作一系列基分类器,进行boosting迭代.即依次在训练集上训练每个基分类器.第1个基分类器用原始的训练集训练,其他基分类器的训练决定于在其之前产生的分类器的表现,被已有分类器错误判断的实例将以较大的概率出现在新分类器的训练集中,最后,这些分类器组合成为一个贝叶斯网络组合分类器.由于贝叶斯网络是用来表示变量间连接概率的图形模式,它提供了一种自然的表示因果信息的方法,用来发现数据间的潜在信息,因此应用中显示了该方法对于变压器故障诊断的适用性.在讨论变压器故障空间的基础上,针对已积累的故障变压器的大量油中溶解气体等数据,利用boosting迭代,并在此基础上构造出组合贝叶斯网络诊断模型,实现了变压器故障诊断,有利于提高诊断的准确性.此外,通过与其他组合诊断的方法进行比较进一步表明了该模型的有效性.     

基于BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

基于改进SMOTE不均衡样本处理和IHPO-DBN的变压器故障诊断方法研究

针对由于变压器故障样本不均衡和故障模型陷入局部最优而导致的分类准确率低的问题,提出了基于改进的合成少数类过采样技术和优化深度置信网络(deep belief network, DBN)的变压器故障诊断方法。首先采用聚类融合的K-means算法,通过分簇和匹配的方式筛选出不稳定的少数类样本用以改进中心点合成少数类过采样技术(center point synthetic minority oversampling technique, CP-SMOTE)算法,并对少数类样本进行扩增,解决了变压器故障数据分布不均衡的问题。其次,通过加入随机逆向学习和自适应惯性权重技术对猎食者优化算法进行改进,并用改进后的算法对DBN的内部参数进行优化调整,提高了模型精度。最后,将不同数据预处理情况下以及不同数据规模下的变压器故障模型进行仿真对比。结果表明,经过数据预处理和模型优化后的变压器故障识别准确率能够提高到98%,有效地解决了故障数据不平衡导致的分类精度低的问题。     

基于贝叶斯优化随机森林的变压器故障诊断

针对集成学习参数众多,缺乏高效准确的参数寻优方法的问题,文章提出了基于贝叶斯优化随机森林(RF)的变压器故障诊断方法.该方法采用了多个决策树构成RF故障诊断模型,然后将高斯过程(GP)作为概率代理模型、提升策略(PI)作为采集函数,构建贝叶斯优化(B0)算法,进行RF模型参数寻优.此外,还对支持向量机(SVM)和K最近...     

改进秃鹰搜索算法优化SVM的变压器故障诊断研究

支持向量机(support vector machine, SVM)用于变压器故障诊断时,其核函数参数g和c的最优值难以根据人工经验选取,故障诊断准确率较低;而秃鹰搜索算法(bald eagle search, BES)存在易陷入局部最优和收敛精度低的缺陷。针对以上问题,提出一种改进秃鹰搜索算法(Ct-GBES)优化SVM参数g和c的变压器故障诊断模型。采用tent混沌映射、自适应t-分布及动态选择、黄金正弦算法对BES的3个阶段进行改进和优化,以提高算法的收敛速度和搜索能力。通过与原始BES、布谷鸟算法(cuckoo search, CS)和萤火虫算法(firefly algorithm, FA)的寻优对比测试,验证了Ct-GBES算法的优越性。将Ct-GBES-SVM模型与SVM、FA-SVM、CS-SVM模型进行故障诊断实验对比,并与BES-SVM模型进行稳定性实验对比。结果表明,所提模型准确率更高、稳定性更好、运行时间更短,其故障诊断效果更好。