基于模糊聚类算法的变压器故障诊断研究

介绍了模糊C-均值聚类算法和三比值法的原理,并给出了故障实例。     

模糊聚类和LM算法改进BP神经网络的变压器故障诊断

在变压器故障诊断中,目前BP神经网络算法存在训练样本分布不均匀,收敛速度慢、容易陷于局部极小点等问题,导致整体的诊断性能下降。通过对模糊聚类及LM算法改进的神经网络深入研究,并引入变压器故障诊断中,该算法应用模糊聚类对搜集到的样本预处理,提高样本的质量,再用LM算法改进的神经网络来优化搜索方向,可以实现网络训练速度及测试精度的提高。通过实例仿真实验,验证了该方法能够有效诊断出变压器的故障。     

基于遗传聚类算法的油中溶解气体分析电力变压器故障诊断

电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C-均值相结合的遗传-模糊聚类算法,并将其应用于DGA电力变压器数据分析,实现了变压器的故障诊断。实验数据表明:该算法收敛速度快,能有效地对样本进行聚类,提高了识别故障率。     

基于加权模糊C均值聚类算法的变压器故障诊断

模糊C均值聚类(FCM)算法具有将数据集合进行相等划分的趋势,每一个样本对数据集分类的影响相同.在变压器绝缘故障中,不同故障类型产生的主要特征气体及气体组分含量存在很大差异.因此,为了区别各类数据对故障划分的影响程度,可考虑对各类数据施加一个权.文中提出了一种加权模糊C均值聚类(WFCM)算法,该算法可实现故障聚类.与FCM算法相比,WFCM算法明显提高了故障划分的正确性和鲁棒性.     

改进DE与广义神经网络在变压器故障诊断中的仿真研究

针对微分进化DE(differential evolution)算法存在的过早出现收敛而易陷入局部最优值的不足,提出了改进DE算法与模糊聚类相结合的广义神经网络的变压器故障诊断新方法.该方法根据变压器油中的5种特征气体含量,利用自适应调整策略改进微分进化参数而进行优化模糊聚类目标函数,同时广义神经神经网络又可以发挥其训练速度快和逼近效果好等方面的优势,得出故障类型.从仿真实验结果来看,将该混合算法进行变压器故障诊断其准确率和收敛速度快都有了很好的改善,相比改进DE神经网络和FCM神经网络其逼近效果也是最好的,有利于更好的诊断故障,并通过样本验证结果进行比较.该模型简单易于实现,具有很强的实用性和泛化性.     

改进PSO与模糊聚类相结合的变压器故障诊断

针对基本粒子群算法存在收敛速度慢、易陷入局部极值的缺点,提出了一种改进PSO算法与模糊聚类相结合的变压器故障诊断方法.该方法根据变压器油中主要特征气体含量,利用杂交遗传改进粒子群通过优化模糊聚类准则函数,得出故障类型的最优聚类中心,再由聚类中心得出相应模糊隶属函数,最后由隶属函数判断所属故障类型.实例分析结果表明,该算...     

灰色聚类与模糊聚类集成诊断变压器内部故障的方法研究

根据反映变压器绝缘状态的模糊和灰色特征，采用模糊聚类方法，对若干典型故障样本聚类成C个灰类，得到C个最优聚类中心。依据聚类中心矩阵并借助灰色系统理论，提出了一种确定故障诊断各灰类白化权函数的原则和算法，根据该算法，首先求出各待检模式状态的灰色聚类系数，进而建立了一种灰色聚类与模糊聚类相结合的变压器故障诊断的新模型，进行了大量的该模型应用实例分析，结果表明该文方法的诊断准确度高于现有的常用方法。     

模糊神经网络在变压器故障诊断中的应用

提出了与神经网络结合的模糊变压器故障诊断新方法 ,克服了一般模糊诊断学习困难的局限 ;通过与模糊判决矩阵的对应关系 ,发现神经网络系统的权值矩阵就是模糊诊断里面的判决矩阵。模糊神经网络、组合神经网络和判决树 3种方法对故障样本的正判率分别为 90 .4 %、75 .4 %、83.3% ,这表明模糊神经网络方法的有效性与可行性 ,它弥补了DGA试验相近故障识别率低的不足 ,克服了组合神经网络无“可塑性”的缺陷 ,避免了判决树对样本选择的强烈依赖 ,使故障诊断准确度大为提高 ;也说明了DGA和其它电气试验相结合综合分析的必要     

纵横交叉算法与模糊聚类相结合的变压器故障诊断

针对FCM(模糊C-均值聚类)在变压器故障诊断中的不足,提出采用纵横交叉算法优化FCM(CSOFCM)聚类来进行故障诊断。溶解气体分析与FCM相结合,能有效提高变压器故障诊断的准确率,但FCM存在聚类结果不稳定和容易陷入局部最优等问题。而纵横交叉算法是一种基于种群的随机搜索算法,在算法中首次提出了维局部最优概念和纵横交叉双搜索思想。实验证明,相比其它主流群智能优化算法,CSO算法在解决维数灾问题和收敛精度问题方面取得了较大突破,能有效克服局部最优的问题。新诊断模型有效弥补了单一诊断法的不足,拥有全局收敛性强和处理模糊信息的能力。实例分析表明,该方法与传统FCM相比,能获得更优的聚类中心,有效提高了变压器故障诊断的准确性和快捷性。     

基于模糊智能技术的变压器故障诊断系统

将采用模糊智能技术对变压器油中溶解气体分析所得数据作为原始数据，再进行分析推理和故障诊断，可解决传统三比值法准确度低造成的变压器故障误差和漏判问题。     

基于FCM的变压器故障分析

针对三比值法在变压器故障分类中的不足,采用基于FCM算法的变压器故障分析方法.利用变压器常见的十三种故障的特征气体含量数据和待检测变压器油色谱数据运用FCM算法对其故障进行分类识别.实例计算结果表明此方法对排除变压器故障具有较高的有效性和实用性.     

基于果蝇优化算法的GRNN电网故障诊断

提出基于果蝇优化算法的GRNN电网故障诊断模型,实现GRNN分布参数的优化选择。利用广义回归神经网络(GRNN)相比于其他人工神经网络在逼近能力、分类能力和学习速度上面的优势,建立基于GRNN神经网络的电网故障诊断模型。经分析及测试,该方法能够有效的提高运行人员故障处理效率,快速并准确的实现电网的故障诊断。     

基于SOM的变压器故障诊断研究

通过变压器故障诊断能及时发现变压器的故障,以往应用比较广泛的故障分类方法是基于DGA结果的比值法,但其存在比较严重的缺陷。通过采用自组织映射网络对变压器故障进行诊断分类,结果表明自组织映射网络对变压器故障的分类准确且快速,能够降低检测人员的分析难度,提高诊断速度,对于现场变压器故障诊断应用前景广阔。     

基于振动分析法的变压器故障诊断

本文通过分析变压器正常状态和故障状态下振动信号特征,提出频率集中度和振动平稳性指标实现对变压器状态监测,并利用互信息方法确立影响因子与振动信号特征参量关系,实现了变压器故障诊断及定位.     

基于DCAE-KSSELM的变压器故障诊断方法

为了充分利用变压器发生故障时产生的大量无标签样本,提高故障诊断精度,提出基于深度收缩自编码器(DCAE)与核半监督极限学习机(KSSELM)相结合的故障诊断方法。首先使用无标签样本对DCAE网络逐层训练,初始化网络参数,然后用有标签样本数据对网络参数进行微调,最后将有标签样本与无标签样本一起作为深度收缩自编码器与核半监督极限学习机(DCAE-KSSELM)混合网络的输入并完成故障诊断。实验结果表明,所提模型稳定性好,故障诊断精度高,鲁棒性强。     

基于RFE和SA-SVM的变压器故障诊断

通过对变压器油中溶解气体进行分析,可以及早的发现变压器的故障。为了全面地反映变压器内部故障与特征气体之间的关系,提出采用5种特征气体浓度比值共计15组作为特征预输入量,并采用基因选择算法对15个特征量进行筛选,将筛选后特征量作为支持向量机模型输入。在SVM模型中,采用模拟退火算法对SVM的参数进行优化,给出其GUI界面。最后,通过数据验证基于RFE-SA-SVM模型故障诊断率要高于单一模型。     

基于KPCA-WPA-SVM的变压器故障诊断模型

为提高变压器故障诊断的精度,文章提出一种基于核主成分分析(KPCA)和狼群算法(WPA)优化支持向量机(SVM)参数的变压器故障诊断方法.通过KPCA提取样本数据的非线性特征,并获得其主成分,再将其输入至高斯核SVM构成诊断模型,并利用WPA对SVM的惩罚因子以及核参数进行优化.实验结果表明,该方法诊断准确率达到93....     

基于故障树分析法的变压器套管故障诊断

在充分了解各种变压器故障诊断方法的基础上,考虑故障树分析法层次分明,应用方便的特点,选择故障树分析法作为变压器故障诊断的首选方法.应用故障树分析法对220 kV变电站内套管设备进行了故障诊断,结果表明故障树分析法具有清晰的结构,并且易于实际维修.     

基于DGA及AGAWNN的电力变压器故障诊断

提出了一种基于混合多值编码的自适应遗传算法优化的小波神经网络变压器故障诊断方法.     

基于声纹及振动的变压器故障诊断技术研究

噪声和振动包含了变压器机械状态的大量信息。基于噪声声纹成像和振动信号的分析方法是变压器机械状况带电检测的有效手段,分析声纹成像及振动信号测试结果,对变压器故障诊断具有重要意义。文中基于变压器铁心及绕组噪声及振动机理,建立振动噪声测量系统,并对1台110 kV变压器进行测量。根据声纹成像噪声源定位和振动信号特征值测试分析结果,判定该主变C相高压套管升高座存在故障,验证了该诊断技术的有效性。