基于改进灰色关联分析的变压器故障识别

提出了一种新的基于改进灰色关联分析的变压器故障识别方法。在研究讨论了传统灰色关联分析理论的基础上，提出了群灰色关联度概念，并给出了它的计算方法。同传统的灰色类关联分析相比，该改进灰色关联分析具有两个优点：①提高灰色关联分析的准确性和可靠性：②降低了对单个参考信号的依赖性，扩大了灰色关联分析的应用范围。最后将该方法应用于变压器故障识别。识别结果显示，改进的方法比传统的灰色关联分析效果更佳、更可靠。该方法还可以广泛地应用于其他领域。     

基于模糊关联规则挖掘的电力变压器故障诊断方法

在对变压器故障的状态监测过程中,故障特征量在某些情况具有不确定特性,所以判断变压器运行状态的过程具有一定的模糊性,确定性的关联规则难以有效地表达特征量与故障之间的关系。为建立更准确有效的变压器故障诊断模型,文中对经典的Apriori算法进行优化,在利用主成分分析对多源参数进行优选后,将其扩展到包含模糊属性的事务当中,并与传统IEC三比值相结合作为特征量共同提取规则,所建模型的执行效率及准确度相比原Apriori算法更高,且可进一步运用至变压器多源参数的关联规则挖掘。结果表明,结合三比值共同提取的规则,其正判率将大幅提高,且模糊理论与三比值相结合所提取的规则,其正判率高于经典集合理论与三比值相结合所提取的规则,最后经由Apriori算法提取的复合规则,其正判率较高。利用文中所建立的模糊关联规则模型可更准确高效地诊断变压器故障,从而有效服务于电力设备的运维工作。     

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。     

变压器故障的可拓关联诊断方法研究

通过研究变压器及其故障的形成原因与表现形式,发现了变压器故障信息与可拓学之间的蕴涵关系;运用可拓集合论从定性和定量两个方面考虑电力变压器故障,建立了基于DGA技术的能够同时判断电力变压器故障类型和程度的可拓检测方法。以五种油中溶解气体(氢气、甲烷、乙烷、乙烯和乙炔)的含量参数作为变压器故障特征参数验证了此方法对变压器故障的实际诊断效果。结果证明,尤其在多重故障诊断方面,该方法优于传统的IEC方法。     

灰色关联分析在变压器故障识别中的应用探讨

变压器的正常工作对于保障电力系统安全稳定运行起到了举足轻重的作用,因此,对其进行定期或不定期的故障诊断显得尤为必要。在常规油中溶解气体分析法(DGA)的变压器故障诊断方法基础上,将传统灰色关联分析法和B型灰色关联分析法分别应用于变压器故障识别中,并结合实例对两种方法的适用性进行了探讨。研究结果表明,B型灰色关联分析较传统灰色关联分析法,更能够有效地对变压器故障进行识别,证明了该方法在变压器故障识别领域良好的适用性。最后,对两种灰色关联分析法在变压器识别中的所遇到的问题进行了分析,认为应对DGA所测得的各气体含量占总气体含量权重等方面进行进一步的研究。     

基于DBN-IFCM的变压器故障诊断方法

针对变压器故障边界划分的模糊性和传统模糊方法对变压故障诊断准确率低等问题,提出了一种基于深度信念网络(deep belief network, DBN)和改进的模糊C均值聚类(improved fuzzy C-means clustering, IFCM)的变压器故障诊断方法。该方法首先对故障数据进行归一化处理,然后利用深度信念网络对故障数据进行特征提取,最后利用改进的模糊C均值聚类对提取的特征进行聚类,以达到故障分类的目的。仿真实验表明:相较已有的变压器故障诊断方法,所提方法具有较高的诊断准确率,其准确率为93.3%,能够较为精准地识别变压器的各种故障。     

基于KPCA-ITSO-ELM-Adaboost的变压器故障诊断方法

针对传统变压器故障诊断方法诊断精度低,单一智能诊断方法在实际模型中不能准确分类的问题,建立了一种改进金枪鱼算法(ITSO)优化加权极限学习机(ELM)的变压器故障诊断模型。首先,使用核主成分分析算法(KPCA)对变压器故障数据进行降维处理,去除数据中的无用信息,提高模型的识别效率,然后,利用ITSO算法对ELM进行优化,建立ITSO-ELM变压器故障诊断模型,最后,使用Adaboost算法对ITSO-ELM模型进行增强。仿真实例表明,所提方法相比于与ELM-Adaboost、TSO-ELM、ITSO-ELM模型分别提高了11.6%、7.2%、4%,验证了所提模型的有效性。     

融合集对分析和关联规则的变压器故障诊断方法

结合集对分析和关联规则各自的特点,提出了一种电力变压器故障诊断的新方法。该方法通过分析变压器运行中各故障征兆参数之间的关联性,建立了故障类型集合;通过对比计算关联规则的支持度与置信度,同时引入变权公式,得到故障类型和故障征兆的权重系数,有效避免专家意见或经验的主观性的问题;根据集对分析的可扩展性,采用5元联系度提高变压器故障诊断中处理不确定性因素的精度。实例对比分析表明,与关联规则、集对分析方法相比,该方法具有较好的诊断效果,在多故障问题处理中也表现优异。     

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。     

诊断电力变压器故障的一种灰色关联度分析模式及方法

在对300多台次变压器故障分解气体的详细分析基础上,提出了诊断电力变压器故障的一种灰色关联度分析模式及方法,通过产例应用,证明了这种方法能有效地对变压器故障进行定性和定位分析。     

基于VNWOA-LSSVM变压器故障诊断方法研究

为进一步提高变压器故障诊断的准确性,提出了一种基于冯洛伊曼拓扑结构优化鲸鱼算法(VNWOA)与最小二乘支持向量机(LSSVM)相结合的变压器故障诊断方法。利用冯洛伊曼拓扑结构的原理来改进鲸鱼算法,通过为每个鲸鱼个体构造VN拓扑结构,提高鲸鱼算法的收敛速度和寻优精度;利用VNWOA得到LSSVM的核函数参数和惩罚系数的最优解并构建VNWOA-LSSVM诊断模型;引入收集到的260例油浸式变压器DGA数据进行实例分析。结果表明,与其他诊断模型相比,VNWOA-LSSVM诊断模型有着更高的准确率,诊断效果更好。     

基于SDAE-VPMCD的变压器故障诊断方法研究

为解决传统变压器故障诊断存在监测大数据、小样本分类效果差等问题,提出基于变量预测模型(VPMCD)和堆栈降噪自编码(SDAE)的故障诊断方法。首先,采集变压器油色谱数据,并进行归一化处理;其次,对堆栈降噪自编码网络进行逐层训练学习,获取数据的高层特征表示并确定网络结构参数;然后,训练变量预测模型中四种数学模型,获取故障类型的最佳模型及相关参数;最后,采用少量有标签数据对整个模型进行微调,确定最优网络参数完成故障诊断。实验结果表明,该混合模型识别精度较高,可扩展性和鲁棒性较强。     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。     

基于LVQ神经网络的变压器故障诊断方法

结合模糊理论,提出一种基于学习向量量化器(LVQ)的变压器故障诊断方法。它首先在无监督学习模式下,采用数据压缩技术,完成输入空间上的向量重构。接着结合监督学习机制,从输入数据选择特征赋予每个类。该方法是一种将自组织映射(SOM)和监督学习模式结合起来的自适应模式分类技术,具有结构简单,适应性强和分类精度高的特点。变压器故障诊断实例显示了该方法的有效性。     

基于属性约简的变压器故障诊断方法

介绍了粗糙集相关理论,提出了一种新的属性约简与属性值约简算法,并给出了故障实例。     

基于粗糙集理论的变压器故障诊断方法

将一种基于粗糙集理论的信息熵约简方法应用于变压器故障诊断问题中。首先应用粗糙集理论将电力变压器故障历史数据进行分析统计,建立决策表,然后采用信息熵约简算法对其进行条件属性约简,求取一组最小约简知识系统,并采用粗糙集约简方法对新系统进行简化,得到一组故障诊断的最小决策规则集。方法大大减小了编码的工作量,避免了约简属性组合查询及缺少关键属性时规则匹配所带来的不便,所以运算速度也会相对加快。最后结合实例分析,证明该方法的简便及有效性。     

基于MCPO模型的变压器故障诊断方法

针对传统的SVM方法在辨别故障特征不明确的样本时会出现误诊断的问题,提出一种基于多分类概率输出(Multi-classified Probability Output,MCPO)模型的变压器故障诊断方法。其在继承了SVM方法优点的基础上,利用Sigmoid函数实现SVM的二分类概率输出,进而综合多个二分类输出结果,将模型的求解转化为一个凸二次规划求解问题实现多分类概率输出,通过制定相关的评价指标利用故障概率信息能够有效的辨识故障特征不明确的样本。该方法对现有SVM误诊断的样本能够给出发生每类故障的概率估计,减少了对变压器故障的误判。仿真结果验证了基于MCPO模型的变压器故障诊断方法的正确性和有效性。     

变压器故障诊断方法探讨

分析了变压器故障类型及原因,并指出基于油中溶解气体的三比值法诊断变压器故障的缺陷。提出了采用专家系统模糊处理技术可解决此问题,并举例证明了该方法的有效性。