基于MPC算法优化的贝叶斯网络变压器故障诊断

为提高变压器故障诊断的准确率及可靠性,提出了基于MPC(modification of the PC,简称MPC)算法优化贝叶斯网络的变压器故障诊断方法,对变压器故障诊断技术进行了研究。首先,根据油中溶解气体分析,采用无编码比值法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;其次,以归一化的训练样本作为输入建立基于贝叶斯网络的故障诊断模型,采用MPC算法对贝叶斯网络模型进行优化;最后,利用测试样本对故障诊断模型进行测试。为了证明所提出方法的优越性,将本文研究方法与现有故障诊断方法进行了对比。结果表明,所提出方法的诊断正确率更高,诊断效果更好。     

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...     

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     

基于贝叶斯案例库的变压器故障诊断研究

提出了一种基于贝叶斯案例库的变压器故障诊断方法。首先收集标准导则和专家经验,建立变压器故障案例库。然后将案例库中的状态量和故障模式标准化,以状态量为输入、故障模式为输出,训练朴素贝叶斯网络分类器。当需要进行故障诊断时,输入故障的状态量,利用训练好的分类器寻找该故障所属的故障模式。综合该模式的故障详情,得到该案例的故障诊断结果。最后通过变压器现场故障诊断的实例验证了此方法的可行性和有效性。     

基于贝叶斯网络分类器的变压器综合故障诊断方法

鉴于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,利用贝叶斯网络表达知识灵活、分析处理不确定性与关联性问题能力强的优点,本文提出了一种基于贝叶斯网络分类器的以溶解气体分析为主结合其他电气试验结果的变压器综合故障诊断方法,并建立了变压器朴素贝叶斯网络故障诊断模型和TAN故障诊断模型.文中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,自动修正网络结构参数和概率分布参数,提高诊断效果.实例验证表明了该方法的有效性.     

贝叶斯分类器与粗糙集相结合的变压器综合故障诊断

由于电力变压器故障诊断中的测试数据信息不完备、有偏差，且贝叶斯网络处理不确定性问题能力强，文中提出了用于变压器故障诊断的NB、TAN和BAN三种贝叶斯分类器模型，并提出了贝叶斯网络分类器与粗糙集相结合的变压器故障诊断的新方法，它综合使用溶解气体分析结果和其它电气试验结果作为故障分类所需的属性。其相应的混合分类器为NB粗集、TAN粗集和BAN粗集分类器。实验表明提出的三种混合分类器都适于变压器故障诊断，具有处理信息缺失多的能力和容错特性，克服了粗糙集刚性推理的弱点，其性能明显优于单独使用贝叶斯网络分类器或粗糙集的方法。     

基于化学反应优化神经网络与融合DGA算法的油浸式变压器模型研究

为了及时准确掌握变压器的健康状况,对潜伏性故障进行预测分析,将人工智能算法与DGA算法相结合,提出了一种基于化学反应优化神经网络的变压器故障诊断模型。考虑到BP神经网络和传统DGA算法在变压器故障诊断应用过程中存在的缺陷,在模型中引入化学反应优化算法和融合DGA算法对其进行改进。通过实例分析表明,提出的故障诊断模型的诊断准确率达到87.88%,迭代次数和训练时间分别为1991次和1927 ms;与其他诊断模型相比,模型在诊断效率和训练时间上具有明显的优势,对于变压器的故障预测和实时诊断具有一定的参考意义。     

基于条件信息熵与贝叶斯网络的变压器故障诊断研究

提出了将条件信息熵与贝叶斯网络有机结合的变压器故障诊断方法,并进行了变压器故障实例分析。     

基于基因表达式编程的变压器故障诊断

提出了1种基于基因表达式编程(GEP)分类算法的变压器故障诊断方法.该方法继承了遗传算法(GA)的线性和遗传程序设计(GP)的普适性,从而达到了简单编码解决复杂问题的目的,具有良好的收敛性和鲁棒性.文中收集能反映各种故障而又不冗余的300组DGA实测数据作为GEP分类器的训练样本和测试样本,并将测试结果与GA分类器、GP分类器进行对比分析.大量诊断实例表明,所提出的自适应多GEP分类方法适用于变压器故障诊断,其性能优于另外2种方法.     

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。     

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。     

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...     

基于漏磁场和ICOA-ResNet的变压器绕组早期故障诊断

针对变压器绕组变形、轻微匝间短路故障诊断准确率低的问题,提出一种变压器绕组早期故障诊断方法。首先,利用ANSYS仿真软件建立与实验变压器相关参数一致的有限元模型,分析变压器在绕组发生各种故障的漏磁场分布规律,并根据这些规律选取合适的故障特征以及光纤漏磁场传感器安装位置。然后,通过改进长鼻浣熊优化算法(improved coati optimization algorithm, ICOA)寻找残差神经网络(ResNet)的最优超参数,以此参数构建ICOA-ResNet模型,将所得故障特征量输入模型进行故障诊断。最后,通过仿真数据和动模实验验证所提出的变压器绕组早期故障诊断模型的可行性。所提模型与支持向量机等4种模型相比,在绕组早期故障诊断上有更高的准确率,表明所提方法对变压器绕组变形、匝间短路故障诊断的有效性。     

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,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。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。     

基于DGA与鲸鱼算法优化Logit Boost-决策树的变压器故障诊断方法

为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis, DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树作为弱学习器,通过将Logit Boost集成算法作为集成框架使多个决策树集成为一个强学习器,并构建了一种基于鲸鱼优化算法的优化策略去优化LogitBoost-决策树模型中的决策树棵数及决策树的最大分裂次数。实验表明,所构建的WOA-Logit Boost-DT变压器诊断模型与常用的决策树、支持向量机、三比值等诊断模型相比,综合诊断精度分别提高了约4%、10%、21%。所构建的相关模型能为变压器的故障诊断提供技术支持。     

基于IABC优化SVM的变压器故障诊断

针对故障信息较少时无法准确诊断变压器故障的问题,提出一种改进的人工蜂群算法优化支持向量机的故障诊断方法。首先采用主成分分析(PCA)对输入变量进行特征提取,降低特征向量的维数,避免了变量信息之间的相互重叠。其次,通过基于二维均匀的种群初始化和基于欧氏距离的食物源更新来对传统的人工蜂群算法(ABC)进行改进,并将改进蜂群算法(IABC)与ABC和粒子群算法(PSO)进行性能测试,证明了搜索速率和收敛性都有显著提高。最后用IABC优化支持向量机(SVM)的参数,将PCA提取的新特征值分别输入IABC-SVM、GA-SVM、PSO-SVM模型并对比诊断效果。最终表明所提方法具有诊断准确率高、模型简单、泛化能力强的特点。     

基于改进PSO-BP混合算法的电力变压器故障诊断

采用粒子群算法和反向传播神经网络建立一种新型变压器故障诊断网络模型,设计故障诊断方法.仿真分析结果表明:基于该网络模型的诊断方法与传统的三比值法相比较,具有较好的故障识别与分类能力,显著提高了诊断准确率,将在电力设备故障诊断中有良好应用前景.