基于滑动窗口和多元高斯分布的变压器油色谱异常值检测

现有的变压器油色谱在线监测数据因监测装置问题频繁出现失真,严重影响了整个在线监测系统的有效性和实用性。传统阈值判定法无法灵活及时地发现变压器本体设备和监测装置的异常。对此,提出了一种基于滑动窗口和多元高斯分布的变压器油色谱异常值检测方法,利用指数加权移动平均法和滑动窗口计算历史每笔数据中氢气、乙炔、总烃的估计值,获取到与监测值的残差数据后,再通过多元高斯分布,进行异常值检测。通过某变电站油中气体数据对本算法进行验证结果表明,该方法不仅能实时检测出变压器本体异常还能发现监测装置数据失真,并能祛除数据突变和噪声带来的影响,具有一定实用价值。     

基于改进K-means聚类的变压器异常状态识别模型

为有效利用变压器历史正常数据识别变压器是否异常,文章提出了基于改进K-means聚类的变压器异常状态识别模型。针对变压器绝大部分运行数据为正常数据,且正常数据逐渐按一定的趋势变化以及异常状态数据变化急剧等特点,基于历史正常数据与K-means算法建立变压器异常状态识别模型。根据对正常数据聚类的结果确定用于识别新数据的各个阈值,通过计算新数据到各聚类中心的距离并与各阈值对比确认变压器是否异常。同时针对传统K-means算法的缺点,对K-means算法进行基于密度与距离选择K值与初始聚类中心的改进,使K-means算法有稳定的K值与聚类中心,聚类过程更加快速、稳定、有效,从而使识别模型计算得到的阈值更可靠。实例分析表明,模型能有效对变压器的异常状态进行快速、准确的识别,为变压器状态评估提供一种新思路。     

基于局部密度聚类算法的变压器故障状态评估

为提高油浸式电力变压器故障状态评估的准确性,结合局部密度聚类(local density clustering,LDC)算法和三比值法提出一种变压器故障状态评估方法——以油中溶解气体为研究对象,对气体数据进行LDC处理,以最后聚类结果作为故障状态评估模型及结合三比值法对新数据进行故障评估。该方法在弥补聚类方法无法准确反映故障状态和三比值法编码不全、编码太片面等不足的同时,在变压器状态发生变化时能随着新数据的输入自主修正故障状态评估模型。不同实验结果表明该方法用在变压器故障评估中,具有较高的故障评估准确率,并且当出现未知故障时能有效修正所搭建故障状态评估模型,可以在一定程度上反映变压器故障状态,保证变压器正常、安全运行。     

基于动态阈值的变压器异常状态检测

为提升电力变压器状态检修效率和异常状态检测、预警能力,考虑变压器在线监测数据、检修数据及设备本体数据间的相关性,提出了一种基于动态阈值的变压器异常运行状态检测方法,通过构造动态预测模型对特征参数基线进行刻画。在此基础上,采用贝叶斯网络推算变压器运行状态,以概率大小判断变压器可能状态,并基于实际运行数据对所提方法进行了验证分析。计算结果表明此方法可对异常检测数据有效检测,能够对变压器异常状态准确识别和预测。     

基于时空联合聚类方法的输变电设备状态异常检测

鉴于传统的输变电设备状态异常检测方法较少考虑到状态数据的空间信息,提出一种基于时空联合聚类方法的设备状态异常检测方法,该方法综合利用大量设备状态、气象环境等历史数据,在实现异常检测的同时将结果形象化。其具体做法为：通过移动时窗将状态数据时间序列划分为多个子序列,并将子序列与空间位置坐标相结合以构成时空联合数据;使用c均值模糊聚类方法对每个时窗中的时空联合数据进行聚类分析,并基于历史状态数据对每一类赋予异常度值,根据异常度值的大小判断该类数据是否异常;通过在每个时窗的类之间建立模糊关系实现异常状态沿连续时间段传播过程的形象化。最后结合实例验证了提出方法的有效性。     

基于聚类和时间序列分析的变压器状态评价方法

传统的电力变压器DGA故障诊断方法,仅能二值化地判断设备处于健康或故障状态,无法表征变压器的潜在故障情况,也无法确定变压器向故障状态转化的趋势。对此,提出了一种基于聚类和时间序列分析的变压器状态评价方法。首先,基于点密度判据进行数据预处理,消除噪声影响。其次,基于大数据聚类思想,计算采样数据和历史故障数据簇的相对邻近度,根据计算结果将设备状态划分为健康、潜伏故障或故障。在此基础上判断故障设备的故障类型,基于故障类型关联权重计算健康设备的健康得分,通过时间序列相似性分析方法获取潜伏故障设备的预测故障发展时间。算例分析验证了该方法的可行性与有效性。     

基于模拟退火算法变压器的状态检测研究

为了能够提高对变压器状态检测的有效性,利用模拟退火算法对支持向量机进行了改进,并且应用于变压器绕组的状态检测中。分析了振动测试法对变压器绕组故障进行检测和改进模拟退火算法,研究了基于改进模拟退火算法的支持向量机的基本原理。最后,利用模拟退火支持向量机对变压器状态进行了检测,检测结果表明该方法具有较好的检测能力,可以有效地应用于变压器的状态检测。     

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。     

基于圆形滑动窗口的瞳孔定位算法

瞳孔定位是眼动识别中的一个关键步骤.针对目前瞳孔定位算法存在精度低、耗时高、人脸偏转时的定位误差较大等问题,提出了一种通过创建滑动窗口来精确定位瞳孔中心的算法.首先利用CLM模型提取人脸的眼部区域,对提取后的图片进行预处理,然后通过创建圆形滑动窗口对图片进行扫描并计算每个窗口内灰度值的和,利用人眼瞳孔的灰度值相对较低这...     

基于混沌理论和KPCM聚类的变压器绕组松动状态监测

运行中的变压器会产生持续振动,通过振动的变化可以判断变压器内部运行状态。变压器振动信号中包含了大量状态信息,难以从中提取有效特征来监测绕组松动状态。为此,提出了基于混沌理论和核可能性聚类算法KPCM的变压器绕组松动状态监测方法。首先,从振动信号的混沌动力学特性出发,通过选择最佳嵌入维数和时间延迟,对实测变压器振动信号进行相空间重构。然后,针对重构信号的高维空间分布,使用KPCM聚类方法对分布模式进行识别,据此对绕组松动状态进行监测。现场实测数据的计算结果表明,使用Wolf法计算得到的最大李雅普诺夫指数为正,证实了变压器振动信号的混沌特性,基于KPCM聚类分析得到的聚类中心位移矢量的变化能够有效识别出绕组松动的机械故障隐患。研究结果为从混沌动力学角度监测变压器绕组的松动状态提供了理论依据。     

基于改进PSO-PFCM聚类算法的电力大数据异常检测方法

针对传统电力大数据异常检测方法检测精度低、复杂度高等问题,提出了一种将可能性模糊C均值算法和改进的粒子群优化算法相结合的电力大数据异常检测方法.使用改进的粒子群优化算法和重新定义的聚类有效函数来优化可能性模糊C均值算法的初始中心和数目.通过仿真将该算法与改进前算法进行对比分析,验证该算法的优越性.实验结果表明,该算法能...     

基于局部离群因子算法的变压器异常检测

针对传统的变压器异常检测方法存在实时性差和效率低的问题,应用主成分分析法和局部离群因子算法(Local Outlier Factor,LOF)相结合的方法设计了变压器异常检测模型.首先,利用主成分分析法对变压器电气参量数据集进行特征降维,减少特征的冗余度;然后,通过局部离群因子算法计算所有样本点的离群因子,并将离群因子...     

基于聚类算法的配电变压器经济运行分析研究

为确切反映配电变压器经济运行效果,提出了一种基于聚类分群算法的配电变压器经济运行特征分析方法.通过从配电变压器负载数据中提取出平均负载率、波动负载率和趋势负载率等3个判别配电变压器经济运行的特征指标,采用改进K-Medoids算法对其进行聚类分群处理,得出运行特征分析结果和运行方式优化建议.仿真实验证明,该方法有效,对配电变压器运行状态分类效果明显,为提高配电变压器运行效率以及配电网节能降损提供数据支持.     

基于历史信息挖掘的变压器健康状态聚类方法

传统变压器健康状态评估主要集中在评价导则与模型建立上,然而人为因素与低数据利用率或导致评估结果不准确,对此提出了一种基于历史信息挖掘的变压器健康状态聚类方法。首先利用关联分析挖掘变压器历史信息,以置信度量化评价指标。其次采用主分量分析方法获取评价指标关联权重,据此修正指标聚类空间。最后通过Canopy-kmeans两层聚类方法分析变压器集群健康状态,针对不同簇给出相应健康等级以指导状态检修与运行调度。算例分析验证了该方法的可行性与有效性。     

基于改进模糊聚类算法的变压器油色谱分析

变压器油色谱分析对变压器的运行和维护具有重要意义,聚类算法是油色谱分析的一种重要智能算法。但是传统模糊聚类算法(FCM)无法实现变压器油中溶解气体分析(DGA)数据的有效故障分类。该文针对传统FCM隶属度函数存在较多局部极值点的缺陷,重构了FCM的隶属度计算方法。通过构建指数形式的相似性函数,得到随距离单调变化的隶属函数,消除了隶属度函数的局部极值点;将相似性计算分为两个步骤,先根据样本每个属性计算子相似性,再融合得到样本的综合相似性,进而得到隶属度。实例分析表明,该方法提高了FCM进行DGA故障模式识别的能力,改善了算法的分类性能,具有重要的现实应用价值。     

基于灰色聚类与证据合成的变压器状态评估

针对变压器状态信息的不确定性,建立了变压器层次化状态评估模型,组建了变压器的状态指标体系,综合指标的主、客观权重设计了其最优权重。运用灰色聚类方法对单项指标作聚类分析以得到综合指标所处状态,改进了D-S证据理论中的冲突证据合成规则,将聚类系数作为基本概率赋值函数以评价变压器的整体状态。实例分析结果显示,文中建立的评估模型具有较高的识别准确率,可以有效地把握变压器的运行状态并为变压器实行状态检修提供良好的指导作用。     

基于AHP灰色定权聚类的电力变压器状态评估

根据电力变压器运行状态信息的不完全性,采用层次分析法(AHP)建立和量化变压器状态评估的层次指标,优化状态信息不完全性.引入灰色定权聚类对变压器状态进行灰色分类,建立灰色白化权函数.把AHP与灰色定权聚类相结合,能更准确地对变压器进行定性和定量状态评估.实例分析表明,基于AHP灰色定权聚类的电力变压器状态评估方法是合理和可行的.     

基于聚类算法和粗糙集理论的分布式电源状态约简

用户侧分布式电源的生产数据具有数据量大、相似度高和存在伪数据等特点,从而不利于用户决策。针对这一问题,首先构造了用户侧分布式电源数据决策表,然后基于最小对象距离的聚类算法对原始决策表进行状态约简,最后利用基于粗糙集的属性约简算法对聚类处理后的决策表进行二次状态约简。仿真算例表明:聚类和粗糙集两种方法对用户侧分布式电源数据进行双重状态约简,既保证准确预测又能够去除冗余与可疑信息,并行计算思想能够提高大规模数据计算效率,从而提高用户侧分布式电源的数据分析能力,有助于用户侧做出合理的策略。     

基于流聚类的PMU异常数据辨识算法

为保证同步相量测量装置(phasor measurement unit,PMU)采集数据的准确应用,须排除其量测值中的异常数据。现有PMU异常数据辨识算法存在算法复杂度高、难以在线更新、多源数据难以校准、依赖多源数据应用难度大等不足。为此,文中从PMU事件数据和异常数据模型及PMU异常数据判别信息熵定义出发,提出基于该信息熵的异常数据辨识框架。在此框架基础上,基于利用层次方法的平衡迭代规约和聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)算法提出PMU异常数据辨识算法;然后,对所提出的算法进行原型实现,并针对某变电站的PMU采集数据集进行算法实验验证。实验结果表明,与一类支持向量机(one-class support vector machine,OCSVM)算法与间隙统计算法相比,文中算法的准确度及实时性均具有较强的优势。