基于SVM的电力变压器内部故障部位的概率估计

目前变压器智能故障诊断大多是以油中溶解气体为特征对故障性质的诊断,缺乏对内部故障部位的分析及量化的诊断结果。针对上述问题,提出一种基于SVM的电力变压器内部故障部位的概率估计模型。该模型结合SVM与概率建模的优点,充分利用油中溶解气体和电气试验数据的互补信息,运用SVM后验概率理论,对变压器内部可能发生故障的部位进行概率估计,克服了标准SVM硬判决输出的缺陷,以概率的形式给出诊断结论。通过实例分析表明,该模型不仅故障识别率较高,还具有良好的概率分布形态,具有较好的实用性和推广性。     

基于SVM和D-S证据理论的电力变压器内部故障部位识别

针对变压器信息融合诊断方法中难以确定基本概率分配(BPA)的缺陷,提出一种基于多支持向量机(SVM)与D-S证据理论的变压器内部故障部位识别模型.利用“一对一”多类SVM后验概率估计分配BPA,实现其赋值的客观化;充分利用变压器油中溶解气体分析数据和电气试验数据的互补信息,对变压器内部可能发生故障的部位进行诊断.实例分析表明,所提模型能有效识别故障部位,在准确率和泛化性方面都较单特征的SVM有优势.     

基于多级支持向量机分类器的电力变压器故障识别

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法．较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程,对色谱分析法检测到的特征气体含量进行数值预处理。提取出故障识别所需要的6个特征量。然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别。并最后判断输出变压器所处的状态。测试结果表明,该方法具有三个优点：1)具有较强的鲁棒性。识别正确率极高;2)训练时间很短,实时性能好;3)不存在局部极小问题。     

浅议变压器过热型故障部位的判定

从油裂解功率关系式出发,对判定变压器过热型故障发生部位的总烃安伏曲线法、总烃安伏法和总烃产气率法进行了分析比较,分析结果表明,若故障部位在导电回路,总烃产气率将与电压平方成正比;若故障部位发生在磁路上,则总烃产气率与电流平方成正比;而总烃量与油裂解功率之间不存在线性比例关系,总烃产气率法可作为在线测定变压器过热故障部位的一种辅助方法。     

基于信息融合技术的电力变压器故障部位诊断

首先对变压器故障诊断中的可用信息进行分类,然后在分析目前诊断信息欠缺的基础上,提出信息融合诊断的思想,并针对变压器故障部位诊断,探讨了识别框架的形成、基本概率赋值函数的构造以及运用D-S证据理论进行证据组合与推理的过程,并用实例验证了该方法的有效性。     

一种基于多分类概率输出的变压器故障诊断方法

多分类概率输出方法可用于变压器故障诊断,其分类效果较好并能提供概率信息。针对现有基于支持向量机(SVM)的诊断方法在特征不明显条件下有误分类的情况,提出了一种基于多分类概率输出的变压器故障诊断方法。此方法引入Sigmoid函数将SVM决策函数输出映射为二分类概率输出,然后综合多个二分类概率输出结果,求解一个凸二次规划问题实现多分类概率输出。此方法可以得到发生不同类型故障的可能性,即故障类别概率,进一步分析后给出诊断结论。算例分析表明,此方法在继承了SVM故障诊断方法优点的基础上,提供了概率信息,对现有SVM方法误诊断样本也能给出可能存在的故障,弥补了现有SVM方法在变压器故障特征不明显条件下的不足。     

基于多尺度熵分析与改进SVM的变压器故障识别

为解决传统变压器故障识别方法提取故障特征难度大、识别准确率低等问题,提出基于多尺度标准差模糊熵( SDMFE) 和哈里斯鹰算法(HHO)优化支持向量机(SVM)的故障识别方法。 首先,采用基于模糊熵的多尺度分析法量化变压器振动信号 复杂的动态特性,提取多时间尺度下的故障特征。 随后,将利用 SDMFE 获得的故障特征输入 SVM 分类器识别变压器不同的故 障。 同时,为了提升 SVM 的识别性能,引入 HHO 算法以自适应、准确地选择 SVM 参数。 最后,利用变压器实测振动信号进行 了对比试验。 与不同的信息熵、不同的优化策略和不同的分类器相比,所提方法取得 98. 56%的最高识别准确度和最好的识别 稳定性。 结果表明所提方法能够有效提取故障敏感特征和准确识别变压器故障状态。     

应用贝叶斯框架的LS-SVM概率输出诊断电力变压器故障

针对传统最小二乘支持向量机（LS-SVM）分类器的参数选择具有随意性和不确定性等不足,采用贝叶斯推断方法、通过3级分层推断优化来确定最小二乘支持向量机的各参数,有效提高了最小二乘支持向量机的建模效率。结合最小二乘支持向量机的后验概率输出,可将其运用到变压器故障诊断中。仿真结果表明：该方法能有效地诊断电力变压器故障,且诊断精度和建模效率均优于传统的最小二乘支持向量机方法。     

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。     

一种基于概率分布估计的水电机组故障预警方法

为了实现水电机组自动故障预警，提出一种基于概率分布估计的新方法。与以往试图学习机组故障样本方法不同的是，该方法学习机组正常状态而非故障状态。它把机组振动看作符合某一概率分布的独立同分布观测样本，利用SchOElkopf提出的单类支持向量机方法得到机组振动模式，并由此模式可以对测试观测进行预警。该方法直接对训练数据进行处理，不需进行复杂的预处理，并且简单，快速，并且对于水电机组的数据缺失和运行参数变化具有很好的适应能力。对甘肃大峡实际观测数据的仿真结果表明，概率分布估计可以有效的学习机组振动模式并对机组故障进行预警，为故障预警提出了一种新途径。     

基于振动信号SVM分类的变压器状态识别

为提高基于振动信号的变压器状态识别准确率,提取振动信号的峰峰值、均值、偏度等时域特征量和主频率幅值占比、基频幅值占比、50 Hz及其奇次倍频幅值占比等频域特征量构成特征向量,运用支持向量机(SVM)分类方法对变压器进行状态识别。采集了变压器正常与故障运行状态下的振动信号,结合实测信号分析了各特征量随变压器状态的变化,最后对比了单个特征量与多特征量结合对变压器正常短路、正常空载、故障短路、故障空载4种状态的识别准确率。结果表明,结合振动信号多个特征量的SVM分类对变压器的状态识别准确率显著高于单个特征量的识别准确率。     

基于SVM多分类法的变压器油中溶解气体故障诊断

提出了一种基于支持向量机多分类法的变压器油中溶解气体分析诊断模型,并给出了故障实例。     

模糊诊断电力变压器故障点部位的应用研究

反映电力变压器固体绝缘和裸金属故障部位的特征量,利用模糊数学原理故障点部位综合诊断。分析单个化合物ＣＯ、ＣＯ２、糠醛、Ｃ２Ｈ４含量对电力变压器点单位的影响,探索用各化合物含量对故障部位延兆的隶属度大小,确定其固体绝缘或裸金属故障,实验证明这种方法自满简单,判别正确。     

基于免疫优化多分类SVM的变压器故障诊断新方法

针对支持向量机中参数设置对支持向量机分类精确度影响较大及传统支持向量机不能直接用于多分类问题的状况,提出了一种基于免疫优化多分类支持向量机的变压器故障诊断新方法,该方法利用免疫算法优化支持向量机分类参数。以一类分类算法为基础建立多分类算法模型,在高维特征空间求出超球体中心,然后计算样本与中心最小距离,以此判定该点所属故障类型。该算法充分发挥了支持向量机高泛化能力的优势,大大减少了对支持向量机参数选择的盲目性。仿真计算结果表明,在有限样本情况下,该方法能够达到较高的变压器故障诊断率,从而证实了该方法的正确性和有效性。     

总烃安伏曲线法判断主变压器过热故障部位

主变压器本体过热性故障部位的判断常遇到一定的困难,现探索用总烃安伏曲线法进行初步判断,简单准确,值得推荐。     

基于IFOA-SVM 的变压器故障诊断与定位研究

为了充分发掘变压器油中溶解气体所蕴含的故障信息,实现变压器故障性质和故障位置的准确判断,利用 邻域粗糙集(NeighborhoodRoughSet,NRS) 和强化型果蝇算法(ImprovedFruitFlyOptimizationAlgorithm,IF- OA)优化的支持向量机(SupportVectorMachine,SVM)构建变压器故障诊断与定位多层分类模型.首先,利用邻 域粗糙集按照条件属性重要度对变压器故障样本特征值进行约简.其次,为了提升变压器故障诊断与定位模型的分类 精度,设计一种强化型果蝇算法对SVM 的核函数参数和惩罚因子选取进行优化.利用Tent-logistic混沌映射产生的 混沌序列生成果蝇种群的初始位置信息,减少随机过程带来的不可控性;利用动态自适应步长参数调节个体的搜索范 围,增强FOA的寻优效率.仿真分析结果表明,基于改进模型的方法不仅可以实现变压器故障位置的判定,而且能 提升变压器故障诊断的精度.     

基于支持向量数据描述的变压器故障检测方法

在变压器故障诊断领域中,针对传统分类算法在没有故障样本信息的情况下无法有效实现故障检测不足的问题,提出了一种基于支持向量数据描述的变压器故障检测算法.该算法只需要目标样本,即正常样本进行训练,无需故障样本信息,最终得到描述正常样本空间结构信息的超球体,决策阶段利用与超球体中心的距离进行判断.通过实验表明,笔者提出的方法在故障样本不均衡的情况下能有效实现变压器的故障检测.     

基于ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

基于SVM 的有源配电网故障定位及判别分析

分布式电源的应用使得有源配电网普及,但有源配电网故障特征具有明显特点,传统故障判别定位方法不再适用,因此如何准确快速判别并定位有源配电网故障,尽量降低故障损失,成为研究热点问题.对此,提出以有源配电网故障电压为特征量,基于支持向量机(SupportVectorMachine,SVM) 进行故障判别及定位的方法.基于距离可分性判据,选取最优故障特征.基于实时故障特征数据与历史故障特征数据的SVM 相关性,分类判别配电网运行状态、故障类型并定位故障.