基于信息融合的变压器故障多级诊断方法

建立了基于信息融合的变压器故障多级诊断模型,该模型融合了在线监测、油中溶解气体、电气试验等多源数据信息。采用自适应遗传算法优化的小波神经网络对变压器故障进行初级诊断,通过改进D-S证据理论对初级诊断结果进行决策级融合,实现对变压器故障的深度诊断与定位。通过应用实例证明,该方法可以有效提高变压器故障诊断的精度和可信度,减小诊断的不确定性。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

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.     

多传感器信息融合技术在变压器故障诊断中的应用

本文中作者通过采集变压器运行时的状态参数,运用并行的两个BP神经网络对变压器进行局部诊断,再用D-S证据理论对局部诊断的结果进行全局融合,实现了对变压器故障的准确诊断。     

基于信息融合和M-RVM的变压器故障诊断方法

针对仅以油中溶解气体数据为主要依据的变压器故障诊断方法信息量不足以及传统证据理论的缺陷问题,研究了基于信息融合和多分类相关向量机(M-RVM)的变压器故障诊断模型。首先,将油中溶解气体分析数据与电气试验数据作为诊断模型的输入特征量向量,更真实地反映变压器的故障信息。然后,采用4个M-RVM作为分类器,对故障进行初步诊断,并将诊断结果分别转化为证据融合所需证据体,同时引入兰式距离函数与光谱角余弦函数对证据体进行修正。最后,采用改进冲突再分配策略进行决策融合,避免融合过程中出现证据互相矛盾的现象。对比分析结果表明,基于多源信息融合的变压器诊断模型相较单一特征参数诊断以及单一诊断算法具有更高的诊断准确率。     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

基于D-S证据理论的油浸式电力变压器故障诊断

当前对变压器进行故障诊断,主要是利用从分散的传感器收集到的检测信息,但使用单独的传感器采集数据进行判别,由于缺乏对数据的融合分析,易造成诊断中的误判或漏判。提出了一种基于D-S证据理论的油浸式电力变压器故障诊断方法,该方法通过融合数据来处理故障诊断中的不确定度。建立了故障诊断的融合模型,给出了方法的具体实现步骤并应用实例进行计算。结果表明,本方法可以减少诊断中的不确定性,提高故障诊断的准确性。     

多神经网络与证据理论融合的变压器故障综合诊断方法研究

电力变压器发生故障的部位多，故障原因、现象复杂，在故障诊断中，可以通过变压器不同方面的特征信号从不同侧面来反映变压器的故障。因而需要对变压器的多种特征信号进行综合处理和协同分析。该文结合色谱数据和电气试验数据，利用数据融合原理，将神经网络和证据理论进行有机结合，使两者优势互补，提出了多神经网络与证据理论融合的变压器故障综合诊断方法。诊断结果表明，运用提出的融合诊断算法，能充分利用色谱数据和电气试验数据的冗余、互补信息，使基于多种特征信号综合诊断结果的准确性和可靠性比基于单一故障特征的诊断得到有效的提高。     

融合多参量诊断电力变压器故障的实例分析

电力变压器是电力系统的关键设备,其故障诊断的有效性及准确性将影响到系统的安全稳定运行。笔者介绍了综合油中溶解气体色谱分析、电气试验和运行工况对某110 kV主变导线虚焊故障的诊断过程,探讨了多参量融合诊断变压器内部故障的基本方法:先以油中溶解气体分析数据判断故障性质及发展趋势,在设备停电前尝试调节负荷以控制故障发展速度,利用电气试验来缩小故障排查范围并定位故障点。分析表明,多参量综合分析可以有效判断故障性质、排查故障回路并定位故障位置。     

基于信息融合的大型油浸电力变压器故障诊断

由于大型电力变压器具有互补性，冗余性和较强的不确定性等特点，该文将信息融合的基本思想引入到变压器的故障诊断中，在信息融合的基本框架下，利用反向传播人工神经网络和证据推理技术，建立了一种新型的油浸式电力变压器故障综合诊断的多级决策融合模型，该模型将油中溶解气体分析与常规电气试验的结论紧密结合起来，并充分借鉴现场的运行，诊断和维修经验，具有较强的知识表示及不确定性处理能力。     

信息融合技术在变压器故障诊断中的应用

为满足变压器故障诊断的要求,运用信息融合技术,提出了具有数据挖掘功能的变压器故障诊断系统的一般模型,系统地阐述了模型中关键技术的实现方法,并通过实例进行了分析。     

基于信息融合技术的汽轮机转子故障诊断

选取蚁群神经网络作为汽轮机转子故障诊断的初级模块,采用证据理论混合算法的故障诊断方法,对汽轮机转子的局部故障进行诊断,并将诊断结果作为证据体利用证据理论将各证据体进行合成,计算它们的基本可信任分配函数,从而判定故障及其类型.以汽轮机转子x、y方向的不平衡故障为例进行诊断,结果表明该方法可有效提高诊断的可信度,减少诊断的不确定性.     

应用证据理论实现配电网单相接地故障选线保护

提出了一种利用多重故障信息融合选线方法。为实现这一目的，提出了故障测度概念，用来定量评价各线路可能是故障线路的程度。运用D-S证据理论实现了多判据信息融合，将多判据选线问题转化为证据推理问题，使选线结果聚焦到各个判据的共同支持点上，选线性能得到极大提高。现场实测故障算例证实了文中方法的正确性。     

基于信息融合技术的并发故障诊断的研究

为了诊断并发故障，文中扩展了证据理论：将并发故障状态作为设备的运行状态引入分辨框Θ中，视其为独立的运行状态，并根据不同证据体的差异程度，提出了两种不同的证据组合算法。然后，应用此两种不同的证据组合算法于并发故障诊断：第一种融合算法用来处理有相同焦点元素的证据体；第二种融合算法用来处理有不同焦点元素的证据体。该算法有利于充分利用各种证据体的有用信息，具有较强处理不确定性、不一致性证据体的能力。通过实验台转子轴承系统并发故障的诊断事例，证实了该算法的有效性。     

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。     

D-S证据理论在断路器故障诊断中的应用

在一个使用了电流与振动双传感器的断路器实时监测系统上,运用D-S证据理论、Dempster合成法则,对断路器故障进行了判断,以考察D-S证据理论用于状态监测中信息融合的可靠度。     

基于多分辨率小波网络-BP神经网-D-S证据理论信息融合模型的直流系统故障诊断方法

直流系统接地故障检测中常用的低频信号注入法容易受到大电容接地、环网以及电流互感器故障和饱和等因素的影响.针对这种情况,引入多传感器信息融合的思想,提出了基于"多分辨率小波网络-BP神经网络-D-S证据理论"信息融合模型的故障诊断方法,以综合多个信息源对直流系统的接地故障进行诊断.对具有3条支路的直流供电系统进行的仿真分析表明,在上述情况下利用该方法可以有效诊断出直流系统的故障支路,具有较好的诊断效果.     

基于模糊推理与覆盖集理论的电力变压器故障诊断方法

介绍了一种在覆盖集理论框架上集成模糊推理的诊断方法,在此基础上建立了应用于电力变压器故障诊断的实用模型。由于该模型实现了模糊推理与符号推导的结合,能够较好地解决故障诊断过程中遇到的模糊性问题,并有助于实现对故障的综合诊断,所以具有较高的诊断准确性和实用性。     

水电机组故障诊断中的数据融合算法

应用数据融合的理论和方法，在整个水电机组故障诊断过程中，在数据处理的信号层、特征层及决策层上分别提出不同的数据融合算法，解决了传统水电机组故障诊断中存在的大量采集数据如何有效处理的问题。所提出的算法针对水电机组故障诊断的特殊性，有较强的适应性，提高了实际诊断的准确性和可靠性。