油气分析诊断变压器故障方法的改进

针对油中溶解气体分析 (DGA)中原来采用比值法的某些不足 ,通过对大量数据的统计、分析 ,在变压器吊芯结果所确定典型故障分类的基础上 ,提出了比值范围法改进三比值变压器故障诊断。实例证实了该方法的有效性     

基于DGA的改进BP神经网络的变压器故障诊断方法

介绍了基于DGA的改进BP神经网络电力变压器故障诊断方法,并进行了仿真。     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法.该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出.首先通过变分自编码器对...     

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。     

基于组合神经网络模型的电力变压器故障诊断方法

对故障空间的划分以及组合神经网络的构造方式 ,是利用组合神经网络进行变压器故障识别的关键。在讨论变压器故障空间划分方法及其存在问题的基础上 ,针对已积累的故障变压器的大量溶解气体数据 ,考察了各类故障的气体特征及聚类分析结果 ,并在此基础上构造了组合神经网络分层结构模型 ,实现了对变压器故障由粗到细的逐级划分 ,以提高诊断的准确性 ,为制定维修策略提供了依据。最后 ,结果显示了该模型的有效性     

基于小波网络及油中溶解气体分析的电力变压器故障诊断方法

小波网络是近年来发展起来的一种高效非线性信号处理新模型。该文将适于电力变压器故障诊断的小波网络分为第一、第二类小波网络,提出了基于自适应算法小波网络的变压器故障诊断方法,该方法继承了人工神经网络的学习能力和小波变换的局部化特征,具有良好的收敛性和鲁棒性。选择经模糊预处理的250组油中溶解气体作为采用不同小波基的2类小波网络训练与识别样本,对训练过程和仿真结果进行对比分析。大量诊断实例表明,文中提出的2类小波网络均适于变压器故障诊断,其性能优于单独使用传统BP神经网络的方法。     

利用DGA-NN诊断油浸式电力变压器故障

人工神经网络以其良好的非线性映射能力广泛应用于电力变压器故障诊断。为研究反向传播神经网络(BPNN)和概率神经网络(PNN)的学习过程、网络参数选择等问题,利用Matlab的神经网络工具箱结合油中溶解气体建立了BPNN和PNN的故障诊断模型,并对其性能做了分析和对比。结果表明,两种网络均能较好地实现变压器故障的实时诊断。因初始化权值的随机性,BPNN的输出结果具有差异性,收敛速度较慢,而PNN网络结构自适应确定,可以随时添加训练样本,且训练速度较快,适合于实现变压器故障的实时诊断。相同条件下,PNN的收敛速度约为BPNN的5倍。     

基于相似度机制AdaBoost-DBN的变压器故障层级诊断北大核心CSCD

针对传统的变压器故障诊断方法诊断精度以及泛化能力有限,提出了一种基于相似度机制AdaBoost-DBN的变压器故障层级诊断方法。首先应用层级分类思想把变压器故障诊断模型分为初级分类器和次级分类器;然后初级分类器采用Bagging-XGBoost方法,使其诊断结果与变压器油中溶解气体数据进行特征融合作为次级分类器的输入特征;最后次级分类器采用相似度机制AdaBoost-DBN方法,使用AdaBoost集成学习有效避免DBN模型过拟合效应,通过提出相似度机制为AdaBoost网络的初始样本权重赋值,克服随机因数对诊断结果的影响,进一步提高模型的诊断精度以及泛化能力。实验结果表明,相比于BP神经网络、支持向量机与DBN网络,文中方法的诊断准确率分别提高17.9%、17.3%、16.1%。     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

电力变压器固体绝缘故障的诊断方法

根据电力变压器的绝缘特点，通过对故障实例的统计分析，提出了一种动态分析变压器内部固体绝缘故障的方法。这种方法弥补了以往静态分析时受故障累积效应及测量随机误差等因素影响的不足，有助于提高对故障的诊断精度，并能对故障的发展趋势提供较好的预测。     

基于油气分析的电力变压器故障诊断

提出了基于油气分析的故障诊断模型,并用实例证实了其可行性.     

基于DGA和AO-PNN的变压器故障诊断方法研究

为提高油浸式电力变压器故障诊断的准确率,提出了一种将AO-PNN模型与油中溶解气体分析法(DGA)相结合的故障诊断方法。该方法引入天鹰优化算法对概率神经网络进行优化,将DGA比值输入模型最终得到变压器的故障诊断结果。仿真结果表明,与其他常用的机器学习模型相比,提出的模型有更高的准确率,可有效运用到变压器故障诊断领域。     

变压器绝缘故障预测诊断的方法

根据灰色系统理论,把电力变压器油中溶解气体含量视为灰色量,利用有限的故障数据,按照灰色预测的方法,对数值进行初值化和一次累加生成等处理,建立灰色预测模型群即GM(1,1)模型,对电力变压器运行时间内的状态进行精密诊断和故障预报。     

变压器故障诊断方法的应用研究

电力变压器是在电力系统中最重要的设备之一,电力变压器是其中容量大、故障率较高的设备,其运行状态的安全与否直接关系到整个电力系统的安全性和经济性。主要是基于油中溶解气体分析方法（Dissolved Gases Analysis,简称DGA）对变压器的内部潜伏故障进行探测和诊断。     

基于ADASYN数据平衡化的PSO_BP变压器套管故障诊断

变压器套管作为设备重要的绝缘部件,其绝缘性能直接影响着设备的安全运行。为诊断变压器套管绝缘状态,改善小样本不平衡数据对诊断结果的影响,使用粒子群算法优化反向传播神经网络（Particle Swarm Optimization_Back Propagation Neural Network,PSO_BP）和自适应综合过采样（Adaptive Synthetic Sampling,ADASYN）方法对变压器套管进行故障诊断。首先收集了变压器套管的历史故障数据,建立了具有明确故障类别的变压器套管油中溶解气体样本集,并通过ADASYN算法对原始数据中的少数类样本进行合成,得到平衡后的故障数据;将平衡后的油中溶解气体作为模型输入,故障状态作为标签输出,通过PSO_BP模型对变压器套管进行诊断;并在原始样本集下使用BP、遗传算法优化反向传播神经网络（Genetic Algorithm_Back Propagation Neural Network,GA_BP）、布谷鸟搜索算法优化反向传播神经网络（Cuckoo Search_Back Propagation Neural Network,CS_BP）以及PSO_BP模型对套管进行诊断。结果表明,针对变压器油纸套管绝缘状态进行故障诊断的多个模型中,基于ADASYN平衡数据后的PSO_BP模型（Adaptive Synthetic Sampling_Particle Swarm Optimization_Back Propagation Neural Network,ADASYN_PSO_BP）与其它模型相比准确度最高,能有效改善小样本不平衡数据对诊断结果的影响,为判断变压器油纸套管绝缘性能提供了有效方法。     

变压器不平衡样本故障诊断的过采样和代价敏感算法北大核心CSCD

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。     

基于改进量子粒子群优化模糊聚类的变压器故障诊断方法

对电力变压器进行高效准确的故障诊断可有效保障电力系统安全、稳定运行。为提高变压器故障诊断正确率,提出了一种基于改进量子粒子群优化模糊聚类的变压器故障诊断方法。采用遗传算法杂交概率的思想改进量子粒子群算法提高算法收敛速度、防止陷入局部极值,克服模糊聚类算法易受初始值影响的不足,进而实现对变压器高效、准确的故障诊断。以变压器油中典型气体作为故障特征量,选取68组数据建立故障集,采用改进量子粒子群算法寻找最佳初始聚类中心,并将其应用于3种不同数据组进行验证,实验结果表明文中所提方法的有效性。     

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。