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。     

改进PSO与模糊聚类相结合的变压器故障诊断

针对基本粒子群算法存在收敛速度慢、易陷入局部极值的缺点,提出了一种改进PSO算法与模糊聚类相结合的变压器故障诊断方法.该方法根据变压器油中主要特征气体含量,利用杂交遗传改进粒子群通过优化模糊聚类准则函数,得出故障类型的最优聚类中心,再由聚类中心得出相应模糊隶属函数,最后由隶属函数判断所属故障类型.实例分析结果表明,该算...     

模糊聚类和LM算法改进BP神经网络的变压器故障诊断

在变压器故障诊断中,目前BP神经网络算法存在训练样本分布不均匀,收敛速度慢、容易陷于局部极小点等问题,导致整体的诊断性能下降。通过对模糊聚类及LM算法改进的神经网络深入研究,并引入变压器故障诊断中,该算法应用模糊聚类对搜集到的样本预处理,提高样本的质量,再用LM算法改进的神经网络来优化搜索方向,可以实现网络训练速度及测试精度的提高。通过实例仿真实验,验证了该方法能够有效诊断出变压器的故障。     

基于加权模糊C均值聚类算法的变压器故障诊断

模糊C均值聚类(FCM)算法具有将数据集合进行相等划分的趋势,每一个样本对数据集分类的影响相同.在变压器绝缘故障中,不同故障类型产生的主要特征气体及气体组分含量存在很大差异.因此,为了区别各类数据对故障划分的影响程度,可考虑对各类数据施加一个权.文中提出了一种加权模糊C均值聚类(WFCM)算法,该算法可实现故障聚类.与FCM算法相比,WFCM算法明显提高了故障划分的正确性和鲁棒性.     

纵横交叉算法优化FCM在电力客户分类中的应用

电力客户分类是供电企业客户关系管理的基石,为了提高聚类算法的稳定性和精确性,提出了一种纵横交叉算法(CSO)与模糊C均值算法(FCM)有机结合的新聚类算法(CSO-FCM),并用新算法进行客户分类。新方法有效弥补了单一算法的不足,拥有模糊理论处理不确定信息的能力以及纵横交叉算法全局收敛性强的特点。利用新算法对电力客户数据进行客观、科学的挖掘分析,实现了对电力大客户较全面和准确的精细化分类,为供电企业制定有针对性的营销策略提供了依据。     

基于广义神经网络与模糊聚类的变压器故障诊断

鉴于IEC三比值法在变压器故障诊断中,存在编码缺失和编码边界过于绝对等缺陷,提出了基于广义回归神经网络(GRNN)和模糊C-均值聚类算法(FCM)的变压器故障诊断方法,建立了GRNN-FCM联合变压器故障诊断模型。选取变压器油中5种特征气体体积分数及其三比值编码作为输入特征向量,利用GRNN模型对样本故障进行初步判断(正常、过热、放电、放电兼过热),再采用模糊C-均值聚类算法对样本故障作进一步判断,最终得到具体的故障类型。将该模型与其他几种故障诊断方法进行对比分析,仿真实验结果表明,GRNN-FCM联合变压器故障诊断模型输出值与实际值具有较好一致性且准确度更高,验证了该模型的可行性及实用性。     

基于差分进化算法的模糊核聚类算法及其 在故障诊断中的应用

针对模糊核聚类方法中,核函数参数的确定问题以及聚类结果的有效评价问题,提出采用差分进化算法进行核函数参数和聚类中心的同时寻优策略。并将Xie-Beni指标推广至核空间,设计了有效的适应度函数以实现聚类效果的提升。对所提出的方法进行数值试验,同时应用在电机轴承的故障诊断中,取得了不错的效果,验证了方法的可行性。     

基于SAAFSA优化加权模糊聚类算法的变压器故障诊断

针对加权模糊聚类算法(WFCM)应用于变压器DGA分析时存在收敛速度慢、对初始值敏感的问题,提出了一种改进人工鱼群优化加权模糊聚类算法(SAAFSA-WFCM)的变压器故障诊断方法.该方法利用模拟退火算法(SA)来改进人工鱼群算法(AFSA)以求取最佳初始聚类中心,在发挥AFSA优异的全局寻优能力的同时,利用SA的概率性突跳搜索机制对AFSA实施局部优化,提高了AFSA的搜索精度.WFCM算法以得到的最佳初始聚类中心为初值进行迭代运算,最终求得更接近实际位置的聚类中心,克服了WFCM易受初值影响的缺陷,加快了收敛速度.仿真与实例分析表明,该方法可有效应用于变压器的故障诊断,并有着较高的诊断正确率和诊断效率.     

改进免疫聚类算法的变压器故障诊断研究

电力变压器是电力系统中的最关键的设备之一,一旦其发生故障,必然会带来巨大的经济损失。本文分析了模糊C均值、免疫算法、混沌优化算法应用于变压器故障诊断的应用现状,提出了基于灰色关联度的免疫模糊聚类算法。在算法中,将故障样本间的灰色关联度和模糊聚类目标函数作为个体亲和度的函数的参数,混沌变异采用柯西变异算子,使得较大概率的搜索广大空间成为可能,从而产生较大变异,这样不易陷入局部最优点,从而保持种群的多样性。实验结果表明,采用所提方法使变压器故障诊断的准确率达到90%以上,该算法不仅有效的克服了传统的FCM聚类算法易陷入局部最小值的缺点,又能有效的抑制免疫进化过程中产生的"退化"现象。     

变压器油中溶解气体故障诊断的改进模糊算法

变压器故障原因十分复杂,故障现象与故障机理间的联系存在着模糊性和不确定性。现有的经典故障诊断算法应用广泛,但存在一些固有缺点。为此,引入遗传算法,对模糊迭代自组织数据分析算法(iterative selforganizing data analysis techniques algorithm,ISODATA)进行改进,提出优化诊断方法,提高了算法效率,降低了ISODATA对于初始聚类的依赖性。结合具体诊断案例,对改进前后诊断方案各方面指标进行比较分析,证明所提方案的准确性、高效性。采用遗传算法改进的模糊ISODATA更符合实际需要,可方便地应用于对油浸式变压器的故障诊断。     

基于矩阵特征值分析和SOA优化模糊聚类的变压器故障诊断

考虑变压器故障诊断的不确定性,构建了变压器模糊聚类模型,提出了用矩阵特征值分析方法得出样本集最佳分类数,实现了无监督的故障诊断。针对模糊C均值算法用于变压器故障诊断存在的问题,提出用人群搜索算法(SOA)得到较优的初始聚类中心。SOA算法是一种新型的启发式智能算法,克服了粒子群算法(PSO)和遗传算法(GA)等智能优化算法收敛性差、局部寻优的缺陷。仿真结果表明,该算法收敛速度更快,且具有更好的全局搜索能力,比传统的智能算法具有更高的有效性和鲁棒性,为变压器故障诊断聚类分析提供了参考。     

基于混合模糊聚类分析的汽轮发电机组振动故障诊断

针对模糊C-均值(FCM)算法在汽轮发电机组振动故障诊断中的不足,提出了一种加权混沌优化FCM(WCOFCM)算法。WCOFCM算法首先将混沌优化策略与传统FCM算法相结合,用混沌变量搜索对模糊聚类目标函数进行全局寻优,并结合梯度算子,使方法有效收敛到极值点。然后依样本相似度原理对样本特征进行加权,对不同的特征赋予权重,突出敏感特征对聚类结果的主导作用,提高了聚类性能。最后依据聚类有效性函数指标自动确定聚类数,实现自适应分类。用该方法对国际标准测试数据进行了聚类分析实验,并将该方法应用于某发电厂汽轮发电机组振动故障诊断,其结果表明该方法有效降低了误分类率,能对汽轮发电机组振动故障进行有效诊断。     

遗传算法的变压器故障模糊诊断

针对变压器故障诊断过程中存在的模糊性,采用模糊数学方法进行处理,并运用遗传算法对其中涉及的参数进行优化,最终实现更有效故障诊断。     

模糊支持向量机在变压器故障诊断中的应用

为了解决在变压器故障诊断时复杂难辨的问题,提出了利用模糊支持向量机构建变压器故障诊断模型的方法。该方法是在支持向量机(SVM)的基础上引入模糊度隶属函数,从而有效消除噪声和野点对诊断结果的影响。通过模糊C均值算法(FCM)求取模糊支持向量机的隶属度,对所得样本进行预处理,然后利用交叉验证和网格搜索相结合的方法对支持向量机进行参数寻优。实验表明,该方法比改良IEC比值法和传统支持向量机法具有更高的准确率,更适用于变压器故障诊断。     

加权模糊核聚类法在电力变压器故障诊断中的应用

变压器油中溶解气体分析(DGA)是电力变压器故障诊断的重要方法。针对模糊C均值聚类算法用于溶解气体成分分析时存在的问题,将加权模糊核聚类方法(WFKC)引入到电力变压器故障诊断中,建立了一个新的变压器故障诊断模型。该法首先考虑到样本中不同特征对聚类结果的不同影响,利用基于样本相似度的加权方法对样本特征进行加权,然后将样本从输入空间映射到高维特征空间,在特征空间实现加权模糊核聚类。形成的模型充分考虑了不同特征对聚类结果的不同影响,能有效改善复杂数据集的聚类性能,提高了故障诊断的正确率。案例分析表明,该法能快速有效地对样本进行聚类,从而验证了该法在变压器故障诊断中的有效性和可行性。     

基于加权模糊核聚类的发电机组振动故障诊断

对模糊C均值(fuzzy C-means,FCM)在机组振动故障诊断中存在不足,提出了一种加权模糊核聚类方法(weighted fuzzy kernel clustering,WFKC)。该方法用Mercer核将样本从输入空间映射到高维特征空间,在特征空间进行聚类,同时考虑到不同特征对聚类结果的不同影响,利用基于样本相似度的加权方法对特征进行加权,在特征空间实现加权模糊聚类。用3组标准测试数据集验证了该方法的聚类效果和分类准确性。最后将该方法应用于发电机组故障诊断,应用实例表明所提出的方法有效,诊断结果可靠。     

基于模糊TOPSIS和BP网络的电力变压器故障诊断方法

针对传统故障诊断技术中存在诊断模型结构复杂以及收集故障样本数据非常繁琐的问题,将TOPSIS方法在Vague集下进行扩展。介绍了Vague集的基本概念及其相似度量方法,以及使用Vague集表达的语义变量集,并据此对原始样本集进行优劣排序和聚类,从而缩减了样本集的容量,使得故障特征信息量和映射空间复杂度的问题在一定程度上得以平衡。在此基础上构建了适应于变压器故障诊断的BP网络诊断模型,实现对不同类型故障的诊断。算例分析表明,此方法与传统的变压器故障诊断的方法相比较具有明显的优越性。