变压器油中气体在线智能诊断系统

本文介绍基于人工智能理论中的模糊数学和神经网络理论建立起来的变压器油中气体在线智能诊断系统，该系统不仅能够利用模糊数学理论来解决变压器故障诊断时出现的复杂性、经验性和模糊性等问题，还能利用BP神经网络的良好模式分类能力和自学习功能来不断的提高整个系统的故障诊断精度，从而有效的克服了以往采用单一方法进行诊断时所固有的诊断出错或诊断结果不全面的问题等缺点。并被应用到现场中，具有一定的工程使用价值。     

变压器故障的智能诊断系统

对变压器故障诊断的常用方法进行分析,并研究探讨了变压器故障诊断新方法--专家系统、模糊ISODATA法及IMFICG法等智能诊断系统。认为智能诊断系统(例如:IMFICG法),才是进行变压器故障诊断较理想的方法。     

基于神经网络的变压器故障智能检测与分析

利用神经网络BP算法提出变压器常见故障诊断方法,实现了对变压器故障的智能检测与分析。在不同的训练样本、传递函数和训练函数的情况下使用Matlab对建立的神经网络诊断模型进行仿真。通过仿真找到了合适的传递函数、训练函数和隐含层节点数,构建合理的网络。并通过仿真实验验明了该方法比传统方法有更好的效果。     

BP神经网络改进IEC-60599在电力变压器故障诊断中的应用

由于电力变压器是电力系统中重要的故障原因、故障现象和故障机理间存在着随机性和模糊性等不确定因素,故障特征量和故障征兆间没有明确的一一对应关系,这就给故障诊断增加了困难。BP神经网络诊断变压器故障已经越来越受到重视,可常规的BP算法对大样本数据进行训练时,大多存在收敛速度慢、甚至有时不收敛的缺点,因此提出了改进BP算法从而加快了训练速度和增加了诊断的可靠性。对文献[2]中提出的改进的新导则IEC-60599三比值诊断方法在进行中、低温过热故障时进行修正。     

基于BP神经网络的变压器故障诊断分析

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究了一种基于BP神经网络算法的变压器故障诊断方法。通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明了本算法的有效性。     

人工神经网络在变压器温升智能预测中的应用

介绍了BP神经网络模型和算法,建立了变压器绕组温度预测的人工神经元网络BP模型,并验证了其可行性和优越性.     

基于BP神经网络的变压器故障预测研究

利用油中溶解气体数据诊断变压器故障(DGA法)是目前使用最为广泛的方法之一,本文引入了BP神经网络,选取7种特征气体含量作为输入量,6种故障类型作为输出量,提出了一种对变压器故障进行估算和预测的方法。利用MATLAB建立对变压器DGA数据的BP神经网络模型,并通过对实际样本数据的学习训练,分析诊断结果,提出了未来研究的方向和展望。     

BP神经网络改进算法在电气故障诊断系统中的应用

文章将人工神经网络技术、基于动量因子技术的改进BP网络训练算法应用于飞机电气设备故障诊断。以飞机交流异步电动机为例，建立了故障诊断模型。仿真结果表明该算法的应用是可行的，具有较强的推广前景。     

BP神经网络在变压器故障诊断中的应用

基于BP神经网络理论设计了以气体浓度为输入、故障类型为输出的变压器故障诊断系统,并进行了计算机仿真。     

基于模糊智能技术的变压器故障诊断系统

将采用模糊智能技术对变压器油中溶解气体分析所得数据作为原始数据，再进行分析推理和故障诊断，可解决传统三比值法准确度低造成的变压器故障误差和漏判问题。     

信息融合技术在电力变压器故障诊断中的应用

根据变压器运行原理和结构特点,将信息融合思想引入到变压器的故障诊断中,建立基于信息融合技术的故障诊断模式,即通过曲面拟合算法和证据推理技术从不同侧面,充分利用各种特征信息对变压器的故障进行诊断,来有效地提高确诊率。     

人工智能在变压器故障诊断中的应用

人工智能（AI）在变压器故障诊断领域的开发和应用,以专家系统和人工神经网络的研究最引入注目。已开发的软件TFDES由变压器故障诊断知识库、数据库、推理机、解释机制和人机接口组成,知识库建成模块化结构。人工神经网络TFDANN为模块化结构,采用反向传播的BP网络,引入了模糊逻辑理论。系统对运行中变压器的内部潜伏性故障,可作出早期诊断,对现场运行人员可提供“咨询”意见。     

基于模糊神经网络故障诊断系统

文中根据模糊数学和神经网络的基本原理,建立了一个基于模糊神经网络的微光电视故障诊断模型。它克服了传统域值判断在临界点附近容易误判的弊端。大大提高故障检测准确率和拓宽了故障检测范围,经过大量的实地实验,证明该方法是完全可行的。     

一种新颖的电力变压器故障诊断方法研究

本文在传统方法的基础上,提出了一种新的基于联合时频分析的故障诊断方法。该方法首先根据滤波后的冲击信号得到差异电流信号,然后对差异信号进行联合时频分析,得到时频分布图。不同的时频分布图反映不同的故障特征,不同的故障反映在时频分布图上也是不同的。通过建立故障时频分布图数据库,就可以实现电力变压器故障的自动定位、识别。由于该方法完全由计算机完成,较传统方法准确性比较高,应用前景更为广阔。     

电力变压器BP神经网络故障诊断法的比较研究

将BPNN应用于电力变压器故障诊断,并对变压器绝缘油常用的5种溶解气体分析标准进行了神经网络效率的比较研究。这些标准是改进的Rogers,IEC,Doernenburg,Duva和CSUS。研究显示,所运用的诊断标准或方法不同,神经网络诊断电力变压器故障的效率也不相同,其值在88.3%～96.7%范围内;根据这些标准所设计的四比值法(FGR)和6种特征气体法(SKG)具有更高的诊断效率。验证结果显示,BP神经网络诊断法适合于变压器潜伏性故障的诊断。     

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。     

新型电网故障诊断专家系统的设计

针对单独运用专家系统和优化算法在电力系统故障诊断中存在的一些缺陷,设计了将专家系统推理过程融合到基于进化算法的优化算法中,形成一种新的推理优化算法,该算法根据可能的故障假设,结合约束条件,通过专家系统判断信息的合理性,从而得到最合理的故障情况。在实际应用中,该算法诊断结果可靠,具有一定的工程应用价值。     

电力变压器故障预测与健康管理:挑战与展望

电力变压器故障机理复杂且维修成本高昂,对电力系统的安全稳定运行具有明显的消极影响。在数据完备的情况下,获得变压器运行状态的健康指标,对其进行适当的状态维护或预防性维护,对电力系统安全稳定运行具有显著的积极作用。而当前的研究成果大多关注变压器健康管理的某一层面或某一阶段,致使研究成果较为孤立、集成性较差。首先,梳理了目前电力变压器研究存在的主要问题,并给出了基于故障预测与健康管理(PHM)的解决思路;然后,初步界定了电力变压器PHM的管理周期,并系统分析了国内外针对电力变压器健康监测、故障诊断与预测的研究成果;最后,讨论并展望了未来开展大型电力变压器PHM的若干问题。     

基于油色谱超立方映射的电力变压器缺陷援例诊断模型

文中提出了一种援例缺陷诊断模型,针对油色谱特征气体数据的分布特点提出了归一化超立方映射方法,将油色谱数据映射到可直接应用的超立方空间域中;同时,针对性地提出援例相似度算法和基于计权选举的诊断结果判定方法。并通过仿真实验确定了模型中参数的选取和优化。该模型在案例库交叉验证中表现出较高的正确率,平均正确率达到88.53%,高于现有BP神经网络和支持向量机技术,能正确诊断运行中充油设备的缺陷,在工程上具有重要的实际应用价值。     

基于加权K近邻算法的变压器故障诊断

该文将K近邻分类方法引入基于溶解气体法（DGA）的变压器故障诊断中。并针对经典K近邻方法（K-NN）存在的缺陷,提出根据待分类样本和近邻样本的距离来加权的改进方法。最后通过仿真验证了该方法的有效性。仿真表明,当K的取值在一定范围内时,经典的K-NN算法和加权的K-NN方法都具有比较高的准确性,且加权的K近邻方法比经典的K近邻法体现出了更好的性能。