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.     

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。     

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。     

灰色聚类与模糊聚类集成诊断变压器内部故障的方法研究

根据反映变压器绝缘状态的模糊和灰色特征，采用模糊聚类方法，对若干典型故障样本聚类成C个灰类，得到C个最优聚类中心。依据聚类中心矩阵并借助灰色系统理论，提出了一种确定故障诊断各灰类白化权函数的原则和算法，根据该算法，首先求出各待检模式状态的灰色聚类系数，进而建立了一种灰色聚类与模糊聚类相结合的变压器故障诊断的新模型，进行了大量的该模型应用实例分析，结果表明该文方法的诊断准确度高于现有的常用方法。     

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...     

变压器油中溶解气体分析中的模糊模式多层聚类故障诊断方法的研究

基于当前对电力变压器故障识别中的模型空间划分缺乏研究的情况,将模糊聚类技术引入了电力变压器油中溶解气体分析DGA。在对所收集的183组电力变压器绝缘故障样本进行了多层树形聚类的基础上,通过多次分析绝缘故障,得到了一种准确程度较高的故障诊断方法。     

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GA与PSO混合优化FCM聚类的变压器故障诊断

针对FCM聚类、GA-FCM聚类以及PSO-FCM聚类在进行变压器故障诊断时的不足,采用了GA与PSO混合优化FCM(GAPSO-FCM)聚类来进行故障诊断.GAPSO-FCM聚类进行的是全局搜索,克服了FCM聚类容易陷入局部极小值的问题.GAPSO-FCM聚类是以全局最优个体将GA聚类与PSO聚类有机地联系在一起,G...     

基于GA与PSO混合优化FCM聚类的变压器故障诊断

针对FCM聚类、GA-FCM聚类以及PSO-FCM聚类在进行变压器故障诊断时的不足,采用了GA与PSO混合优化FCM(GAPSO-FCM)聚类来进行故障诊断.GAPSO-FCM聚类进行的是全局搜索,克服了FCM聚类容易陷入局部极小值的问题.GAPSO-FCM聚类是以全局最优个体将GA聚类与PSO聚类有机地联系在一起,GA与PSO共用一个最优个体,迭代过程中既包括了GA运算也包括了PSO运算.它依据GA的随机性扩大了搜索范围,之后在所找到的个体附近依据PSO进行更细致的搜索,克服了仅基于单一GA或PSO优化的FCM聚类的早熟问题.通过仿真与实例分析,表明采用GAPSO-FCM聚类进行故障诊断的正确率比采用其他三种聚类的正确率高.     

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.     

基于加权模糊聚类算法的变压器故障诊断方法

三比值法在变压器故障诊断中得到了广泛的应用,但是此方法存在编码不连续的问题,同时注意到不同样本在模糊C均值(fuzzy C-means,FCM)算法中所起到的作用差异,根据样本间相异度的思想,为每个样本赋予相应的权值,体现它们对聚类结果的不同影响,将加权FCM聚类算法应用到三比值法中进行变压器故障诊断,另外在聚类的开始,考虑到变压器故障诊断的实际情况,对算法的初始化隶属度也进行了更适当的设置。实验结果表明,经过以上修改得到的基于加权模糊聚类算法的变压器故障诊断方法有效可行,和FCM算法相比,不但能明显提高故障诊断的收敛速度,而且能得到更加接近实际位置的故障聚类中心,具有一定的优越性。     

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。     

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。     

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.     

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。