基于DGA的反馈云熵模型电力变压器故障诊断方法研究

为了解决变压器故障诊断中存在的随机性和模糊性问题,提出了基于反馈云熵模型的电力变压器故障诊断新方法。通过对大量电力变压器故障征兆及故障类型的统计分析,并将其视作云滴输入贝叶斯反馈逆向云发生器中,得到故障特征气体的云模型参数值,构建变压器故障诊断标准正态云模型。将云关联系数和信息熵理论有机结合起来,降低了对单个标准正态云模型的依赖性,充分挖掘变压器油中溶解气体所包含的故障信息,提高了变压器故障诊断的准确率。通过不断丰富输入样本、修正云模型参数值的方法,可以进一步提高模型诊断效果。实例分析结果表明该模型的故障诊断准确率较高,并具有较好的理论价值和应用前景。     

基于云推理及加权隐式半Markov模型的变压器故障预测

为分析电力变压器运行过程中的状态变化并准确预测潜伏故障,在现有研究基础上建立了基于云推理及加权半Markov退化模型(HSMM)的变压器故障预测方法.利用云理论对故障变压器油中气体样本数据训练以发掘对应定性云概念,并构建油中气体状态空间.基于变压器运行状态变化规律分析引入老化因子,通过多步长加权方法在Markov链中引入历史运行状态信息,构建了加权HSMM退化模型对变压器运行状态进行预测.若预测DGA表征的变压器运行状态处于异常时,利用构建的云推理组合规则发生器对变压器故障类型进行诊断.多实例分析验证表明:基于加权HSMM退化模型能准确预测变压器运行状态;相较于其它常用预测方法,其在非等间隔观测数据或出现波动情况下鲁棒性及准确性更佳;结合基于云推理机制的故障诊断方法能实现变压器状态的准确预测和故障诊断.     

可拓关联函数与属性约简相结合的变压器故障诊断方法

鉴于常用的三比值法诊断变压器故障时会出现"无编码"情况,提出了利用可拓学与粗糙集理论对变压器故障进行诊断的方法。以粗糙集属性约简方法对各种故障类型所需要的属性条件进行初步约简分类,然后建立变压器故障诊断的物元模型,以DGA测试数据作为变压器故障诊断属性集,以变压器标准故障模式作为变压器故障诊断决策集,利用可拓关联函数计算各种故障程度,定义故障取舍规则以确定变压器故障。以某台故障变压器为实例进行分析,其诊断结果与实际情况相符;收集76条变压器DGA信息,利用该方法进行故障诊断,诊断正确率较IEC法乐观。     

基于灰云模型的电力变压器故障诊断

为了提高油中溶解气体分析方法的诊断能力,提出了基于灰云模型的电力变压器故障诊断新方法。通过熵理论引入软化因子,将电力变压器故障诊断标准矩阵中的分类界限值转化为区间数概念。利用峰值、左右界限值、熵、超熵表征灰云模型,以此反映电力变压器故障诊断分类界限值的模糊性和随机性。建立电力变压器故障诊断各评估指标重要性信息的未确知有理数,得到各指标的权重值,有效地减少了诊断结果的主观性。利用结合灰云模型实现白化权函数的灰色聚类算法对变压器故障类型进行分析和判断。实际算例分析结果表明,所提方法诊断精度较高,验证了该模型的实用性和有效性,并具有分析速度快,实时性较好的优点。     

基于RIMER专家系统和DGA的变压器故障诊断

针对电力变压器故障诊断中的复杂非线性关系,提出一种基于RIMER(基于证据推理算法的置信规则库推理方法)专家系统和油中溶解气体分析(DGA)技术的变压器故障诊断方法。该方法考虑了变压器故障特征量和征兆的概率不确定性和模糊不确定性,在IEC三比值法和变压器油中溶解气体故障数据样本训练的基础上获得置信规则库的主要参数,结合证据推理算法建立一个新型的变压器DGA故障诊断模型。通过RIMER和DGA变压器故障诊断模型进行故障诊断,克服了IEC三比值法故障编码缺失的问题,故障诊断准确率获得提高,其分布式置信度的输出方式对描述混合故障类型更加有效。仿真实验表明该方法推理计算简单有效,具有较强实用价值。     

基于物元分析原理的变压器故障诊断

针对油中溶解气体新导则在变压器故障诊断中存在的问题,分析了变压器故障诊断的物元分析决策方法.电力变压器故障诊断具有复杂性,各种因素的识别和故障类型的划分之间具有不相容性,应用物元分析理论,构建物元矩阵,根据计算出的关联度大小对故障类型进行可拓识别.实际算例分析,验证了本模型的有效性和可行性.     

基于云理论的变压器多重故障诊断及短期预测方法

为了对电力变压器在出现异常征兆时基于色谱数据进行短期预测,且在可能存在多重故障类型时能有效诊断,在变压器油色谱分析时引入云理论并进行相应改进。利用云变换算法将故障变压器油色谱数据转换成符合人认知的多个定性云概念,并提出发掘油中气体云概念与故障类型间关系的云推理机制。基于分析油中气体单个检修周期内的变化规律,利用云理论对短期内油中气体变化的期望值进行预测,然后利用改进的云推理预测组合规则发生器推理得到一系列有稳定倾向的故障预测结果,并求解相应的可信度,最终给出可信度大于设定阈值的若干预测结果供选取。多实例分析验证表明,云推理故障诊断能对变压器各故障类型及多重故障准确诊断;云预测模型能在非等间隔时间的数据序列下,对适当波动的油中溶解气体分析(DGA)数据准确预测其短期变化趋势及期望值。     

基于可拓理论的变压器故障诊断

针对油中溶解气体新导则在变压器故障诊断中存在的问题,分析了变压器故障诊断的可托理论分析方法。电力变压器故障诊断具有复杂性,各种因素的识别和故障类型的划分之间具有不相容性,应用物元分析理论,构建物元矩阵,根据计算出的关联度大小对故障类型进行可拓识别。实际算例分析,验证了本模型的有效性和可行性。     

变压器故障诊断用油中溶解气体新特征参量

油中溶解气体分析(dissolved gas analysis,DGA)是现场电力变压器故障诊断最常用的方法。然而,油中溶解气体含量较容易受到变压器结构、容量、故障位置以及故障程度等因素的影响,从而降低了变压器故障诊断的可靠性。为了提升变压器故障诊断正确率,该文提出了基于支持向量机(support vector machie,SVM)和遗传算法(geneti calgorithm,GA)优选的DGA新特征参量。首先,以28个DGA比值为输入,建立了基于SVM的变压器故障诊断模型;其次,采用GA同时对SVM参数和DGA比值进行优化,得到9个优选DGA比值作为变压器故障诊断用新特征参量。对IEC TC 10故障数据库的诊断结果表明:DGA新特征参量的故障诊断正确率为84%,较常用的DGA含量和IEC比值的诊断正确率提高10%~25%;并且无论采用哪种特征参量,支持向量机的诊断结果均优于神经网络诊断模型。最后,采用DGA新特征参量对国内117组变压器的故障诊断正确率达到了87.18%,再次验证了该方法的有效性。     

基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合诊断中的应用

根据模糊理论和神经网络理论,提出了变压器故障诊断的新方法。根据DGA(dissolvedgasanalysis)法、电气试验法及外部故障特征法,建立了基于模糊输入的BP ART2混和神经网络对电力变压器故障进行综合诊断。仿真结果表明本方法能有效提高变压器故障诊断正确率。     

基于可拓云理论的电能质量综合评估模型

针对电能质量综合评估中存在不确定性因素的特点,全面考虑电能质量分类等级边界信息的随机性和模糊性,利用云模型的不确定推理特性和可拓学中的物元理论兼具定性、定量分析的优点,提出了基于可拓云理论的电能质量综合评估数学模型。集成层次分析法、熵权法和均方差法确定电能质量各项指标的综合权重值。建立电能质量综合评估标准云物元模型,计算待评物元与标准云物元模型之间的云关联度,引入信息熵理论确定电能质量等级。在此基础上定义了可信度因子,使得所提出的方法在给出电能质量综合评估结果的同时能够提供评估结果的可信度信息。实际算例分析验证了所提出方法的优越性和有效性。     

基于DSP的变压器振动信号的小波能量谱熵提取

变压器器身的振动信号含有丰富的故障信息,利用振动法进行变压器运行状况的在线监测已经成为变压器故障诊断的研究重点之一。结合小波变换与信息熵的理论,采用变压器振动信号的小波能量谱熵作为故障诊断的特征信号,同时利用DSP芯片TMS320F2812作为核心芯片,设计并完成对变压器振动信号的采集和小波能量谱熵的提取。结果表明,变压器正常运行与故障运行时的小波包能量谱熵存在差异。因此,该方法能够有效提取变压器振动信号的特征值,为后续故障诊断提供有力的依据。     

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。     

基于云理论及熵权法的变压器潜在故障风险评估方法

为了充分利用海量样本中所蕴含的信息对变压器的潜在故障风险进行有效识别,采用云理论方法对不同故障类型下变压器油色谱数据与故障类型进行映射,建立了不同故障类型下不同气体的云分布模型,依此构造故障云判断知识库。同时,引入熵权法对油中气体指标的权重系数进行确定,结合云分布隶属度系数,提出变压器潜在故障风险的计算方法。通过对不同训练样本数目下准确判断率的比较,证明了该方法具备对数据的学习能力。与改进的三比值法及已有云理论方法进行了对比,结果证明了该方法的有效性及优越性。     

模糊贝叶斯网的变压器故障诊断

目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一。变压器故障诊断中的信息具有随机性和不确定性的特点,文中提出一种基于模糊贝叶斯网络的变压器故障诊断方法。该方法利用贝叶斯表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型。实例证明,该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据。     

基于逆向云的电能质量扰动综合评估方法

充分考虑扰动分类等级边界值具有的随机性和模糊性,结合云模型的不确定推理特性与物元分析理论的优点,提出了一种基于逆向云发生器的电能质量扰动综合评估模型。通过逆向云发生器建立电能质量扰动综合评估的标准模型,在此基础上通过实时的数据分析,对现有模型进行实时修正,使得扰动综合评估模型具有更强的实时性。针对电能质量扰动综合评估的特点,将层次分析法、灰色聚类评估法相结合得到扰动综合评估中各项指标的权重值使得扰动综合评估结果可信度更高。对金属厂的中频炉和牵引变电站的试验分析验证了该模型的优越性和有效性。     

变压器大卫三角形法故障诊断结果的基本信任分配函数研究

变压器油中溶解气体分析技术目前已成为变压器故障诊断中最普遍、最重要的技术之一。然而该方法在判断具体某种故障类型的过程中存在一定的不确定性,针对这个问题,提出了基于大卫三角形法的基本信任分配函数研究方法。该方法在大卫三角形的理论基础上,采用有限元法中三节点三角形插值方法来构造变压器故障诊断结果的基本信任分配函数,对判断故障类型的准确性有很好的提高。最后通过实例计算验证了方法的可行性及有效性。