基于辨识模型的变压器故障诊断方法研究

提出了一种基于辨识模型的电力变压器绕组变形和铁心松动的故障检测方法。根据变压器的运行特点,结合其正常状态和故障状态下不同的振动特性,利用安装在变压器表面的振动传感器监测振动信号,对振动信号进行频谱分析,并根据振动特征频谱判定变压器中是否存在绕组变形和铁心松动故障,实例验证了该方法的正确性。     

基于DGA的QPSO-BP模型变压器故障诊断方法研究

为了提高变压器故障诊断的准确率,提出一种基于量子粒子群优化BP神经网络(quantum particle swarm optimized BP neural network,QPSO-BP)的故障诊断模型。在该算法中,用量子位的概率幅表示种群中各粒子的当前位置,用量子旋转门实现粒子位置的移动,用量子非门进行变异操作,以获取BP神经网络的权、阈值优化参数,最终实现了变压器故障诊断模型的构建。对故障DGA样本的诊断实例表明,与粒子群优化BP网络(particle swarm optimized BP neural network,PSO-BP)法、BPNN法以及IEC三比值法相比,QPSO-BP算法具有更高的诊断正确率,从而实现了变压器故障模式的有效识别。     

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     

基于自适应深度学习模型的变压器故障诊断方法

为提高变压器故障诊断的准确率,提出一种基于自适应深度学习模型的变压器故障诊断方法。该方法采用油中溶解气体作为故障诊断特征量,基于深度学习理论构建诊断模型。为解决传统基于固定学习率的深度学习模型训练过程中收敛速度慢、收敛精度低的缺点,提出一种自适应深度学习模型构建方法,该方法可根据迭代进程变化特性对学习率进行自适应调整,有效提高了深度学习模型的训练精度及速度。基于实例确定了变压器故障诊断自适应深度学习模型隐层层数、学习率调整系数等参数。实验结果表明,该方法特征提取及分析能力强,具有更好的收敛速度及收敛精度,可有效提高变压器故障诊断的正确率。     

基于SVM和Kriging模型的变压器故障诊断方法

为了保证变压器供电的可靠性,结合油中溶解气体分析法(DGA),提出了基于支持向量机(SVM)和Kriging模型的双级分类算法,实现变压器的潜伏性故障的预测。首先,以SVM作为初级分类器,将待测DGA数据分类为正常、放电故障或过热故障三种状态;其次,以Kriging模型作为次级分类器,对待测数据进行二次分类,完成精确诊断。为提高算法精度,应用改进的粒子群优化算法分别对SVM的核函数参数、惩罚系数以及Kriging模型的相关参数进行优化。所提方法集成了粒子群优化算法的快速寻优能力,SVM的分类能力与Kriging模型高精度拟合等优点,因此有效地提高了诊断精度。最后通过变压器故障诊断实例验证了文中方法的有效性。     

基于KPCA-ITSO-ELM-Adaboost的变压器故障诊断方法

针对传统变压器故障诊断方法诊断精度低,单一智能诊断方法在实际模型中不能准确分类的问题,建立了一种改进金枪鱼算法(ITSO)优化加权极限学习机(ELM)的变压器故障诊断模型。首先,使用核主成分分析算法(KPCA)对变压器故障数据进行降维处理,去除数据中的无用信息,提高模型的识别效率,然后,利用ITSO算法对ELM进行优化,建立ITSO-ELM变压器故障诊断模型,最后,使用Adaboost算法对ITSO-ELM模型进行增强。仿真实例表明,所提方法相比于与ELM-Adaboost、TSO-ELM、ITSO-ELM模型分别提高了11.6%、7.2%、4%,验证了所提模型的有效性。     

基于DBN-IFCM的变压器故障诊断方法

针对变压器故障边界划分的模糊性和传统模糊方法对变压故障诊断准确率低等问题,提出了一种基于深度信念网络(deep belief network, DBN)和改进的模糊C均值聚类(improved fuzzy C-means clustering, IFCM)的变压器故障诊断方法。该方法首先对故障数据进行归一化处理,然后利用深度信念网络对故障数据进行特征提取,最后利用改进的模糊C均值聚类对提取的特征进行聚类,以达到故障分类的目的。仿真实验表明:相较已有的变压器故障诊断方法,所提方法具有较高的诊断准确率,其准确率为93.3%,能够较为精准地识别变压器的各种故障。     

基于DCAE-KSSELM的变压器故障诊断方法

为了充分利用变压器发生故障时产生的大量无标签样本,提高故障诊断精度,提出基于深度收缩自编码器(DCAE)与核半监督极限学习机(KSSELM)相结合的故障诊断方法。首先使用无标签样本对DCAE网络逐层训练,初始化网络参数,然后用有标签样本数据对网络参数进行微调,最后将有标签样本与无标签样本一起作为深度收缩自编码器与核半监督极限学习机(DCAE-KSSELM)混合网络的输入并完成故障诊断。实验结果表明,所提模型稳定性好,故障诊断精度高,鲁棒性强。     

基于VNWOA-LSSVM变压器故障诊断方法研究

为进一步提高变压器故障诊断的准确性,提出了一种基于冯洛伊曼拓扑结构优化鲸鱼算法(VNWOA)与最小二乘支持向量机(LSSVM)相结合的变压器故障诊断方法。利用冯洛伊曼拓扑结构的原理来改进鲸鱼算法,通过为每个鲸鱼个体构造VN拓扑结构,提高鲸鱼算法的收敛速度和寻优精度;利用VNWOA得到LSSVM的核函数参数和惩罚系数的最优解并构建VNWOA-LSSVM诊断模型;引入收集到的260例油浸式变压器DGA数据进行实例分析。结果表明,与其他诊断模型相比,VNWOA-LSSVM诊断模型有着更高的准确率,诊断效果更好。     

基于LVQ神经网络的变压器故障诊断方法

结合模糊理论,提出一种基于学习向量量化器(LVQ)的变压器故障诊断方法。它首先在无监督学习模式下,采用数据压缩技术,完成输入空间上的向量重构。接着结合监督学习机制,从输入数据选择特征赋予每个类。该方法是一种将自组织映射(SOM)和监督学习模式结合起来的自适应模式分类技术,具有结构简单,适应性强和分类精度高的特点。变压器故障诊断实例显示了该方法的有效性。     

基于属性约简的变压器故障诊断方法

介绍了粗糙集相关理论,提出了一种新的属性约简与属性值约简算法,并给出了故障实例。     

基于粗糙集理论的变压器故障诊断方法

将一种基于粗糙集理论的信息熵约简方法应用于变压器故障诊断问题中。首先应用粗糙集理论将电力变压器故障历史数据进行分析统计,建立决策表,然后采用信息熵约简算法对其进行条件属性约简,求取一组最小约简知识系统,并采用粗糙集约简方法对新系统进行简化,得到一组故障诊断的最小决策规则集。方法大大减小了编码的工作量,避免了约简属性组合查询及缺少关键属性时规则匹配所带来的不便,所以运算速度也会相对加快。最后结合实例分析,证明该方法的简便及有效性。     

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SDAE-VPMCD的变压器故障诊断方法研究

为解决传统变压器故障诊断存在监测大数据、小样本分类效果差等问题,提出基于变量预测模型(VPMCD)和堆栈降噪自编码(SDAE)的故障诊断方法。首先,采集变压器油色谱数据,并进行归一化处理;其次,对堆栈降噪自编码网络进行逐层训练学习,获取数据的高层特征表示并确定网络结构参数;然后,训练变量预测模型中四种数学模型,获取故障类型的最佳模型及相关参数;最后,采用少量有标签数据对整个模型进行微调,确定最优网络参数完成故障诊断。实验结果表明,该混合模型识别精度较高,可扩展性和鲁棒性较强。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

基于多模型的变压器故障组合诊断研究

变压器故障诊断是保证整个电力系统正常运行的重要部分,为此提出了一个基于支持向量机并与多种贝叶斯分类算法相结合的组合诊断模型。诊断过程中,首先通过相关统计分析,选择典型油中气体的12个相关属性值作为模型的输入参数,并对其进行数据预处理,生成一次样本。其次,按照变压器常见的13种故障类型,利用多个单一诊断方法如朴素贝叶斯模型、半朴素贝叶斯模型、增强的朴素贝叶斯模型和贝叶斯网络增强模型构成诊断模型群,对一次样本数据进行诊断。最后,把贝叶斯诊断模型群的诊断结果作为支持向量机的输入进行二次诊断,构成变权重的组合诊断。对基于支持向量机的组合诊断过程和参数计算进行了详细地探讨。通过与多种预测方法进行比较,基于支持向量机的变压器故障组合诊断模型的正确率明显优于单一诊断模型和其它的组合诊断模型。此外,通过2个实例证明了提出的组合诊断模型的有效性。因此,该模型可以用于实际工程。     

变压器故障诊断方法探讨

分析了变压器故障类型及原因,并指出基于油中溶解气体的三比值法诊断变压器故障的缺陷。提出了采用专家系统模糊处理技术可解决此问题,并举例证明了该方法的有效性。     

基于物元模型的电力变压器故障的可拓诊断方法

为了提高传统的油中溶解气体分析的诊断能力,提出了一种定性与定量相结合的电力变压器故障的可拓诊断方法。首先基于可拓学中的物元理论,建立了定性地描述电力变压器故障诊断问题的物元模型;其次引入可拓集合中的关联函数,根据故障特征定量地计算故障发生的程度;最后以195台次电力变压器为例验证了该方法的有效性。结果表明该方法能够克服IEC三比值法中无法诊断多重故障和无匹配的故障编码的不足,且具有更高的诊断准确率。     

基于粗糙集理论的变压器故障的诊断方法

由于电力变压器故障的不完备性和复杂性,提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法,它能够根据不完整兆信息对电力变压器故障进行诊断。基于粗糙集的知识获取方法,通过构造属性决策表,进一步构造区分矩阵和区分函数,通过相应的析取和合取运算,获取改进的三比值属性决策表。实验结果表明,这种新的诊断方法扩展了原始IEC三比值的编码范围,提高了故障诊断能力,优化了诊断时间,提高了诊断精度,有实际工程应用价值。粗糙集理论的决策表约简方法能够处理变压器的复合故障,解决了IEC三比值法在此种情况下的不足。同时该法有一定的容错能力,能处理含有遗漏或错误的变压器故障征兆,提高故障诊断准确率。     

基于Kohonen网络的电力变压器故障诊断方法

利用基于竞争学习理论的Ｋｏｈｏｎｅｎ自组织网络模型，设计了一种新的变压器故障诊断该当这。介绍了Ｋｏｈｏｎｅｎ网络的结构特点及其学习算法，阐述了利用Ｋｏｈｏｎｅｎ网络进行变压器故障诊断的具体方法，列举了诊断实例。