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.     

基于减法聚类的FCM算法在电力负荷分类中的应用

针对目前在电力负荷分类中应用较多的模糊C均值聚类算法(FCM)的不足之处,提出了一种基于减法聚类改进的算法(SUB-FCM)。该算法运用减法聚类来初始化聚类中心矩阵,解决了FCM算法随机初始化的问题,且提高了算法的全局搜索能力,避免陷入局部最优解。由实验算例分析发现,该算法还能加快收敛速度,且收敛效果也较好,能有效应用于电力负荷分类。     

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...     

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。     

基于灰狼优化聚类算法的日负荷曲线聚类分析

针对模糊C-均值聚类算法(Fuzzy C-Means,FCM)应用于日负荷曲线聚类分析时存在易受初始聚类中心影响,易收敛于局部最优值以及日负荷曲线的内在特性难以通过距离得到充分反映的问题,利用日负荷特征值指标对日负荷曲线进行数据降维处理。提出了基于灰狼算法(Grey Wolf Optimizer,GWO)优化的模糊C-均值聚类算法(GWO-FCM)。该算法利用GWO为FCM优化初始聚类中心,结合了GWO的全局搜索能力和FCM的局部搜索能力。算例结果表明所提方法可有效提高日负荷曲线聚类效果,算法鲁棒性好。     

基于遗传聚类算法的油中溶解气体分析电力变压器故障诊断

电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C-均值相结合的遗传-模糊聚类算法,并将其应用于DGA电力变压器数据分析,实现了变压器的故障诊断。实验数据表明:该算法收敛速度快,能有效地对样本进行聚类,提高了识别故障率。     

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。     

动态加权模糊聚类在变压器故障诊断中的应用研究

为提高变压器故障诊断准确率,提出了一种基于遗传算法的动态加权模糊C均值聚类算法。该算法使用把聚类中心作为染色体的浮点数的编码方式,染色体长度可变,不同的长度对应于不同的故障聚类数;并使用权值区别不同样本点对故障划分的影响程度。将该算法应用于电力变压器油中溶解气体分析(DGA)数据分析,实现了变压器的故障诊断。经过大量实例分析,并将结果与其他算法进行对比,表明该算法具有较高的诊断精度。     

AI优化模糊核聚类算法的变压器DGA分析

针对模糊聚类及核聚类算法在电力变压器DGA分析中存在的初值敏感及易陷入局部极值点的问题,提出了一种人工免疫优化模糊核聚类的新算法。该算法将基于克隆选择原理和亲和力成熟的免疫克隆算法与模糊核聚类算法相结合,采用群体搜索策略,将待分类的数据对象视为抗原(Ag),把聚类中心看作抗体(Ab),通过免疫系统不断产生抗体,识别抗原来优化FKCM的目标函数,能快速地获得全局最优解。仿真结果证明了该算法在变压器故障诊断上的可行性和有效性。     

基于改进量子粒子群优化模糊聚类的变压器故障诊断方法

对电力变压器进行高效准确的故障诊断可有效保障电力系统安全、稳定运行。为提高变压器故障诊断正确率,提出了一种基于改进量子粒子群优化模糊聚类的变压器故障诊断方法。采用遗传算法杂交概率的思想改进量子粒子群算法提高算法收敛速度、防止陷入局部极值,克服模糊聚类算法易受初始值影响的不足,进而实现对变压器高效、准确的故障诊断。以变压器油中典型气体作为故障特征量,选取68组数据建立故障集,采用改进量子粒子群算法寻找最佳初始聚类中心,并将其应用于3种不同数据组进行验证,实验结果表明文中所提方法的有效性。     

基于混合人工鱼群算法的输电网扩展规划

应用于输电网扩展规划的人工鱼群算法(artificial fish school algorithm,AFSA)依靠随机移动无条件接受劣解以摆脱局部极值,具有盲目性大的特点,且该算法一般在优化初期收敛较快而后期收敛速度减慢。针对AFSA的上述缺点,文章结合模拟退火算法,提出一种混合人工鱼群算法(HAFSA)。HAFSA利用模拟退火算法的概率性突跳搜索机制,使局部极值跳跃能力具有可控性,降低了算法的盲目性,提高了算法效率;引入基于分段自适应调整视野策略的反馈机制,兼顾了全局搜索与局部挖掘能力;加入拟遗传算法的变异算子加快了优化后期的收敛速度。通过IEEE6节点和巴西南部46节点算例证明了HAFSA的正确性和有效性。     

适用于输电网网架规划的人工鱼群算法

以人工鱼群寻优思想为基础,提出了适用于输电网网架规划的人工鱼群算法。针对输电网规划的特点,定义了该算法的参数,给出了选取上述参数的原则和求取“距离”、“邻域”和“中心”的运算规则,制定了以觅食行为算子、聚群行为算子和追尾行为算子为基础的寻优策略。将N安全意义的启发式倒推策略运用到该算法中,加快了其收敛速度。2个算例的求解结果验证了该算法的正确性和有效性,表明该算法具有良好全局寻优能力和较快的收敛速度。     

IAFSA-RBF神经网络在短期负荷预测中的应用

为了提高人工鱼群算法AFSA(artificial fish swarm algorithm)的全局搜索能力及加快其收敛速度,提出一种将其与免疫算法IA(immune algorithm)进行结合的新方法,形成了免疫人工鱼群算法IAFSA(immune artificial fish swarm algorithm),...     

采用改进人工鱼群优化粗糙集算法的变压器故障诊断

传统的人工智能方法对变压器大量的不完备故障信息不能有效地分析,或在故障数据的离散化过程中由于区间分割不当而无法正确诊断故障甚至误诊。为此,提出了一种基于改进人工鱼群优化粗糙集的变压器故障诊断方法。该方法首先将变压器溶解气体分析(DGA)的值作为条件属性,将故障类型作为决策属性,建立故障决策表,利用鱼群的聚群寻优行为对决策表中的连续属性数据进行离散化;然后采用粗糙集理论对离散化后的决策表进行约简,建立故障诊断规则决策表,大大简化了决策表属性约简的难度,使诊断变得更加简便。最后通过实例验证表明:该方法能够有效地对样本进行离散和约简,与传统方法相比,提高了故障诊断的正确率。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

人工鱼群算法在配电网网架规划中的应用

为解决配电网规划的多约束复杂优化组合问题,在中压配电网网架规划中以基本的人工鱼群寻优框架为基础,根据配电网的辐射性约束特点,设计和应用了一种适合配网规划的新现代启发式算法—人工鱼群算法。该法以年费用最小为目标函数建立配网规划的数学模型,以可能建设的所有线路为优化变量,采用二进制编码和"根节点融合法"对人工鱼种群初始化,给出以保证"基本辐射性"的觅食、聚群和追尾行为算子为基础的寻优策略,保证了寻优过程中多数的解方案可进行配网潮流计算。对一个10节点的中压配电网规划算例计算的结果表明:该算法能快速获得规划问题的最优解,且具有很强的全局搜索能力,用于配电网规划是可行的、有效的。     

基于改进K-means聚类的变压器局部放电定位诊断方法

针对现有的变压器局部放电故障定位诊断研究未能充分有效考虑时间延迟误差对定位点结果的影响,提出了一种基于改进K-means聚类算法的变压器局部放电故障定位诊断方法。首先,通过消去非线性定位方程的二阶项,实现非线性定位方程的线性化处理;然后,通过使用多个声发射传感器定位PD故障点初始值,并在考虑时间延迟误差的情况下通过冗余时间量测计算多组PD故障定位点;最后,通过使用改进K-means聚类算法,利用聚类密度和凝聚度参数确定聚类中心和聚类个数,并进行聚类优化处理以确定最佳的PD定位点位置。仿真实验验证了所提方法的有效性。     

基于改进鱼群算法和支持向量机的变压器故障诊断

电力变压器在整个体系中处于十分重要的地位,部件的运行概况和整个电网的稳定性具有密切联系。对电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,由于变压器故障样本比较少,属于小样本数据,而支持向量机能够较好地解决小样本的多分类问题,因此提出利用改进鱼群算法对支持向量机寻优得到全局最优解,得到具有最佳参数的支持向量机模型。通过数据实例分析得出,改进鱼群算法故障诊断模型比粒子群算法故障诊断模型和改良三比值法分类准确率高。     

基于混沌人工鱼群算法的输电网规划方法

人工鱼群算法收敛速度快,但存在早熟收敛现象;混沌优化算法具有遍历性、随机性和对初值敏感的特点,虽然全局搜索能力强,但收敛速度慢。大规模输电网规划方法对求解速度的要求越来越高,为此结合人工鱼群算法和混沌优化算法,提出了适用于输电网规划的混沌人工鱼群算法,该算法继承了混沌优化算法特点,使人工鱼群在搜索过程中避免陷入局部极值,同时改进了人工鱼的视野和游动步长,加快了寻优效率。算例结果验证了该算法的可行性。