基于D-S证据理论的油浸式电力变压器故障诊断

当前对变压器进行故障诊断,主要是利用从分散的传感器收集到的检测信息,但使用单独的传感器采集数据进行判别,由于缺乏对数据的融合分析,易造成诊断中的误判或漏判。提出了一种基于D-S证据理论的油浸式电力变压器故障诊断方法,该方法通过融合数据来处理故障诊断中的不确定度。建立了故障诊断的融合模型,给出了方法的具体实现步骤并应用实例进行计算。结果表明,本方法可以减少诊断中的不确定性,提高故障诊断的准确性。     

基于信息融合的大型油浸电力变压器故障诊断

由于大型电力变压器具有互补性，冗余性和较强的不确定性等特点，该文将信息融合的基本思想引入到变压器的故障诊断中，在信息融合的基本框架下，利用反向传播人工神经网络和证据推理技术，建立了一种新型的油浸式电力变压器故障综合诊断的多级决策融合模型，该模型将油中溶解气体分析与常规电气试验的结论紧密结合起来，并充分借鉴现场的运行，诊断和维修经验，具有较强的知识表示及不确定性处理能力。     

基于D-S证据理论的变压器诊断系统研究

以Dempster—Shafer证据理论为基础,给出了基于神经网络的基本概率分配构造方法和诊断决策规则,提出了一种神经网络初步诊断和证据理论融合决策诊断相结合的集成神经网络故障诊断方法,建立了相应的功能模型。并以变压器故障诊断为例,详细说明了该方法的具体步骤。结果表明,使用D—S证据理论合成法则进行信度合成,诊断结论的可信度明显提高,不确定性明显减小,充分显示了该方法的有效性。     

基于证据理论的综合故障诊断方法研究

基于信息融合的观点解决大型设备故障的综合诊断问题。从证据合成的基本理论出发,分析了故障综合诊断中证据的支持和冲突,以风机液压制动系统的故障诊断为例,表明证据理论可以提高故障判决的准确度。     

多传感器信息融合技术在变压器故障诊断中的应用

本文中作者通过采集变压器运行时的状态参数,运用并行的两个BP神经网络对变压器进行局部诊断,再用D-S证据理论对局部诊断的结果进行全局融合,实现了对变压器故障的准确诊断。     

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。     

基于信息融合的变压器故障诊断系统设计

结合现场具体情况,提出了电力变压器状态监测的综合分析方法,并就状态的选取与处理、规则的描述、诊断推理过程作了深入探讨.围绕变压器局部放电特征量、油中溶解气体分析等数据,采用了超声波定位、神经网络、专家系统推理等方法,将各种诊断方法融为一体,设计了基于信息融合的变压器故障诊断系统.该系统的应用将极大地提高变压器的运行可靠性及利用率,延长变压器的使用寿命.     

基于典型样本和证据理论的变压器故障诊断

变压器油中溶解气体分析中存在着大量的不确定因素,本文针对该问题提出了一种基于典型样本和证据理论的变压器故障诊断方法。该方法根据变压器历史故障数据建立典型样本,再参照典型样本构造各条证据的基本可信度分配函数,使基本可信度分配的赋值客观化。为了有效融合高度冲突的证据,将基于证据间相似系数的证据合成法则应用于基本可信度分配函数的合成,该合成法则考虑了各个证据之间的关联程度。以实际变压器油中气体监测数据进行实例分析,实验结果证明了方法的有效性,该方法可用于变压器故障诊断。     

基于信息融合和M-RVM的变压器故障诊断方法

针对仅以油中溶解气体数据为主要依据的变压器故障诊断方法信息量不足以及传统证据理论的缺陷问题,研究了基于信息融合和多分类相关向量机(M-RVM)的变压器故障诊断模型。首先,将油中溶解气体分析数据与电气试验数据作为诊断模型的输入特征量向量,更真实地反映变压器的故障信息。然后,采用4个M-RVM作为分类器,对故障进行初步诊断,并将诊断结果分别转化为证据融合所需证据体,同时引入兰式距离函数与光谱角余弦函数对证据体进行修正。最后,采用改进冲突再分配策略进行决策融合,避免融合过程中出现证据互相矛盾的现象。对比分析结果表明,基于多源信息融合的变压器诊断模型相较单一特征参数诊断以及单一诊断算法具有更高的诊断准确率。     

变压器信息融合故障诊断技术

基于变压器故障诊断特点与要求，运用信息融合理论和技术，提出具有数据采掘功能的基于信息融合技术的变压器故障诊断系统的模型．系统阐述模型中各关键技术实现方法，并通过实例对信息融合技术在变压器故障诊断中的应用进行分析。     

改进PSO-SVM算法的变压器分接开关故障诊断

研究了电力变压器有载分接开关的故障诊断问题。对变压器分接开关的故障特性及原因分析后,考虑到传统支持向量机在诊断过程中效率低下、精确度差等缺点,提出了一种改进粒子群(PSO)优化支持向量机(SVM)的故障诊断方法。首先,对粒子群算法的惯性权值和学习因子做了相应改进,克服了PSO算法后期迭代精度不高的缺点;然后,利用改进后的PSO算法优化支持向量机的主要参数;最后,仿真结果表明,改进的PSO SVM算法的诊断精度和速度均高于传统诊断方法,更适合在变压器分接开关诊断中应用。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于缺失数据修复的变压器在线故障诊断方法

数据质量是影响变压器故障诊断正确率的重要因素。为了解决变压器油色谱在线监测数据缺失问题,提出了一种基于缺失数据修复的变压器在线故障诊断方法,利用改进k-最邻近和多分类SVM的循环迭代实现基于缺失数据的变压器故障诊断。在k-最邻近方法中,提出以相关系数的负指数为权值的曼哈顿距离来度量样本间距离。一方面用以突出强相关指标对缺失信息的影响,提高数据修复的准确性。另一方面改进的曼哈顿距离适用于基于k-d树的高效搜索策略,可以实现针对海量历史数据的快速搜索,满足在线诊断对算法实时性的需求。实例诊断的结果表明,该方法可以有效降低数据缺失对变压器故障诊断正确率的影响,有利于实现变压器故障的准确、高效在线诊断。     

基于SVM的电力变压器内部故障部位的概率估计

目前变压器智能故障诊断大多是以油中溶解气体为特征对故障性质的诊断,缺乏对内部故障部位的分析及量化的诊断结果。针对上述问题,提出一种基于SVM的电力变压器内部故障部位的概率估计模型。该模型结合SVM与概率建模的优点,充分利用油中溶解气体和电气试验数据的互补信息,运用SVM后验概率理论,对变压器内部可能发生故障的部位进行概率估计,克服了标准SVM硬判决输出的缺陷,以概率的形式给出诊断结论。通过实例分析表明,该模型不仅故障识别率较高,还具有良好的概率分布形态,具有较好的实用性和推广性。     

变压器油中溶解气体的多智能体故障诊断方法

为解决目前基于油中溶解气体分析(DGA)方法的变压器故障诊断系统中存在的模型单一化、自适应能力差及容易出现误诊和漏诊的问题,在对现有智能故障诊断系统和变压器DGA方法的研究基础上,提出了基于多智能体(Agent)系统的变压DGA智能故障诊断系统协作模型,给出了模型内的主要Agent、黑板、JavaAgent开发环境(JADE)总线的功能,并详细论述了基于多Agent系统的变压器DGA智能故障诊断协作过程,设计了多专家Agent投票诊断算法及基于黑板的资源竞争算法。最后通过应用实例,表明了基于多Agent系统的变压器油中溶解气体智能故障诊断方法的可行性和有效性。     

基于新型编码隶属函数的变压器故障模糊诊断法

运用概率论与数理统计知识研究了变压器油中特征气体体积分数真实值及其比值的概率分布.依据模糊理论提出编码模糊集的概念,提出了一种依据特征气体体积分数真实比值的概率分布并结合三比值编码区间的求解编码隶属函数新方法.对编码组合模糊集、故障模糊集及解模糊运算的计算方法进行了深入研究.结合2组历史色谱数据和相应的电气试验结果对模糊诊断法进行了验证.结果表明,该方法提高了诊断鲁棒性和准确度.     

A novel extension method for transformer fault diagnosis

Dissolved gas analysis (DGA) is one of the most useful techniques to detect incipient faults in power transformers. However, the identification of the faulted location by the traditional method is not always an easy task due to the variability of gas data and operational variables. In this paper, a novel extension method is presented for fault diagnosis of power transformers, which is based on the matter-element model and extended relation functions. Thus, incipient faults in power transformers can be directly identified by the degree of relation. The application of this new method to some transformers has yielded promising results.     

电力变压器故障诊断的可拓集法

基于可拓理论,在传统油中溶解气体分析DGA(Dissolved Gas Analysis)三比值法基础上,提出一种可拓集变压器故障诊断方法。首先,建立三比值法的物元模型,然后给出点对区间的可拓相关函数,利用该函数计算进行变压器故障诊断。仿真计算证明该方法能克服传统三比值法的编码不全,不能诊断多重故障的缺陷,提高了诊断精度。     

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。     

基于信息融合和CS-SVM的变压器绕组变形故障诊断方法研究

变压器绕组在遭受短路故障后易产生变形,传统的频率响应分析或短路阻抗分析在绕组变形检测过程中具有一定的片面性。提出一种基于信息融合和CS-SVM(布谷鸟优化的支持向量机)的变压器绕组变形故障诊断方法,通过将绕组变形相关的检测数据融合成SVM的输入样本,并放入根据人工经验训练好的CS-SVM来进行诊断。Matlab仿真结果表明,此方法具有良好的抗干扰性,能够较好地诊断出变压器绕组状态。最后再结合某变压器具体实例进行相应验证。