基于模糊c均值算法和改进归一化的变压器故障诊断方法

溶解气体分析法是诊断变压器故障的重要方法。本文建立了基于模糊c均值算法的变压器故障诊断模型。为了研究模糊c均值算法模型中样本的不同归一化法(即考虑到不同气体反应故障的灵敏程度不同)对聚类结果的影响程度,首先对溶解气体成分样本使用3种方法进行归一化,这3种方法是离差变换法、一般浓度归一化法和特征浓度归一化法。然后将归一化后的样本作为FCM算法的输入,以所求的隶属度矩阵确定样本所属故障类型。实例计算结果表明,采用特征浓度归一化可提高故障判断准确度。     

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。     

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VMD模糊熵与GG聚类的直流配电网故障检测方法

针对直流配电网存在的故障信号难以提取、不易对各类故障进行诊断等问题,提出一种基于变分模态分解(VMD)模糊熵与Gath-Geva(GG)聚类的故障检测方法。首先,提取出暂态电流,采用VMD算法将故障暂态电流分解成若干个固有模态分量(IMF)。然后,分别计算分解得到的若干个IMF的模糊熵,将其作为特征向量。最后,采用GG聚类算法对故障特征的特征向量进行聚类识别。GG聚类的主要算法为将聚类样本划分为c类,设出隶属度矩阵,通过设定迭代来计算聚类中心与最大似然估计距离,更新隶属度矩阵,当隶属度矩阵满足条件矩阵时终止迭代,从而实现对单极故障、极间故障以及区外交流侧接地故障的聚类识别。仿真结果表明,所提保护方案可靠性强、准确率高,在不同故障类型、故障位置和过渡电阻等工况下均能可靠检测直流线路故障并准确识别故障类型,且具备一定的抗干扰能力。     

基于改进主成分分析法的水轮发电机组振动故障诊断研究

针对水轮发电机组振动故障原因复杂、故障特征参数多的特点,提出了改进的主成分分析模型。利用模糊理论中隶属度函数归一化初始数据矩阵中各不同量纲的数据,并将其标准化。选取全部的主成分,统一了主成分个数的选取标准,也减少了对原始变量信息丢失。引入熵效用值理论确定各主成分的权重,可以显示出主成分含有原始变量信息的大小,采用主成分的加权灰关联度作为综合评判模型,解决了对主成分容量和规律性要求严格的问题。最后,以某水轮发电机组振动故障诊断为例,计算结果表明,该方法可以用于解决具有不同物理量振动故障特征参数的故障诊断。     

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。     

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FCM和改进PCA的变压器故障诊断

为了进一步提高基于油中溶解气分析的变压器故障诊断准确率,提出了一种基于模糊聚类和主成分分析的故障诊断方法。该方法首先利用模糊C均值聚类方法对搜集的DGA样本集进行聚类分析,将聚类中心矩阵作为标准故障谱。然后采用改进型主成分分析方法精简样本矩阵信息,通过计算样本主成分间欧拉距离确定故障类型。通过实例验证证明本文方法能有效识别故障类型,且较IEC比值法、改良三比值法等具有更高的准确率。该方法为变压器故障诊断提供了新思路,具有一定的实际应用价值。     

基于熵权和灰关联度的变压器故障诊断

油中气体分析是诊断变压器故障的重要方法,但是传统的三比值法存在缺陷。针对变压器故障诊断时信息不完全的问题,提出了结合熵权法和加权灰关联度模型用于变压器故障诊断。该方法利用熵权法确定指标客观权重,通过计算加权关联度判断变压器故障类型。熵权法和加权灰关联度模型相结合充分利用了油中气体数据的全部信息,且发挥了灰关联度适用于小样本、贫信息系统的优势,避免了局部关联和信息损失的缺陷。实例分析结果表明,该方法具有较好的识别变压器故障的效果。     

变压器故障诊断中溶解气体的PSO-WFCM算法研究

由于模糊聚类将故障样本等同进行模糊划分,且受初始值影响,故提出将PSO-WFCM算法用于变压器油中溶解气体的故障诊断。该算法选取油中气体作为故障特征量,利用粒子群算法得到最佳初始聚类中心,用以指导模糊聚类求取最终的聚类中心。实验结果表明,其弥补了模糊聚类的不足,还提高了变压器的诊断性能。     

基于灰关联熵的充油变压器故障诊断方法

油中溶解气体分析是目前发现变压器潜伏性故障的重要方法,鉴于用IEC推荐的三比值法中编码缺陷(编码超出码表)及变压器故障诊断的复杂性,文中详细阐述了如何将灰关联熵应用于变压器故障诊断。首先通过统计方法,选择典型油中气体作为参考列,并经反复调整,挖掘出油中气体所含故障信息,然后利用灰关联熵方法进行变压器故障类型诊断。该方法基于融合互补的思想,将灰关联分析方法与信息熵理论有机结合起来,克服了单一灰关联分析中易造成局部关联及信息损失等缺陷,尽可能多地包含变压器本体所含信息。实例分析结果表明,该方法具有较好的分类效果。     

电力变压器灰色关联故障诊断模型的组合权重法

油中溶解气体分析(dissolved gas-in-oil analysis,DGA)是识别变压器故障的重要手段。笔者基于油中溶解气体数据介绍灰色关联理论,给出了基于组合权重变压器故障诊断的灰色关联分析法。在判定变压器故障类型时,各溶解气体其权重不同,利用层次分析法求出各特征气体在诊断变压器故障类型时的主观权重,但各专家通过层次分析法确定指标权重会存在许多主观因素,文中应用灰色关联分析法对其进行调整,消除各专家造成的各指标权重分配不统一,用熵值法确定指标的客观权重,结合熵值法和层次分析法对指标权重值进行综合确定得到组合权重,再将组合权重应用到灰色关联诊断模型中。最后结合实例对诊断方法进行分析讨论,诊断结果表明了该方法的有效性。     

基于改进熵权法和灰色关联分析的变压器故障诊断

针对目前电力变压器故障诊断存在数据信息不完备和故障诊断准确率低的问题,提出了改进熵权法和灰色关联分析相结合的变压器故障诊断方法。该方法首先对变压器故障样本数据进行标准化处理,然后采用改进熵权法确定变压器故障诊断指标的权重,再通过计算改进的灰色欧几里德加权关联度确定变压器的故障类型。实例分析结果表明该方法的正确性和可行性,与传统熵权法相比,指标的权重分配更为合理,并克服了传统灰色关联分析中指标平权的不足问题,故障诊断准确率显著高于IEC三比值法和一般灰色关联分析。     

基于灰色投影改进随机森林算法的电力系统短期负荷预测

针对短期负荷预测领域传统的机器学习算法(如人工神经网络、支持向量机等)存在的诸如泛化性能不强、参数和模型结构确定困难等问题,将随机森林回归算法引入短期负荷预测领域。同时应用投影原理改进了传统的灰色关联相似日选取算法,提出了一种基于灰色投影改进随机森林算法的电力系统短期负荷预测组合方法。基于灰色投影的相似日选取方法,采用灰色关联度判断矩阵表征历史样本与待预测日影响因素间的关联关系,并用熵权法确立影响因素的权重对判断矩阵加权,最后利用各个样本关联度投影值排序得到相似日集合。采用随机森林算法建立预测模型,利用灰色投影筛选出的相似日样本集合训练模型,最后输入预测日特征向量(天气预报数值、日类型等)完成预测。以浙江电网某县级市的负荷数据作为实际算例,并将上述方法与支持向量机方法以及未作灰色投影改进的随机森林算法进行对比。实验结果表明,新方法具有较高的预测精度和鲁棒性。     

一种基于改进灰色关联分析的电压暂降源识别方法

为准确识别电网中各类暂降源,提出了一种基于改进灰色关联分析的电压暂降源识别方法。分析了其产生机理,并利用暂降分段法,分析电网中各类暂降源的波形特点;针对传统灰色关联分析模型的不足,利用熵权法进行改进;提取电压暂降波形的时域特征,形成六类暂降源对应的标准参考序列和待识别暂降源对应的比较序列,利用改进的灰色关联分析模型计算参考序列和比较序列的关联度,实现暂降源的准确识别。通过PSCAD/EMTDC仿真和实测数据对所提方法进行验证,并与其他方法对比,证明了所提方法能在样本较少的情况下准确识别各类暂降源,且能确定短路引起暂降的故障类型,具有较大的工程应用前景。     

基于灰关联熵的模拟电路测试点优选算法

选择最佳测试点是电路故障诊断的重要课题。将模拟电路看作灰色系统,对模拟电路进行灰关联熵分析,利用灰熵关联度量化测试点与故障元件之间的关联程度,从而得到故障诊断的最佳测试点。通过两个典型电路的实例表明,将灰关联熵分析用于测试点优选,具有算法简单、所需样本少、结果明确等优点,保证了测试点选择的客观性。     

基于D-S证据理论的变压器故障诊断

针对电力变压器故障征兆与原因之间错综复杂的关系,以及单一变压器故障诊断算法精度有限的问题,本文提出一种在D-S证据理论的基础上,结合灰关联熵法和加权K邻近算法的变压器故障诊断新方法。该算法以油中溶解气体分析方法(Dissolved Gases Analysis,简称DGA)为基础,通过灰关联熵法和加权K邻近算法构建证据理论的基本可信度赋值函数,然后利用证据组合规则产生更为可靠的证据信息;最后根据基本可信数最大值确定变压器故障类型。变压器故障诊断实例结果表明该算法能够准确判断出变压器的故障类型,证明了该算法的可行性和有效性。     

基于VMD-GWO-ELMAN的光伏功率短期预测方法

以进一步提高光伏输出功率短期预测的准确性和可靠性为目标,针对传统Elman神经网络权值和阈值盲目随机的缺点以及光伏输出功率信号波动性和非平稳性的特点,提出一种基于变分模态分解（VMD）和灰狼优化算法（GWO）优化Elman神经网络的光伏输出功率短期预测模型。首先,使用K-means算法对原始数据按天气类型进行聚类;然后,使用VMD对每一类型天气光伏输出功率数据进行分解,分别将各分解子序列输入经GWO优化的Elman神经网络进行光伏输出功率预测;最后,将各预测结果进行叠加。实例证明：该模型的预测精度有所提升。     

基于IF-AD-ELM的特高压直流输电系统故障辨识

针对现有的特高压直流(ultra high voltage direct current, UHVDC)输电系统故障检测方法灵敏度低、难以识别高阻接地故障的问题,提出了一种基于整数因子(integer factor, IF)-近似导数(approximate derivative, AD)和极限学习机(extreme learning machine, ELM)的特高压直流输电系统故障辨识方法。其中整数因子用于分析不同采样频率下的信号,近似导数法用于获得信号不同程度的细节系数。首先,基于不同的整数因子对信号进行下采样,并利用近似导数法对所得信号求一阶、二阶和三阶近似导数。其次,分别计算各个子信号的熵特征。然后,用基于交叉验证的递归特征消除(recursive feature elimination with cross validation, RFECV)算法对得到的一系列特征进行特征筛选,并结合ELM对特高压直流输电系统进行故障辨识。最后,在Matlab/Simulink环境中搭建了±800 kV的UHVDC系统模型,模拟不同故障类型。实验结果表明,所提方法在识别特高压直流输电系统不同类型故障时有更高的准确率,且耐受过渡电阻能力强。