基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号（如电流、转速、转矩等）中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

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。     

基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断

阐述了已有变压器故障诊断方法的不足,并将信息融合的基本思想引入变压器故障诊断中。针对电力变压器故障综合诊断的特点和要求,运用改进粒子群优化-反向传播（PSO-BP）算法训练神经网络并结合D-S证据理论,提出了一种基于信息融合技术的变压器故障综合诊断决策模型。该模型以油中溶解气体色谱分析为基础,结合变压器常规电气试验结论与现场运行、维修经验,得出了较为可靠的诊断结果,实例验证也证明了该方法的有效性。     

D-S证据理论在断路器故障诊断中的应用

在一个使用了电流与振动双传感器的断路器实时监测系统上,运用D-S证据理论、Dempster合成法则,对断路器故障进行了判断,以考察D-S证据理论用于状态监测中信息融合的可靠度。     

基于神经网络和D-S证据的电厂凝汽器故障诊断研究

火电厂凝汽器是汽轮发电机组的重要辅机之一,其工作状况对整个电厂安全和经济运行都有着决定性的影响。结合信息融合思想,提出一种基于神经网络和D-S证据理论的电厂凝汽器故障综合诊断方法,首先通过BP神经网络和CPN神经网络得到各自的诊断结果作为决策层D-S证据理论的初始证据,再利用证据理论对这些结果进行融合,得到最终的故障诊断结果。通过实例数据诊断结果表明:与单一神经网络诊断结果相比,该方法减少了误差,提高了诊断可信度。     

基于改进D-S证据理论的变压器多维信息融合及状态评估

对变压器的运行状态进行正确的评估可以极大提高供电可靠性.为提高变压器状态评估的准确性,针对传统变压器状态评估方法选取单一参数的不足,提出利用改进证据理论实现多维信息融合的变压器状态参数评估方法.该方法选取常用变压器型式试验参数指标作为在线监测指标,再对指标进行归一化处理.利用改进的D-S证据理论对状态指标进行融合,搭建变压器状态参数评估模型.改进的D-S证据理论对合成规则进行了修改,有效避免了冲突证据,该方法能够充分融合多种信息.通过实验表明,该方法使变压器状态评估的准确性得到很大提升.     

基于D-S证据理论的电力客户满意度评价

供电公司在实践以客户满意为指导的市场营销理念的过程中,客户满意度评价至关重要。根据评价指标的建立原则,从供电质量、电能价格、供电服务和用电指导4个方面构建电力客户满意度评价指标体系,应用D-S证据理论建立客户满意度评价模型,同时在问卷调查取得的数据基础上,运用D-S证据理论进行满意度评价,分析结果体现了该方法的有效性。     

D-S证据理论在凝汽器故障诊断中的应用

运用D-S证据理论将用不同模糊方法得出的诊断结果进行融合。试验证明，融合以后的结果比模糊方法得出的诊断结果误判率更低。运用D-S证据理论，可以减小因隶属度函数的不同而带来故障误判的可能性，从而更准确地判断故障原因。     

多种类证据体的变压器故障综合诊断方法

针对变压器故障综合诊断的问题,提出一种基于证据理论的故障综合诊断方法。为实现合成规则中冲突信息在合成后基本概率分配函数中的合理赋值,基于不同证据体对同一假设的紊乱度分配冲突信息,改进了传统的合成规则。将这一合成规则应用到基于粗糙集、模糊聚类、神经网络、贝叶斯理论等技术所形成证据体的合成之中。试验表明所提判断方法的适应性,在多种判断结果出现明显分歧的情况下,合理地处理了证据体之间的冲突信息,从而有效综合了各种不同方法的判断结果。     

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。     

基于小波神经网络和D-S证据理论的电力变压器故障诊断研究

>Transformer faults are quite complicated phenomena and can occur due to a variety of reasons.There have been several methods for transformer fault synthetic diagnosis,but each of them has its own limitations in real fault diagnosis applications.In order to overcome those shortcomings in the existing methods,a new transformer fault diagnosis method based on a wavelet neural network optimized by adaptive genetic algorithm(AGA)and an improved D-S evidence theory fusion technique is proposed in this paper.The proposed method combines the oil chromatogram data and the off-line electrical test data of transformers to carry out fault diagnosis.Based on the fusion mechanism of D-S evidence theory,the comprehensive reliability of evidence is constructed by considering the evidence importance,the outputs of the neural network and the expert experience.The new method increases the objectivity of the basic probability assignment(BPA)and reduces the basic probability assigned for uncertain and unimportant information.The case study results of using the proposed method show that it has a good performance of fault diagnosis for transformers.     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

基于信息融合技术的变压器多层次故障诊断

鉴于电力变压器自身结构复杂,运行环境多变的特性,传统的单一信息来源确定变压器故障类型存在较大的局限性。因此将信息融合技术引入变压器故障诊断中,将变压器故障诊断分为两个融合层次,第一层利用DGA数据确定过热故障和放电故障,第二层利用电气数据确定具体故障位置或原因,两个融合层次所用智能算法均为改进后的BP神经网络算法。最后通过实例分析,证明该方法的有效性。     

多种智能理论联合作用的电力变压器故障诊断

提出了一种基于粗糙集理论、神经网络理论和证据理论的变压器故障综合诊断的新方法,并通过实例证明了该方法的诊断性能。     

基于改进DS证据理论的变压器故障诊断方法

传统证据理论在变压器故障诊断中存在主观局限性,且对证据体可靠性的选取缺乏科学性。为了融合变压器色谱分析数据与电气试验数据,并能全面的反映变压器的状态,文中提出一种基于改进证据理论的变压器故障诊断模型。首先,通过熵权法求出子证据体的相对权重,再结合BP和量子神经网络的优化诊断结果,修正熵权作为证据体的可靠因子;其次,构造子证据体的基本概率分配函数,采用Dempster合成规则实现故障信息融合;最后,将所提诊断方法应用于实际工程案例,诊断结果表明：该诊断方法有效、可行,且提高了诊断准确率。