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。     

一种基于思维进化算法的变压器故障诊断方法

本文提出了一种基于思维进化算法的变压器故障诊断方法。该方法以变压器油中特征气体的含量作为输入参数,根据趋同和异化的原理进行搜素,从而得到输入和输出变量之间的对应关系。实例分析计算表明,采用该方法对变压器进行故障诊断是有效的。     

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。     

一种基于人工神经网络的变压器故障诊断方法

介绍了一种基于人工神经网络(ANN)的油浸式电力变压器故障诊断方法,对所采用人工神经网络的模块结构做了简单阐述,并应用具体实例验证了ANN诊断结果的准确性,表明了ANN对变压器早期潜伏性故障做出预诊断的可行性和正确性.     

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器（SSDAE）的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络（BPNN）和支持向量机（SVM）法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。     

基于蚁群算法的变压器故障诊断方法研究

针对目前电力变压器故障诊断方法中的不足,提出了蚁群算法优化的神经网络故障诊断方法。充分利用蚁群算法的全局优化和启发式寻优能力,对神经网络连接权值进行优化,再利用神经网络的非线性处理及自学习能力对变压器故障样本进行训练,并仿真测试。实验结果表明,与传统故障诊断方法相比,该算法有效避免了陷入局部极小和诊断正确率不高等问题,大大减少了训练时间,提高了故障诊断效率,更能准确地反映变压器的实际故障。     

基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法

电力变压器故障诊断对电力系统的安全运行有着十分重要的意义。文中基于智能互补融合的思想,将粗糙集理论与贝叶斯网络有机结合在一起,提出了一种电力变压器故障诊断的新方法。利用粗糙集信息表约简技术来实现对专家知识的简化与故障特征的压缩,获得最小诊断规则,基于最小诊断规则的贝叶斯网络模型可以有效降低网络结构的复杂性与故障特征获取的难度;同时利用贝叶斯网络实现概率推理,便于描述故障特征的变化及对变压器故障原因的快速分析。最后,进行了变压器故障实例分析,诊断结果证明该方法的正确性和有效性。     

一种配电变压器零序阻抗计算方法

本文中作者结合配电变压器实际运行情况,提出了一种配电变压器零序阻抗计算方法,在利用配电变压器运行数据的基础上,建立了含零序阻抗待求量的非线性方程组。     

一种基于模糊综合评判的变压器故障诊断方法

以模糊数学理论为基础,在对改良特征气体诊断法进行模糊化处理后,提出以模糊关系矩阵确定特征气体浓度与故障状态的相关性,研究并建立了模糊综合评判模型.依此模型可进行变压器故障诊断.     

基于时序特征和参数估计的变压器故障诊断方法

油中溶解气体分析(DGA)是对变压器进行故障诊断最方便、最有效的方法之一,其中静态分析方法取得了较多的研究成果。实际中故障信息的出现具有时序特征,趋势信息可以反映故障的状态及发展,将基于时序特征的动态分析方法与传统的静态分析方法相结合,可以对故障发展及危害进行更为全面准确的描述。提出了基于时序特征和参数估计诊断变压器故障的方法,采用最小二乘参数估计算法识别特征气体的变化趋势,采用滑动窗口方法实现在线分析,利用递推最小二乘估计算法减小运算复杂度。以实际变压器油中气体测量数据进行实验,结合静态三比值和灰色关联度分析方法,对变压器进行故障诊断,实验结果证明了方法的有效性。     

配电变压器的故障分析与人工智能诊断方法

配电变压器是电力系统中最重要设备之一,其工作状态对电力系统与电力用户都具有十分重要的影响,如何快速的对变压器故障进行诊断、判断故障原因是提高电力系统工作效率、减少经济损失的一个重要途径,因此研究变压器故障诊断对保证电力系统安全、可靠、经济运行,提高电力系统经济效益具有重要意义.基于此,首先分析了配电变压器常见的几种故障,最后介绍一种经典的人工智能故障诊断方法.     

基于特征挖掘的电网故障诊断方法

专家系统在应用方面的主要瓶颈是:规则库的维护;推理的速度和准确度的协调。分析了故障信息序列中必有或特有的信息,提出了基于特征挖掘的关联规则挖掘方法。结合电网故障信息的特征,改进了频繁模式(frequent pattern,FP)–算法:考虑了故障信息的特征,如时序和因果关联关系、故障性质、严重故障、稀有故障等因素;增加了规则的或逻辑;改进了FP-树的修剪技术。算例表明该算法能够大量减少无效挖掘,推理速度和准确度显著提高,适用于在线诊断。     

基于图像特征挖掘和深度森林的配网电缆终端故障诊断方法

为及时、准确诊断出配网电缆终端早期、潜伏性故障,提出了一种基于图像特征挖掘和深度森林的配网电缆终端诊断方法,采用深度自编码器对局部放电图像进行深度特征挖掘,结合深度森林网络对典型终端故障进行诊断.通过现场实测数据验证,该方法对三种典型故障的诊断率均保持在90％以上,且识别时间在10 s内,能够快速、准确、高效地对配网电缆终端故障进行诊断,识别率和识别时间均优于传统故障方法.     

一种配电网故障类型及相别的判别方法

提出了一种配电网单相接地故障判别方法。通过采集三相电压及中性点电压,计算特征向量的相角,将其经过判别逻辑来判别故障类型及相别。经模拟试验证明,该方法判据简单、采集量少、判别速度快、准确度高、安全可靠。     

纵横交叉算法与模糊聚类相结合的变压器故障诊断

针对FCM(模糊C-均值聚类)在变压器故障诊断中的不足,提出采用纵横交叉算法优化FCM(CSOFCM)聚类来进行故障诊断。溶解气体分析与FCM相结合,能有效提高变压器故障诊断的准确率,但FCM存在聚类结果不稳定和容易陷入局部最优等问题。而纵横交叉算法是一种基于种群的随机搜索算法,在算法中首次提出了维局部最优概念和纵横交叉双搜索思想。实验证明,相比其它主流群智能优化算法,CSO算法在解决维数灾问题和收敛精度问题方面取得了较大突破,能有效克服局部最优的问题。新诊断模型有效弥补了单一诊断法的不足,拥有全局收敛性强和处理模糊信息的能力。实例分析表明,该方法与传统FCM相比,能获得更优的聚类中心,有效提高了变压器故障诊断的准确性和快捷性。     

配电变压器故障分析与诊断

配电变压器是配电网中最重要的设备之一,其运行状态对配电网与电力用户都有重要影响。当配电变压器出现故障时,进行快速诊断、判断故障原因是提高电网工作效率、减少经济损失的一个重要途径,因此研究变压器故障诊断对保证电网安全、可靠、经济运行,提高经济效益具有重要意义。基于此,重点分析配电变压器的常见故障及其诊断方法。     

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。     

模糊遗传算法的神经网络方法在变压器故障诊断中的研究

基于油中溶解气体数据,避开了传统的比值方法,采用模糊遗传算法的神经网络(FGA-BP)方法来诊断变压器故障。该方法是在遗传寻优过程中,用模糊控制的方式对杂叉率与变异率进行动态调节,并结合神经网络来对故障实现模式识别。为了优化模式特征量,文章用灰关联分析方法对样本集进行了筛选,得到了一组模式特征向量,以此DGA数据作为FGA-BP的输入值,经过FGA-BP运算后,优化出一组用于模式识别的权重与阈值,在此基础上,结合实例对该诊断方法进行了分析与探讨。