基于ADASYN平衡化数据集的POA-SVM变压器故障诊断

基于机器学习的变压器故障诊断在特定样本数据下实现了高精度的故障诊断及分类,然而对于非均衡数据集容易导致一致性降低。提出了ADASYN-POA-SVM变压器故障诊断模型,该模型能够在保留少类样本数据特征的情况下对原始少类数据进行样本合成,使训练集中各类样本数达到均衡;鹈鹕优化（pelican optimization algorithm,POA）支持向量机（support vector machine,SVM）在实现SVM参数自动寻优的同时,还能提高整体的诊断准确度。将所提模型与反向传播（back propagation,BP）神经网络、随机森林（random forests,RF）以及SVM算法进行对比仿真实验,结果表明：经过ADASYN过采样方法处理后可以实现样本的均衡化;所提模型在迭代次数为10次时趋于收敛,相比于其他模型而言一致性最高,为99.32%,验证了所提模型在处理变压器不均衡数据时具有较高的优越性。     

基于SMOTE平衡数据集的BP神经网络变压器故障诊断

变压器是电力系统中的重要设备,快速准确识别变压器的不同类型故障对提高电力系统的稳定性具有重要意义.然而,故障样本不足会严重影响变压器故障诊断的准确性.为此从数据和算法两方面入手提出一种适用于不平衡数据集的变压器故障诊断方法.首先,提出了一种基于托梅克链接移除算法和合成少数类过采样技术相结合的样本均衡化方法,该方法能够在...     

基于ADASYN数据平衡化的PSO_BP变压器套管故障诊断

变压器套管作为设备重要的绝缘部件,其绝缘性能直接影响着设备的安全运行。为诊断变压器套管绝缘状态,改善小样本不平衡数据对诊断结果的影响,使用粒子群算法优化反向传播神经网络（Particle Swarm Optimization_Back Propagation Neural Network,PSO_BP）和自适应综合过采样（Adaptive Synthetic Sampling,ADASYN）方法对变压器套管进行故障诊断。首先收集了变压器套管的历史故障数据,建立了具有明确故障类别的变压器套管油中溶解气体样本集,并通过ADASYN算法对原始数据中的少数类样本进行合成,得到平衡后的故障数据;将平衡后的油中溶解气体作为模型输入,故障状态作为标签输出,通过PSO_BP模型对变压器套管进行诊断;并在原始样本集下使用BP、遗传算法优化反向传播神经网络（Genetic Algorithm_Back Propagation Neural Network,GA_BP）、布谷鸟搜索算法优化反向传播神经网络（Cuckoo Search_Back Propagation Neural Network,CS_BP）以及PSO_BP模型对套管进行诊断。结果表明,针对变压器油纸套管绝缘状态进行故障诊断的多个模型中,基于ADASYN平衡数据后的PSO_BP模型（Adaptive Synthetic Sampling_Particle Swarm Optimization_Back Propagation Neural Network,ADASYN_PSO_BP）与其它模型相比准确度最高,能有效改善小样本不平衡数据对诊断结果的影响,为判断变压器油纸套管绝缘性能提供了有效方法。     

基于人工神经网络的变压器故障诊断

介绍了电力变压器故障诊断的人工神经网络法 (ANN) ,提出了人工神经网络的模块化结构 ,并用具体实例说明了ANN对变压器内部潜伏性故障作出早期诊断的可行性和有效性。     

基于知识库的变压器故障诊断专家系统

提出了基于知识库的变压器故障诊断专家系统，文中给出系统总体结构模型和面向对象模型，根据系统要求建立了数据库、案例库，规则库，依据知识层次结构建立了模型库，这4库一体化形成专家系统，分别介绍了基于案例，基于规则和基于模型的诊断推理方法，比较了各种诊断推理，其优点在于能充分发挥各种推理方法的优势，克服各自存在的不足，能量大限度地找到问题的解，文中讨论了贴近度的定义，表示和计算以及规则表示等问题，最后给出了系统的功能和实现方法。     

基于历史数据的变压器故障诊断

在目前各种电力变压器故障诊断技术中，引入和加大对电力变压器的原始资料和连续运行参数的推理和分析，将大大提高电力变压器故障部位和故障性质判断的准确性和有效性。     

基于混合免疫算法的变压器故障诊断

为了提高变压器故障诊断正确率,提出一种免疫支持向量机混合智能诊断方法,首先将变压器故障分为放电性和过热性,然后用免疫聚类算法对所荻取的数据进行预选取,加快模型参数的确定速度,利用支持向量机识别类内变压器故障,利用基于交叉验证的网格搜索法来确定支持向量基的参数.经过大量实例分析,并将其结果与神经网络方法进行对比,表明该算法具有较高的诊断精度.     

变压器故障诊断专家系统

在讨论变压器故障原因、种类以及检测与判断流程后，总结国内外变压器生产和运行部门专家经验，设计了变压器故障诊断专家系统ＴＦＤＥＳ，ＴＦＤＥＳ运用模糊逻辑较好地处理了故障诊断中的模糊性问题；使用不确定理论、主观Ｂａｙｅｓ等不精确推理方法进行推理。在使用ＩＥＣ三比值法、罗杰斯比值法的基础上，综合考虑特征气体含量、产气速率等多种因素之后得出诊断结论。对故障实例的测试结果表明，该专家系统能够有效地诊断运行中变压器的内部潜伏性故障。     

110kV主变压器高压侧直流电阻不平衡故障诊断与处理

介绍了预试时发现110kV青杠变电站#1主变高压侧绕组直流电阻不平衡率严重超标情况,通过分析正确地判断出了故障具体部位,并在大修时进行了彻底处理,从而保证了变压器的安全运行.     

神经网络应用于电力变压器故障诊断

将电力变压器油气分析法作为检测数据来源，利用神经网络这一强有力的故障诊断工具，有效地诊断电力变压内部故障。仿真结果表明，用神经网络诊断变压器故障具有更加优秀的性能。文中，作者采用的ＢＰ网络模型及算法，并对网络训练过程中一些技巧问题进行了讨论。     

基于粗糙集理论的变压器故障的诊断方法

由于电力变压器故障的不完备性和复杂性,提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法,它能够根据不完整兆信息对电力变压器故障进行诊断。基于粗糙集的知识获取方法,通过构造属性决策表,进一步构造区分矩阵和区分函数,通过相应的析取和合取运算,获取改进的三比值属性决策表。实验结果表明,这种新的诊断方法扩展了原始IEC三比值的编码范围,提高了故障诊断能力,优化了诊断时间,提高了诊断精度,有实际工程应用价值。粗糙集理论的决策表约简方法能够处理变压器的复合故障,解决了IEC三比值法在此种情况下的不足。同时该法有一定的容错能力,能处理含有遗漏或错误的变压器故障征兆,提高故障诊断准确率。     

基于粗糙集的变压器故障诊断方法研究综述

介绍了粗糙集理论的基本概念、约简计算方法和约简过程,并对近年来基于单一粗糙集理论及其与其他智能方法组合的变压器故障诊断方法的主要研究成果进行了分析和评述,指出基于粗糙集理论的属性约简能够保证在变压器故障诊断结果一致的情况下选择最少的特征集,是变压器故障诊断的一个较好的途径。     

基于贝叶斯网络和粗糙集约简的变压器故障诊断

贝叶斯网络处理不确定性问题的能力可以很好地解决变压器故障诊断中因数据不完整而难以得到可靠结论的问题。为此,将贝叶斯网络分类器和粗糙集约简理论相结合,基于专家知识及统计数据建立贝叶斯网络分类模型,并综合运用色谱数据及电气试验数据作为变压器故障诊断的属性集输入,实现概率推理及对可能故障类型的排序,提高诊断结论的可靠性。此外,利用粗糙集约简理论对贝叶斯网络分类模型进行最小约简,降低网络结构的复杂性,减小模型所依赖的输入量,以更切合实际诊断情况。实验证明,该方法具有处理信息缺失的能力及容错特性,准确率较高,是一种变压器故障诊断的有效方法。     

基于粗糙集与支持向量机的变压器故障诊断法

为了及时监测变压器潜伏性故障和准确诊断故障,提出了一种基于粗糙集与支持向量机相结合的电力变压器故障诊断的新方法。该法应用粗糙集理论将专家知识简化,获得简约诊断规则并对变压器进行粗诊断,然后以支持向量机准确的二类分类功能进行准确故障诊断。该方法实现了两种智能算法的有效互补,拥有粗糙集理论的处理不完备信息能力、简单快速以及支持向量机准确的二类分类功能,有效弥补了单一算法的不足,提高了故障诊断的快捷性和准确性,且降低了样本训练时间和诊断的复杂度。实验结果与改进的IEC三比值法比较,表明该方法有效、可行,具有较高的诊断准确率。     

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。     

基于免疫聚类算法的变压器DGA数据故障诊断方法

提出了一种基于免疫聚类算法的变压器DGA数据故障诊断方法,并通过试验证明了该方法的应用价值。     

基于半监督分类方法的变压器故障诊断

变压器油中溶解气体分析(DGA)是电力变压器故障诊断的重要方法。针对现有方法建立分类器时需用到大量已知类别数据而没有利用待分类数据的问题,将半监督分类(SSC)方法引入变压器故障诊断问题中,建立了一个新的变压器故障诊断模型。SSC方法在学习过程中能同时利用已知类别数据和未知类别数据,获得更多的信息,因而有更好的学习效果。采用模糊近邻标签传递的半监督分类(FNNLP-SSC)方法进行变压器故障诊断,所提方法依据样本与其K个近邻的模糊相似性连接,使类别标签从标签数据向未标签数据传递,最终实现未标签数据的分类。对故障DGA样本的诊断实例结果表明,所提FNNLP-SSC方法比模糊C均值(FCM)方法和IEC 3比值法有更高的诊断正确率,验证了所提方法在变压器故障诊断中的有效性和可行性。     

基于属性约简的变压器故障诊断方法

介绍了粗糙集相关理论,提出了一种新的属性约简与属性值约简算法,并给出了故障实例。