GEP算法在变压器故障诊断中的应用研究

在对变压器的故障类型和常用的诊断办法进行全面总结的基础上,提出了通过基因表达式程序设计算法进行变压器故障诊断的新思路,并完成了相应的软件设计.     

基于加权K近邻算法的变压器故障诊断

该文将K近邻分类方法引入基于溶解气体法（DGA）的变压器故障诊断中。并针对经典K近邻方法（K-NN）存在的缺陷,提出根据待分类样本和近邻样本的距离来加权的改进方法。最后通过仿真验证了该方法的有效性。仿真表明,当K的取值在一定范围内时,经典的K-NN算法和加权的K-NN方法都具有比较高的准确性,且加权的K近邻方法比经典的K近邻法体现出了更好的性能。     

DGA技术在电力变压器绝缘故障诊断中的应用与进展

介绍了近年油中溶解气体分析（ＤＧＡ）技术在电力变压器绝缘故障诊断中的应用和发展动向。     

改进型组合RBF神经网络的变压器故障诊断

提出了一种在逼近能力、分类能力、学习速度等方面都优于BP神经网络的径向基函数神经网络和组合诊断的概念,并将其应用到变压器DGA故障诊断中。在处理输入数据和改进训练方法后,组合RBF神经网络诊断变压器故障训练速度快、收敛精度高、诊断准确。     

基于基因表达式编程的变压器故障诊断

提出了1种基于基因表达式编程(GEP)分类算法的变压器故障诊断方法.该方法继承了遗传算法(GA)的线性和遗传程序设计(GP)的普适性,从而达到了简单编码解决复杂问题的目的,具有良好的收敛性和鲁棒性.文中收集能反映各种故障而又不冗余的300组DGA实测数据作为GEP分类器的训练样本和测试样本,并将测试结果与GA分类器、GP分类器进行对比分析.大量诊断实例表明,所提出的自适应多GEP分类方法适用于变压器故障诊断,其性能优于另外2种方法.     

采用改进人工鱼群优化粗糙集算法的变压器故障诊断

传统的人工智能方法对变压器大量的不完备故障信息不能有效地分析,或在故障数据的离散化过程中由于区间分割不当而无法正确诊断故障甚至误诊。为此,提出了一种基于改进人工鱼群优化粗糙集的变压器故障诊断方法。该方法首先将变压器溶解气体分析(DGA)的值作为条件属性,将故障类型作为决策属性,建立故障决策表,利用鱼群的聚群寻优行为对决策表中的连续属性数据进行离散化;然后采用粗糙集理论对离散化后的决策表进行约简,建立故障诊断规则决策表,大大简化了决策表属性约简的难度,使诊断变得更加简便。最后通过实例验证表明:该方法能够有效地对样本进行离散和约简,与传统方法相比,提高了故障诊断的正确率。     

基于DGA的变压器故障诊断智能方法分析

针对传统变压器故障诊断方法的不足,介绍了多种智能诊断方法在基于油中溶解气体分析（dissolved gas-in-oil analysis, DGA）的变压器故障诊断中的应用,包括人工神经网络、模糊理论、专家系统、灰关联分析及其他智能方法。通过对这些智能诊断方法的分析,得出其优缺点及需要改进的方案,为研究人员选择最优油浸式电力变压器故障诊断方法提供参考。最后对基于DGA的变压器故障智能诊断方法进行了展望,并分析了未来的发展方向。     

模糊数学结合BP网络的变压器故障诊断研究

针对油中溶解气体分析(DGA)方法在诊断电力变压器潜伏性故障的研究中存在的不足,采用TOPSIS方法对原始样本集进行优劣排序和聚类,实现了对样本数据的优化,同时极大地缩减了样本集的容量.在此基础上,构建BP网络故障诊断模型.分析证明,此方法与传统的变压器故障诊断的方法相比具有明显的优越性.     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

变压器故障诊断的粗集决策新方法

通过分析DGA新导则在实际应用存在的问题,将粗集理论与DGA相结合,提出变压器故障诊断的粗集决策方法。在保证离散化结果性能要求的前提下,使用改进的贪心算法进行连续属性的离散化。最后通过规则提取,得到变压器故障类型的决策规则,结果表明方法是有较高的准确率。     

遗传算法与人工神经网络结合在变压器故障诊断中的应用

运用油中溶解气体分析法，在人工神经网络和遗传算法的基础上，建立了变压器故障诊断的神经网络模型。实际测试结果表明这一方法是有效的和可行的。     

基于模糊聚类算法的变压器故障诊断研究

介绍了模糊C-均值聚类算法和三比值法的原理,并给出了故障实例。     

利用DGA-NN诊断油浸式电力变压器故障

人工神经网络以其良好的非线性映射能力广泛应用于电力变压器故障诊断。为研究反向传播神经网络(BPNN)和概率神经网络(PNN)的学习过程、网络参数选择等问题,利用Matlab的神经网络工具箱结合油中溶解气体建立了BPNN和PNN的故障诊断模型,并对其性能做了分析和对比。结果表明,两种网络均能较好地实现变压器故障的实时诊断。因初始化权值的随机性,BPNN的输出结果具有差异性,收敛速度较慢,而PNN网络结构自适应确定,可以随时添加训练样本,且训练速度较快,适合于实现变压器故障的实时诊断。相同条件下,PNN的收敛速度约为BPNN的5倍。     

基于油中溶解气体分析与绕组变形试验的变压器出口短路故障诊断

结合故障实例,介绍了基于油中溶解气体分析与绕组变形试验的变压器出口短路故障诊断方法.     

基于改进模糊ISODATA算法的变压器故障诊断

模糊ISODATA算法在基于变压器DGA的故障诊断中存在一些问题。如:模式空间的划分缺乏依据,聚类分析时没有考虑各种气体成分对故障反映的灵敏度等。笔者对此进行了改进,引入了一个描述不同气体成分对故障反映灵敏度的指标权向量,并在每次迭代运算之后对聚类中心进行分解和合并处理。利用改进的ISODATA算法对3起变压器故障进行了分析,得到了比较高的判断准确度。     

基于DGA的变压器故障诊断多专家融合策略

介绍了基于油中溶解气体分析(DGA)的电力变压器故障综合诊断。采用的诊断判据主要包括改良三比值法、大卫三角形法、神经网络和范例推理。在多专家(多诊断判据)的参与下,可能出现诊断结果相互冲突的问题,而如何融合不同诊断判据下的诊断结果仍是一个难点。为解决这一问题,在把各诊断结果分解为放电和过热故障的基础上,引入了多专家加权投票策略(加权多数算法)。权重系数根据各诊断判据的诊断正确率初步确定。实践证明了该方法的可行性。     

变压器油中气体色谱分析中以模糊综合评判进行故障诊断的研究

在对传统比值法的编码组合进行模糊化处理和统计及分析的基础上得到了编码－故障模糊关系矩阵Ｒｆ;以现场用常现色谱方法检测到的特征气体比值所对应的２７组编码组合的隶属度作为特征输入矢量,通过综合评判求得故障输出矢量,并确定出故障类型。结果表明,应用本文建立的模糊关系矩阵对变压器故障进行综合评判诊断的方法是有效的。     

改进小波网络在油浸式变压器故障诊断中的应用

小波网络是近年来神经网络研究中的一个新分支,是结合小波变换理论与神经网络的思想构造的一种新的神经网络模型.笔者构造的前馈小波神经网络是将小波分析与BP神经网络融合,以Gauss小波及其伸缩平移系作为隐含层小波基函数并且对小波神经网络做了一些改进.选择了300组油中溶解气体含量作为前馈小波神经网络训练及故障识别的样本,并...