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PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析（PCA）和粗糙集理论结合继而构建决策树的故障诊断方法。该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策。测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.     

基于Rough set理论的改进三比值故障诊断方法

本文提出一种基于粗糙集理论的三比值电力变压器故障诊断法.文中首先从IEC三比值诊断表出发,应用粗糙集理论构造决策表,然后对决策表进行约简,最后获得变压器故障三比值诊断决策表.实验结果表明,这种改进的三比值诊断方法扩展了原始IEC三比值的编码范围,提高了实际故障诊断能力,它的正确诊断率比IEC三比值诊断法较高,在实际工程中具有应用价值.     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。     

基于最小二乘支持向量机的电力变压器故障诊断

油中溶解气体分析是变压器绝缘故障诊断的重要方法。为了提高分类的准确度和可靠性,应用最小二乘支持向量机理论建立了变压器的分类模型。该模型以变压器油中5种主要特征气体作为输入量,以7种变压器状态作为输出量,选用了径向基核,使用了一对一的多分类算法,充分发挥了支持向量机具有较高泛化能力的优势。通过大量的实例分析,并将诊断结果与IEC三比值法、改良三比值法和BP神经网络的诊断结果相比较,表明基于径向基核的最小二乘支持向量机在变压器故障诊断中具有更高的准确率。     

粗糙模糊神经网络在变压器诊断中的应用

针对变压器故障的复杂性、模糊性以及模糊集理论、神经网络和粗糙集理论的优缺点,利用粗糙集理论的属性约简和规则生成能力和模糊神经网络在模式识别方面具有容错和分类优势。采用粗集理论对采集到的变压器油中溶解气体数据形成的规则进行约简处理,建立精简的规则集,根据规则集建变压器故障诊断的神经网络模型,采用自适应遗传算法优化神经网络连接的权值,通过仿真验证了该网络较好的诊断性能。     

RST和NBN用于电力变压器故障诊断

电力变压器发生故障后,当故障信息存在不完整或不确定性,甚至关键信息丢失时,会导致故障诊断难以得出正确结论。针对此问题,提出了一种将粗糙集理论(RST)与朴素贝叶斯网络(NBN)结合的电力变压器故障诊断新方法。首先将油中溶解气体分析(DGA)结果和其他电气试验结果作为条件属性,故障区域作为决策属性,考察各种故障与征兆间的连接关系并建立决策表,接着利用基于可辨识矩阵和信息熵的属性约简算法实现对专家知识的简化与故障特征的压缩,提取最佳属性约简组合,然后以最佳属性约简组合形成的约简决策表建立朴素贝叶斯网络模型,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。最后对变压器故障进行实例分析,诊断结果证明该方法是正确和有效的,具有较好的实用价值。     

粗糙集理论在IEC-60599三比值故障诊断决策规则中的应用

基于粗糙集理论提出一种改进的新导则IEC三比值的变压器故障诊断决策新方法。文中从实际诊断中出发首次将IEC-60599三比值故障诊断表编写成对应的逻辑编码表，然后应用粗糙集理论构造决策表并对决策表进行约简，最后建立改进的新导则IEC-60599三比值故障诊断决策规则。这种改进的新导则IEC-60599三比值诊断方法使用简单，便于操作。同时它还扩展了IEC-60599三比值的故障诊断范围、提高了故障诊断能力和复合故障的识别能力。在诊断信息不完备的情况下，可以避开遗漏信息实现较为准确的故障诊断。实际诊断结果表明，它的故障诊断正确率比IEC-60599三比值诊断法高达19．7％左右。这种改进的新导则IEC-60599三比值故障诊断决策规则简单实用，便于技术人员的现场使用，在实际工程中具有实用价值。     

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。     

BP神经网络在油浸式变压器过热性故障诊断中的应用

针对充油变压器绝缘故障诊断的三比值法的局限性,建立以变压器油中溶解气体含量为样本数据,对不同的隐含层数目进行仿真分析,通过比较确定了适用于变压器绝缘故障诊断的BP神经网络模型。研究表明,这种方法提高了神经网络的收敛速度,符合电力变压器故障诊断系统的实际情况,准确率高。     

基于BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

基于粗糙集理论的电力变压器故障诊断方法

鉴于电力变压器信息的不完备性及复杂性，基于粗糙集理论提出了一种能较好处理不完备信息的变压器故障诊断模型。基于对大量电力变压器故障征兆及故障类型的分析统计，利用粗糙集进行约简以获取诊断规则。文中详细阐述了在获得各类信息情况下如何利用该模型进行故障诊断；即使缺少某些关键信息时，该模型也能结合欧式距离、神经网络和模糊数学三种方法对约简进行综合匹配，再利用相应的约简及规则集作出故障诊断。该模型还可通过丰富训练样本、修正决策表的自我完善方法使诊断效果不断提高。实例也表明了该方法的有效性。     

栈式降噪自编码网络在变压器故障诊断中的应用

为提高变压器故障诊断的准确率,提出了一种新型的变压器故障诊断网络,该网络以基于栈式降噪自编码网络为基础,把深度学习用在诊断变压器设备故障方面,建立深层网络模型,采取逐层贪婪编码的方式进行自适应的非监督式预训练,实现高维深层故障特征的自适应提取和挖掘,进而使用反向传播算法对模型进行监督式微调。最后利用Softmax分类器,对故障进行分类输出。最后通过实例验证表明,提出的栈式降噪自编码网络能准确、有效地对变压器进行故障诊断,与传统方法相比,该方法提高了变压器故障诊断的准确率。