应用支持向量机的变压器故障组合预测

对变压器油中溶解气体进行预测有助于及时预测变压器的故障。提出一个基于支持向量机(support vector machine,SVM)的变压器故障组合预测模型及其求解步骤。在预测过程中,首先利用多个单一预测方法如线性模型、指数模型、乘幂模型、非等间隔灰色GM(1,1)模型和非等间隔灰色Verhulst模型构成预测模型群,对原始油中溶解气体数据进行拟合。然后,将预测模型群的拟合结果作为支持向量机回归模型的输入进行2次预测,形成变权重的组合预测。该文对基于SVM的组合预测过程和参数计算进行了详细地探讨。通过2个实例证明了该文提出的组合预测模型能较好地平衡拟合和外推,在某种程度上解决了传统方法拟合优而外推差的问题。此外,通过与多种预测方法进行比较,基于支持向量机的变压器故障组合预测模型的预测精度明显优于单一预测模型和其它的组合预测模型。     

基于多分类相关向量机的变压器故障诊断新方法

变压器故障诊断本质为多分类问题,具有故障样本数据少,故障不确定因素多的特点。现有变压器故障诊断方法中,贝叶斯网络(BN)需要大量样本数据且计算量大,支持向量机(SVM)存在规则化系数确定困难的局限。针对此现状,提出基于多分类相关向量机(M-RVM)的变压器故障诊断新方法。该方法以变压器溶解气体含量比值作为M-RVM模型的输入,采用快速type-II 最大似然(Fast Type-II ML)和最大期望估计(EM)的方法进行模型推断,诊断输出为各故障类别的概率,以概率最大的故障类别作为诊断结果。实例分析表明该方法诊断速度较快,能满足工程需要,同基于BN和SVM的变压器故障诊断方法相比,具有较高的诊断正确率。     

基于IFOA-SVM 的变压器故障诊断与定位研究

为了充分发掘变压器油中溶解气体所蕴含的故障信息,实现变压器故障性质和故障位置的准确判断,利用 邻域粗糙集(NeighborhoodRoughSet,NRS) 和强化型果蝇算法(ImprovedFruitFlyOptimizationAlgorithm,IF- OA)优化的支持向量机(SupportVectorMachine,SVM)构建变压器故障诊断与定位多层分类模型.首先,利用邻 域粗糙集按照条件属性重要度对变压器故障样本特征值进行约简.其次,为了提升变压器故障诊断与定位模型的分类 精度,设计一种强化型果蝇算法对SVM 的核函数参数和惩罚因子选取进行优化.利用Tent-logistic混沌映射产生的 混沌序列生成果蝇种群的初始位置信息,减少随机过程带来的不可控性;利用动态自适应步长参数调节个体的搜索范 围,增强FOA的寻优效率.仿真分析结果表明,基于改进模型的方法不仅可以实现变压器故障位置的判定,而且能 提升变压器故障诊断的精度.     

基于多分类相关向量机的变压器故障诊断新方法

变压器故障诊断本质为多分类问题,具有故障样本数据少,故障不确定因素多的特点。现有变压器故障诊断方法中,贝叶斯网络(BN)需要大量样本数据且计算量大,支持向量机(SVM)存在规则化系数确定困难的局限。针对此现状,提出基于多分类相关向量机(M-RVM)的变压器故障诊断新方法。该方法以变压器溶解气体含量比值作为M-RVM模型的输入,采用快速type-Ⅱ最大似然(Fast Type-ⅡML)和最大期望估计(EM)的方法进行模型推断,诊断输出为各故障类别的概率,以概率最大的故障类别作为诊断结果。实例分析表明该方法诊断速度较快,能满足工程需要,同基于BN和SVM的变压器故障诊断方法相比,具有较高的诊断正确率。     

一种基于多分类概率输出的变压器故障诊断方法

多分类概率输出方法可用于变压器故障诊断,其分类效果较好并能提供概率信息。针对现有基于支持向量机(SVM)的诊断方法在特征不明显条件下有误分类的情况,提出了一种基于多分类概率输出的变压器故障诊断方法。此方法引入Sigmoid函数将SVM决策函数输出映射为二分类概率输出,然后综合多个二分类概率输出结果,求解一个凸二次规划问题实现多分类概率输出。此方法可以得到发生不同类型故障的可能性,即故障类别概率,进一步分析后给出诊断结论。算例分析表明,此方法在继承了SVM故障诊断方法优点的基础上,提供了概率信息,对现有SVM方法误诊断样本也能给出可能存在的故障,弥补了现有SVM方法在变压器故障特征不明显条件下的不足。     

基于NRS的GWO-SVM变压器故障诊断方法研究

针对油中溶解气体分析法(DGA)不能有效反映变压器的不同故障且诊断准确率低的问题,通过邻域粗糙集(NRS)对变压器故障数据比值进行约简,得出一组新比值作为诊断样本,进而利用灰狼算法(GWO)与支持向量机(SVM)结合的模型进行故障诊断.实验分析表明,利用NRS对变压器故障数据约简能够有效提高变压器故障准确率,同时验证了...     

基于模拟退火和支持向量机理论的变压器故障诊断方法

针对变压器故障诊断问题,提出了基于模拟退火和支持向量机理论的变压器故障诊断方法,该算法采用模糊理论解决传统三比值法边界过于绝对的问题,并利用模拟退火优化算法获得支持向量机的最优参数设置。     

基于 HHO参数优化的SVM 变压器故障诊断方法研究∗

为了提高变电信息系统中变压器故障诊断的准确率,针对变压器故障样本较少,采用类内类间距离的可分性测度和相关性分析法确定关键特征向量,将特征向量作为支持向量机的输入样本,建立 SVM 故障分类模型.分析了哈里斯鹰优化算法 (HHO)和粒子群算法 (PSO)的优缺点,提出了基于哈里斯鹰优化算法 HHO 优化支持向量机 SVM 模型的参数.最后,通过真实变压器故障数据进行实验仿真,结果表明所提出的变电站故障诊断方法能够有效识别故障类型,具有较高的准确率和收敛速度.     

基于组合核相关向量机和量子粒子群优化算法的变压器故障诊断方法

为了提高变压器故障诊断精确度,提出量子粒子群算法(QPSO)优化相关向量机(RVM)的变压器故障诊断方法。采用4个二分类RVM来实现变压器故障诊断的多分类问题。相关向量机的组合核函数可融合变压器运行状态的多种特征信息,为非线性、有限样本数据的变压器故障诊断建模问题提供有效的方法。利用量子粒子群算法对RVM诊断模型参数快速寻优,并结合CV原理设置适应度函数可有效提高诊断模型的泛化能力。实例分析表明,该耦合算法诊断正确率为91.1%,优于三比值法、BPNN、PSO-SVM方法,可有效提高变压器故障诊断精度。     

基于粗糙集和支持向量机理论的变压器故障诊断方法

针对变压器故障诊断问题,提出了基于粗糙集和支持向量机理论的变压器故障诊断方法。该算法利用粗糙集技术对变压器知识进行属性约简,并通过属性表获得故障最简决策表作为支持向量机的输入,与此同时,利用粒子群优化算法获得支持向量机的最优参数设置。实验结果表明,该诊断方法分类性能良好、可靠性高且有效可行。     

模糊距优距离用于气体分析诊断变压器故障

提出了一种模糊距优距离的变压器故障气体分析诊断算法,给出了该算法的推理、计算及仿真结果。结果表明:该算法故障识别率较高,具有实用性。     

基于粗糙集理论的变压器故障诊断专家系统

在传统的变压器故障诊断专家系统的基础上,为解决专家系统较难获取完备知识的瓶颈问题,提出了一种基于粗糙集理论的故障诊断专家系统。该系统从历史故障数据所形成的决策表出发,运用粗糙集理论进行约简,构建专家系统知识库模型,通过计算诊断规则粗糙度,确定诊断规则的置信程度,利用推理机和故障事例库,实现对知识库的动态维护。     

基于BP神经网络的变压器故障诊断

基于溶解气体分析(DGA)的变压器故障诊断法能发现用电气试验不易发现的轻度故障,还可以在初期阶段就判别正在缓慢发展的事故,是变压器内部故障早期诊断的最佳方法。     

基于贝叶斯网络分类器的变压器综合故障诊断方法

鉴于电力变压器故障诊断中的信息和知识具有随机性和不确定性的特点,利用贝叶斯网络表达知识灵活、分析处理不确定性与关联性问题能力强的优点,本文提出了一种基于贝叶斯网络分类器的以溶解气体分析为主结合其他电气试验结果的变压器综合故障诊断方法,并建立了变压器朴素贝叶斯网络故障诊断模型和TAN故障诊断模型.文中详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数,提高诊断效果.实例验证表明了该方法的有效性.     

基于3层贝叶斯网络的变压器综合故障诊断

为了全面准确地诊断变压器故障,在已有研究基础上通过分析变压器不良工况、故障模式和异常征兆3者之间的因果关系,建立了基于3层贝叶斯(Bayes)网络的综合故障诊断方法。此方法可将不良工况纳入模型,与异常征兆一起作为证据信息,弥补了现有诊断方法因缺少对不良工况的分析以致证据信息不完备这一不足。在此3层Bayes网络模型下,利用Bayes网络推理方法,可获得网络中的最大可能解释,它包含了变压器当前状态下可能性最大的故障模式组合和其他未检测的异常征兆的可能状态,并包含并发故障模式,为下一步诊断试验提供了重要依据。     

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。     

基于多种智能方法的变压器故障综合诊断模型

鉴于粗糙集处理不完备信息的有效性、范例推理查询匹配的直观性以及比值法的简洁性,提出了基于多种智能方法的变压器故障综合诊断方法。综合考虑了油中溶解气体分析与电气试验等多种故障征兆,在分析大量变压器故障案例的基础上,建立了基于粗糙集、范例推理及比值法的综合诊断模型。该模型采用3层结构对变压器故障逐步进行细分,即使在不完备信息时也有助于为现场提供较有效的维修建议。该模型具有计算速度快、正判率高、结果直观等优点。实例也表明了该方法的有效性。     

模糊贝叶斯网的变压器故障诊断

目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一。变压器故障诊断中的信息具有随机性和不确定性的特点,文中提出一种基于模糊贝叶斯网络的变压器故障诊断方法。该方法利用贝叶斯表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型。实例证明,该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据。     

基于D-S证据理论的油浸式电力变压器故障诊断

当前对变压器进行故障诊断,主要是利用从分散的传感器收集到的检测信息,但使用单独的传感器采集数据进行判别,由于缺乏对数据的融合分析,易造成诊断中的误判或漏判。提出了一种基于D-S证据理论的油浸式电力变压器故障诊断方法,该方法通过融合数据来处理故障诊断中的不确定度。建立了故障诊断的融合模型,给出了方法的具体实现步骤并应用实例进行计算。结果表明,本方法可以减少诊断中的不确定性,提高故障诊断的准确性。