正态云模型在电力变压器状态评估中的应用

传统的模糊综合评判模型只考虑了指标的模糊性而忽略了随机性,而云模型理论既考虑了事物的模糊性同时也兼顾了随机性。采用评判对象的分指标评判结果推算目的指标评判结果,将该方法应用到变压器状态评估中,利用层次分析法获得各指标的权重信息,并利用正态云模型的普适性,提出了新的基于云模型的变压器状态评估方法,通过实验验证了该方法的可行性。     

基于粗大误差检测的变压器故障诊断方法

将粗大误差理论引入变压器故障诊断,提出了粗大误差检测与特征气体比值诊断法相结合诊断变压器故障的新方法。通过对特征气体色谱分析得到的测量列进行粗大误差检测来判断变压器是否存在潜在故障,同时根据显著度的数值,得到变压器发生故障的概率。结合特征气体比值法,最终得到变压器的故障类型和故障原因。通过具体故障诊断实例,验证了方法的有效性。     

基于支持向量同归的电力变压器状态评估

为提高电力变压器状态评估的准确性,将变压器健康状态分为5级。鉴于支持向量机对小样本具有良好的拟合能力,而变压器数据具有小样本、贫信息的特点,提出了基于支持向量回归的电力变压器状态评估模型。将变压器的油色谱分析数据和电气实验数据利用半岭模型确定变压器各个参数的分值,评分项目结果作为支持向量机的自变量,通过多层动态自适应优化算法优化了支持向量回归的参数,形成变权重的预测。实例验证了变压器状态评估模型的正确性及可行性,其结果更接近变压器的真实运行状态。     

基于因子分析和基因表达式编程算法的变压器故障诊断

将因子分析和基因表达式编程结合起来,对变压器油色谱数据进行处理和智能训练,并建立变压器故障分类诊断模型;收集到332组油色谱数据,选取150组作为GEP分类器的训练样本,182组作为测试样本,并将测试结果与三比值法和朴素贝叶斯分类器进行比较。大量诊断实例表明,所提出的变压器故障诊断模型性能优于另外两种方法。     

基于SVM多分类法的变压器油中溶解气体故障诊断

提出了一种基于支持向量机多分类法的变压器油中溶解气体分析诊断模型,并给出了故障实例。     

基于粗糙集理论和支持向量机的变压器故障诊断

将粗糙集约简与支持向量机分类相结合,建立一个基于粗糙集和支持向量机的变压器故障诊断模型.该模型将油色谱数据诊断结果与电气试验数据相结合,通过粗糙集信息熵进行约简,建立了故障与信息的映射关系,再通过支持向量机分类器对其进行分类,使得变压器的故障分析到初步的部位.经实例分析和验证,该模型能对变压器进行初步定位,并有较高的正判率.     

一种改进的物元模型在变压器故障诊断中的应用

鉴于物元理论在构建诊断模型时,忽略了分界值的不确定性,使诊断结果偏离了实际情况,将物元理论与云模型相结合,建立了新的故障诊断模型,能合理地解决边界不确定问题。同时,使用油中溶解气体的浓度、产气率、气体间比值等数据,对所提模型进行了测试,得出基于物元理论和云模型的变压器故障诊断方法具有更高的正确率。     

基于粗糙集理论和支持向量机的变压器故障诊断

将粗糙集约简与支持向量机分类相结合,建立一个基于粗糙集和支持向量机的变压器故障诊断模型。该模型将油色谱数据诊断结果与电气试验数据相结合,通过粗糙集信息熵进行约简,建立了故障与信息的映射关系,再通过支持向量机分类器对其进行分类,使得变压器的故障分析到初步的部位。经实例分析和验证,该模型能对变压器进行初步定位,并有较高的正判率。     

基于粗糙集图像分层算法的研究

提出了一种基于粗糙集的图像分层新算法,首先从数字图像中提取色彩信息和空间信息构造条件属性集,分析经典的图层信息构造决策属性集,然后运用粗糙集理论进行数据挖掘,从而得到从条件属性集到决策属性集的强规则,运用这些规则对数字图像进行智能分层。最后,用实例证明了该算法的正确性。