PCA和KICA特征提取的变压器故障诊断模型

为了充分利用主元分析(PCA)和核独立主元分析(KICA)特征提取的互补性,提高变压器故障分类正确率,提出了基于PCA和KICA特征提取的变压器故障诊断模型。该模型中,首先,将油中溶解气体分析(DGA)测试样本投影到PCA空间中进行特征提取,采用多核支持向量机(MKSVM)作为分类器进行预分类,采用核密度估计方法估计阈值将测试样本预分类为易识别或难识别样本;对难分类样本则再次投影到KICA空间,采用另一MKSVM作为分类器进行分类识别,实现PCA和KICA双空间特征提取算法;最后,根据故障特征,建立变压器故障诊断模型。实验结果表明,所提出的双空间算法对变压器故障的识别率达到88.61%,比单空间算法和IEC3比值法的识别率分别高10%和24%。     

基于模糊综合理论的电力变压器故障诊断的软件编程

提出了一种模糊诊断模型-模糊综合评判诊断法,并给出了实例.     

变压器油中气体的多核核主元回归预测模型

为了克服常用预测方法在建模时只单独考虑某种特征气体发展变化的不足,进一步提高预测的精度和可靠性,提出了一种基于多核核主元回归(multiple-kernel kernel principal componentregression,MK-KPCR)的变压器油中气体预测模型。采用不同类型核函数的线性加权组合构造新的等价核,以降低建模精度对核函数及其参数选择的依赖性;利用核主元分析(kernel principalcomponent analysis,KPCA)对变压器油中溶解气体样本数据提取核主元,进行回归计算与分析,建立同时预测变压器油中主要特征气体的核主元回归(kernel principal component regression,KPCR)模型;与灰色多变量预测模型(multivariable grey model,MGM),主元回归(principal component re-gression,PCR)及KPCR进行一步和多步预测比较。实验结果表明,MK-KPCR预测模型对核函数及参数选择的依赖性小,具有较优的预测精度和泛化能力。     

浅谈变压器节能运行的容量选择

本文介绍了一种更为准确的方法来确定变压器的最佳经济容量,依据最佳容量选择变压器,能使其运行在最佳经济区域,从而达到减少电能损耗的目的。并且本文还就现行电费收取方式的不合理而导致电能浪费这一现象,提出改革的建议。     

重构贡献在变压器故障诊断中的应用

在常规DGA诊断方法中,存在故障数据不敏感的问题。为此,提出一种基于重构贡献的变压器故障诊断方法。该方法在建立主元分析模型后,采用SPE和T2统计量检测故障,在分析重构贡献法故障诊断性能的基础上,利用重构贡献法识别故障。实例研究结果表明,该方法可以识别故障发生的原因,提高故障诊断的准确性,具有较好的故障识别能力。     

主元分析在变压器故障检测与识别中的应用

针对IEC三比值法进行变压器故障诊断存在缺编码、编码边界模糊和诊断率偏低的问题,提出了采用主元分析和重构贡献图的故障诊断方法。在建立的PCA(Principal Component Analysis)统计过程模型上,构建SPE、T2统计量和重构贡献指标对变压器故障进行检测,并分析了贡献图法和重构贡献法的故障诊断性能。仿真结果表明基于主元分析和重构贡献图的故障诊断方法对数据更敏感,能够有效弥补IEC三比值法的不足,提高故障诊断正确率。     

基于专家系统的铁磁谐振故障诊断系统研究与设计

对铁磁谐振故障发生的原因进行了理论分析,在研究铁磁谐振故障特点以及产生铁磁谐振故障条件的基础上分析了PT饱和铁磁谐振故障诊断的因果关系,并采用模糊产生式知识表示方法利用专家系统技术对实际运行中发生的铁磁谐振故障进行诊断。     

集成诊断方法在变压器故障诊断中的应用

为了提高传统油中溶解气体分析的诊断能力,克服单一诊断方法的不足,充分利用各种诊断方法的优势,提出一种变压器智能集成故障诊断方法,建立了基于三比值法、模糊理论和线性分类器的集成诊断模型。诊断结果表明,采用集成诊断方法能有效弥补单一诊断方法的不足,提高故障诊断率。     

基于KTA-LSSVM的青霉素发酵过程预测建模

为解决青霉素发酵过程预测建模中存在的输入变量选择问题,提出了基于核目标度量（kernel target alignment,KTA）和最小二乘支持向量机（least squares support vector machines,LSSVM）的青霉素发酵过程预测模型。首先,在分析影响青霉素产物浓度相关因素的基础上选取输入变量,采用KTA对输入变量进行尺度缩放,然后,利用Pensim仿真平台数据,采用混沌粒子群算法对LSSVM的参数寻优,建立青霉素发酵过程的KTA-LSSVM预测模型。青霉素浓度预测的KTA-LSSVM模型均方根误差为0.0179,LSSVM模型的均方根误差为0.0276,实验结果表明,本文提出的模型预测精度高,推广性能好。     

DIT-FFT序列的倒序算法

DIT-FFT序列的倒序算法采用了十进制与二进制转换原理规划.对任一长度为能被2整除的N原序列,求其倒序后的输入序列时,只涉及倒序十进制和顺序十进制数,不用对二进制数进行转换.仿真实验证明改算法可提高DIT-FFT的运行效率.