基于粗糙集理论与模糊Petri网络的油浸电力变压器综合故障诊断

电力变压器故障诊断因果关系的复杂性与模糊性，采用单一智能方法难以准确描述。文中基于智能互补融合的思想，将粗糙集理论与模糊Petri网络有机结合在一起进行油浸电力变压器故障诊断。利用粗糙集信息表简化技术来实现对专家知识的简化与故障特征的压缩，获得最小诊断规则，基于最小诊断规则的Petri网络模型可以有效降低网络结构的复杂性与故障特征获取的难度。同时利用模糊Petri网络实现并行模糊推理，便于描述故障特征的变化及对变压器运行特性的快速分析。故障实例分析表明，文中所提出的智能方法可以有效地进行模糊推理，减小诊断信息的冗余性，诊断效率高，计算快速、准确，结果易于被人理解。     

基于粗糙集理论和贝叶斯网络的真空断路器故障诊断方法

真空断路器故障诊断因果关系的复杂性与模糊性,采用单一的智能方法难以准确描述.基于智能互补融合的思想,将粗糙集理论与贝叶斯网络有机结合起来,提出了一种真空断路器故障的快速诊断方法.以粗糙集理论为基础建立故障征兆属性集和故障诊断决策表,并通过约简决策表形成最小故障诊断规则.基于最小诊断规则建立贝叶斯网络模型,利用贝叶斯网络实现断路器故障诊断的快速概率推理.经真空断路器的故障诊断实例分析表明,所提出方法是可行有效的.     

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。     

基于决策表约简的变压器故障诊断Petri网络模型及其应用研究

通过对变压器故障诊断知识中大量的冗余特征进行压缩或约简 ,将粗糙集理论(RST)引入到变压器故障诊断中 ,以提高以往依赖先验知识进行诊断智能方法的效率。根据决策表约简实现故障特征的压缩与规则的简化 ,并利用该结果建立Petri网络模型 ,可获得最优的网络模型以充分发挥其快速的并行推理能力 ,实现高效的变压器故障诊断。对比分析结果表明 :约简后的特征具有与原来相同的分类能力 ,得出的主导特征也与实际相符 ;基于最小诊断规则所建立的故障诊断Petri网络模型 ,结构得到有效地优化 ,分类结果与原有的网络一致。最后通过实例分析验证了方法的准确性     

用粗糙集理论和贝叶斯网络诊断SF6断路器故障

为了在断路器故障时能快速、准确地找出故障原因,提出了一种基于粗糙集理论和贝叶斯网络的高压SF6断路器故障诊断的方法。该方法首先根据断路器的故障样本集找出征兆集合和故障集合之间的关系以建立断路器故障诊断决策表,然后利用粗糙集理论属性约简中的区分矩阵算法对决策表进行约简,剔除冗余知识,简化专家知识得到最小诊断规则进而构建贝叶斯网络可以有效降低网络结构的复杂性,最后利用贝叶斯网络的概率推理实现了对断路器故障原因的快速分析。经过实例证明,该方法用于高压SF6断路器的故障诊断是可行有效的,并且最后给出的结果还可以为断路器的状态检修提供依据。     

贝叶斯分类器与粗糙集相结合的变压器综合故障诊断

由于电力变压器故障诊断中的测试数据信息不完备、有偏差，且贝叶斯网络处理不确定性问题能力强，文中提出了用于变压器故障诊断的NB、TAN和BAN三种贝叶斯分类器模型，并提出了贝叶斯网络分类器与粗糙集相结合的变压器故障诊断的新方法，它综合使用溶解气体分析结果和其它电气试验结果作为故障分类所需的属性。其相应的混合分类器为NB粗集、TAN粗集和BAN粗集分类器。实验表明提出的三种混合分类器都适于变压器故障诊断，具有处理信息缺失多的能力和容错特性，克服了粗糙集刚性推理的弱点，其性能明显优于单独使用贝叶斯网络分类器或粗糙集的方法。     

基于RBF神经网络与粗糙集的挖掘电力变压器故障诊断研究

粗糙集挖掘方法进行故障诊断的过程中,训练易陷入局部最优解,导致电力变压器故障挖掘诊断算法不适用于解决实际工程问题。提出基于RBF神经网络与粗糙集的挖掘电力变压器故障诊断方法,利用RBF神经网络收敛速度快、泛化能力强等特点,对故障数据进行训练。依据给出的训练样本特征获取所求概率密度函数的统计值,将改进后的数据发送至粗糙集。在保证系统分类能力的条件下,依据分类规范,实现电力变压器故障挖掘诊断,对采集到的100组电力变压器故障数据进行仿真分析。结果表明,所提方法的局部搜索能力明显优于传统方法,所提方法在变压器故障的诊断准确率上大大高于传统方法,保证了电力变压器运行的安全性与可靠性。     

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。     

基于DGA的粗糙集与决策信息融合变压器故障诊断

针对变压器故障特征信息不确定性、冗余性及传统故障诊断手段的单一性问题,本文构建了一种粗糙集与多决策信息融合的变压器故障诊断模型。该方法首先考虑将16种特征气体比值作为故障特征参量,并利用离散化规则与粗糙集知识约简对其进行知识提取,以有效降低特征信息冗余度。其次,将降维后属性集作为BP神经网络、支持向量机以及贝叶斯网络3种单一诊断方法的特征输入,进行故障类型初步判定。最后,利用DS信息融合规则对3种初步判定结果进行决策融合,以获得更为高效的故障判断结论。实例分析表明,该方法有效削弱了冗余特征信息对诊断结果的影响,能够合理解决证据融合冲突,并切实提高了故障识别准确率,其性能明显优于单一诊断方法。     

数据挖掘技术在电力设备故障诊断中的应用

电力设备运行状态信息具有海量、复杂性以及不完整的特点,给设备故障诊断带来了不小的困难。本文提出一种将粗糙集理论与朴素贝叶斯相结合的数据挖掘方法,通过粗糙集求取故障诊断最小属性约简集,并在此基础上利用朴素贝叶斯计算设备发生各种故障的概率,从而得出诊断结果。最后进行了变压器故障实例分析,诊断结果证明该方法的正确性和有效性。     

基于粗糙集与支持向量机的变压器故障诊断法

为了及时监测变压器潜伏性故障和准确诊断故障,提出了一种基于粗糙集与支持向量机相结合的电力变压器故障诊断的新方法。该法应用粗糙集理论将专家知识简化,获得简约诊断规则并对变压器进行粗诊断,然后以支持向量机准确的二类分类功能进行准确故障诊断。该方法实现了两种智能算法的有效互补,拥有粗糙集理论的处理不完备信息能力、简单快速以及支持向量机准确的二类分类功能,有效弥补了单一算法的不足,提高了故障诊断的快捷性和准确性,且降低了样本训练时间和诊断的复杂度。实验结果与改进的IEC三比值法比较,表明该方法有效、可行,具有较高的诊断准确率。     

基于不完备信息系统规则提取和Petri Nets的电力变压器故障诊断

鉴于电力变压器故障信息具有不完备性及复杂性,将不完备信息系统规则的提取与Petri Nets(PNs)有机结合在一起进行变压器故障诊断。利用不完备信息规则提取对信息表进行知识的简化与故障特征的压缩,获得最小诊断规则,并利用此规则建造PNs的模型。同时利用PNs实现并行推理,对变压器进行快速分析。故障实例分析表明,文中所提出的智能方法具有准确性,有效性。     

基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法

电力变压器属电力系统中的重要设备,目前油中溶解气体分析(DGA)的三比值法是对变压器进行故障诊断的最方便、有效的方法之一.本文结合改良的三比值法,将贝叶斯网络方法引入大型变压器的故障诊断,提出了基于贝叶斯网络(BN)理论和变压器油中溶解气体分析方法的变压器智能故障诊断方法,并据此建立了变压器故障诊断模型.通过实例判断验证了本文方法的有效性.     

基于贝叶斯网络和DGA的变压器故障诊断

用 3步法构造贝叶斯网络 (BN)方法 ,结合油中溶解气体分析 (DGA)的三比值法后 ,引入大型变压器的故障诊断 ,提出了基于BN理论和DGA方法的变压器智能故障诊断模型。 2 2台故障变压器的诊断实例验证此法有效     

融合粗糙集与灰色理论的电力变压器故障预测

结合粗糙集和灰色理论的各自特点,提出一种用于变压器故障预测的新方法。基于粗糙集的知识获取方法,获得改进的三比值诊断决策表,并简化决策表,建立最小诊断规则;分别建立决策表中三比值的灰色预测模型,通过灰色模型对特征气体的比值进行预测,获得预测的特征气体比值的状态特征,对照最小诊断规则,得出预测的故障类型,并结合规则置信度和预测的状态特征对该故障类型的支持数确定其发生概率,这种方法通过结合预测气体比值状态特征和诊断规则,尽早准确地发现潜伏的故障类型,从而可以预先有针对性对变压器进行检修;进行变压器故障预测实例分析,预测结果证明该方法的有效性和正确性。     

粗糙集用于建立基于多变量决策树的变压器故障诊断模型

采用决策树方法建立变压器故障诊断模型,可以方便地处理含有非数值特征的故障样本,且能够从样本中学习知识并简化知识,具有较好的适应性.但是采用单变量决策树描述复杂关系仍存在一定的局限性,本文提出基于多变量决策树的变压器故障诊断方法.并通过粗糙集辨识矩阵确定多变量检测特征选取,来实现多变量决策树的建立,能有效地约简知识,直观且易于理解.最后通过实例比较验证了方法的有效性.     

融合粗糙集和神经网络的变压器故障诊断

为提高变压器故障诊断的准确性,进行了利用粗糙集和神经网络来诊断变压器故障的研究。首先将连续属性的决策表离散化,部分属性采用基于油中溶解气体分析知识的方法离散化,部分属性采用自然算法和等频划分算法离散化;然后用粗糙集属性约简方法对离散后的决策表进行属性约简以获取最小决策表,约简后的最小决策表反映了变压器油中溶解气体的5种比值与故障的关系,是对IEC三比值法的扩展;最后用最小决策表训练BP神经网络,并用测试数据对训练后的BP神经网络进行检验。结果表明该方法比IEC三比值法有更高的故障判断准确率,结合粗糙集和神经网络诊断变压器故障可约简变压器故障诊断决策表,简化神经网络的结构,提高故障诊断的准确率。