基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型

针对单一的特征气体或特征气体比值作为DGA特征量无法全面反映变压器故障分类的问题,本文从混合DGA特征量中优选出一组DGA新特征组合为输入,建立改进磷虾群(Improved Krill Herd,IKH)算法优化支持向量机(Support vector machine,SVM)的变压器故障诊断模型进行故障诊断。将SVM的c和s与11种候选特征量进行二进制编码,利用遗传算法结合支持向量机对DGA特征量进行优选,得到一组最优DGA新特征组合;利用IKH算法对SVM的参数进行优化,同时结合交叉验证原理构建IKH算法优化SVM的变压器故障诊断模型。基于IEC TC 10的诊断结果表明：与DGA全数据、三比值特征量相比,新DGA特征组合的故障诊断准确率分别高出10.14%和30.2%;IKHSVM准确率也要高于标准SVM和GASVM(分别为73.87%、81.13%和86.27%),说明该方法能有效诊断变压器故障。     

基于加权灰色关联度的牵引变压器绝缘故障诊断软件

在分析了牵引变压器负荷特征和故障产气机理的基础上,针对牵引变压器的故障特点提出了一种基于加权灰色关联度分析的牵引变压器DGA故障诊断方法:收集了大量的故障变压器历史数据,对变压器状态分类成七种牵引变压器标准状态模式序列;选取五种变压器油色谱分析(DGA)特征气体值作为灰色关联度分析的参考因子并标准化;采用参考因子加权计算关联度.将基于加权关联度分析的故障诊断方法应用在开发的牵引变压器在线监测诊断软件中.通过分析大量的历史运行数据,诊断结果表明与沿用的电力变压器传统故障诊断方法相比,该方法有着更高的准确度.     

可拓关联函数与属性约简相结合的变压器故障诊断方法

鉴于常用的三比值法诊断变压器故障时会出现"无编码"情况,提出了利用可拓学与粗糙集理论对变压器故障进行诊断的方法。以粗糙集属性约简方法对各种故障类型所需要的属性条件进行初步约简分类,然后建立变压器故障诊断的物元模型,以DGA测试数据作为变压器故障诊断属性集,以变压器标准故障模式作为变压器故障诊断决策集,利用可拓关联函数计算各种故障程度,定义故障取舍规则以确定变压器故障。以某台故障变压器为实例进行分析,其诊断结果与实际情况相符;收集76条变压器DGA信息,利用该方法进行故障诊断,诊断正确率较IEC法乐观。     

基于最大相关最小冗余准则的变压器故障诊断特征选择

电力变压器油中溶解气体分析(DGA)技术广泛应用于变压器内典型故障诊断,其中基于DGA数据的人工智能诊断方法在变压器故障诊断领域具有较高的识别率,但该类方法在选择故障特征量时尚无统一的标准。鉴于此,本文尝试引入最大相关最小冗余算法(mRMR),以互信息理论为基础挖掘变压器故障特征量之间以及特征量与故障类型之间的关联关系,通过分析大量的DGA在线监测数据挖掘出最优的变压器故障特征量集,并采用支持向量机(SVM)分类器对比优选特征量集和传统的特征量集合在变压器故障诊断的效率。最后,通过与SVM智能分类、IEC推荐的三比值分类方法的对比测试表明该方案的故障诊断准确率优于传统的故障诊断方案,故障识别效率高于新型的人工智能诊断方案,更适合于现场的工程应用及推广。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

灰色关联分析在变压器故障识别中的应用探讨

变压器的正常工作对于保障电力系统安全稳定运行起到了举足轻重的作用,因此,对其进行定期或不定期的故障诊断显得尤为必要。在常规油中溶解气体分析法(DGA)的变压器故障诊断方法基础上,将传统灰色关联分析法和B型灰色关联分析法分别应用于变压器故障识别中,并结合实例对两种方法的适用性进行了探讨。研究结果表明,B型灰色关联分析较传统灰色关联分析法,更能够有效地对变压器故障进行识别,证明了该方法在变压器故障识别领域良好的适用性。最后,对两种灰色关联分析法在变压器识别中的所遇到的问题进行了分析,认为应对DGA所测得的各气体含量占总气体含量权重等方面进行进一步的研究。     

变压器故障诊断用油中溶解气体新特征参量

油中溶解气体分析(dissolved gas analysis,DGA)是现场电力变压器故障诊断最常用的方法。然而,油中溶解气体含量较容易受到变压器结构、容量、故障位置以及故障程度等因素的影响,从而降低了变压器故障诊断的可靠性。为了提升变压器故障诊断正确率,该文提出了基于支持向量机(support vector machie,SVM)和遗传算法(geneti calgorithm,GA)优选的DGA新特征参量。首先,以28个DGA比值为输入,建立了基于SVM的变压器故障诊断模型;其次,采用GA同时对SVM参数和DGA比值进行优化,得到9个优选DGA比值作为变压器故障诊断用新特征参量。对IEC TC 10故障数据库的诊断结果表明:DGA新特征参量的故障诊断正确率为84%,较常用的DGA含量和IEC比值的诊断正确率提高10%~25%;并且无论采用哪种特征参量,支持向量机的诊断结果均优于神经网络诊断模型。最后,采用DGA新特征参量对国内117组变压器的故障诊断正确率达到了87.18%,再次验证了该方法的有效性。     

基于Relief F和灰色关联分析的高压断路器机械故障诊断

为提升高压断路器机械故障诊断算法故障诊断效率与精度,文中提出一种基于Relief F算法和灰色关联分析的故障诊断方法。首先,从高压断路器分合闸线圈电流中提取20种特征量,采用Relief F算法计算所有特征权重;然后,使用基于重要特征构成的故障样本建立灰色关联分析模型的参考序列,并归一化对应特征权重向量;最后,计算参考序列与待测序列之间的关联度值确定待测样本故障类型。通过实例分析验证结果表明,文中提出的诊断方法能准确诊断高压断路器机械故障,同时引入Relief F算法降低诊断模型复杂度并提高故障诊断效率,表明该方法具有良好的工程应用前景。     

基于云物元分析原理的电力变压器故障诊断方法研究

变压器油中溶解气体分析(DGA)是电力变压器故障诊断的重要方法。针对物元理论变压器故障诊断方法中,在建立故障模式物元模型时没有考虑边界值的不确定性的不足,首次在变压器故障诊断研究方面引入云模型,结合云模型的不确定推理特性以及物元理论能同时进行定性定量分析问题的优点,提出了一种基于云物元分析原理和DGA相结合的电力变压器故障诊断新方法。通过建立变压器故障诊断的云物元模型和计算特征云物元与标准云物元之间的关联函数,实现对变压器故障模式的有效识别。实例分析验证了方法的正确性和有效性。     

DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。     

GRA方法在变压器故障诊断中的应用研究

以油中溶解气体分析DGA（Dissolved Gas Analysis)为依据的变压器故障诊断，传统的方法是基于数据间的比值进行的。文中避开了传统的比值方法，提出了用灰色关联分析GRA（Grey Relational Analysis)方法诊断变压器故障，灰关联分析是对贪信息多因素中的一种处理数据方法，基于灰色关联度理论，对历年来相关技术刊物上公布的变压器油中溶解气体分析数据进行了统计，选出实际结论明确的167台次样本并进行故障分类，从中筛选出一组特征序列数据，将实测数据与特征数据进行灰色关联度比较及故障类型判断，结合实例验证了该方法的正确性，是一种较好的评判变压器故障类型的方法。     

加权模糊核聚类法在电力变压器故障诊断中的应用

变压器油中溶解气体分析(DGA)是电力变压器故障诊断的重要方法。针对模糊C均值聚类算法用于溶解气体成分分析时存在的问题,将加权模糊核聚类方法(WFKC)引入到电力变压器故障诊断中,建立了一个新的变压器故障诊断模型。该法首先考虑到样本中不同特征对聚类结果的不同影响,利用基于样本相似度的加权方法对样本特征进行加权,然后将样本从输入空间映射到高维特征空间,在特征空间实现加权模糊核聚类。形成的模型充分考虑了不同特征对聚类结果的不同影响,能有效改善复杂数据集的聚类性能,提高了故障诊断的正确率。案例分析表明,该法能快速有效地对样本进行聚类,从而验证了该法在变压器故障诊断中的有效性和可行性。     

基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究

变压器油中溶解气体分析（Dissolved Gas Analysis,DGA）是电力变压器绝缘诊断的重要方法.针对模糊C均值聚类算法用于溶解气体成分分析时存在的问题,文中将核函数和可能性聚类算法相结合,提出一种简化的核可能性聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断.经实践证明,该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境.     

基于新径向基函数网络的变压器故障诊断法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段,而多层前馈网络(MLFNN)是应用广泛的故障诊断模型。为此,提出了以DGA数据为特征参数的新型径向基函数神经网络(RBFNN)诊断变压器故障。在分析传统k-均值聚类算法RBFNN的缺点和最优聚类特性的基础上,介绍了RBFNN的新算法-自适应k-均值聚类算法,它既能避免传统k-均值聚类算法的局部收敛的缺点,又能动态调整学习率。最后,大量聚类实验结果显示自适应k-均值聚类算法在收敛速度和聚类性能上比传统k-均值聚类算法显著提高;故障诊断实验结果显示所提出的模型故障诊断准确度高于传统BPNN、RBFNN及IEC三比值法。     

基于DGA与鲸鱼算法优化Logit Boost-决策树的变压器故障诊断方法

为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis, DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树作为弱学习器,通过将Logit Boost集成算法作为集成框架使多个决策树集成为一个强学习器,并构建了一种基于鲸鱼优化算法的优化策略去优化LogitBoost-决策树模型中的决策树棵数及决策树的最大分裂次数。实验表明,所构建的WOA-Logit Boost-DT变压器诊断模型与常用的决策树、支持向量机、三比值等诊断模型相比,综合诊断精度分别提高了约4%、10%、21%。所构建的相关模型能为变压器的故障诊断提供技术支持。     

基于RPROP算法的变压器油中溶解气体分析故障诊断

在分析BP算法和RPROP(振荡传播)算法原理的基础上，指出了RPROP算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点，并分析了原因。将RPROP算法训练的多层前馈神经网络用于变压器油中溶解气体分析故障诊断，给出了网络模型，分析了隐层神经元数目对网络训练和诊断的影响。变压器油中溶解气体数据的训练和诊断表明，RPROP算法的收敛速度快于BP算法、加动量项BP算法，并且具有较高的诊断准确率，是一种有效的方法。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

Power transformer fault diagnosis based on dissolved gas analysis by support vector machine

This paper presents an intelligent fault classification approach to power transformer dissolved gas analysis (DGA). Support vector machine (SVM) is powerful for the problem with small sampling (small amounts of training data), nonlinear and high dimension (large amounts of input data). The standard IEC 60599 proposes two DGA methods which are the ratios and graphical representation. According the experimental data, for the same input data, these two methods give two different faults diagnosis results, what brings us to a problem. This paper investigates a novel extension method which consists in elaborating an input vector establishes by the combination of ratios and graphical representation to resolve this problem. SVM is applied to establish the power transformers faults classification and to choose the most appropriate gas signature between the DGA traditional methods and a novel extension method. The experimental data from Tunisian Company of Electricity and Gas (STEG) is used to illustrate the performance of proposed SVM models. Then, the multi-layer SVM classifier is trained with the training samples. Finally, the normal state and the six fault types of transformers are identified by the trained classifier. In comparison to the results obtained from the SVM, the proposed DGA method has been shown to possess superior performance in identifying the transformer fault type. The SVM approach is compared with other AI techniques (fuzzy logic, MLP and RBF neural network); the proposed method gives a good performance for transformers fault diagnosis. The test results indicate that the novel extension method and the SVM approach can significantly improve the diagnosis accuracies for power transformer fault classification.