基于集成智能方法的变压器故障诊断

建立了基于自组织特征映射(SOM)神经网络和粗糙集理论的变压器故障诊断模型,并将SOM各种改进算法应用到厦门市110 kV变压器故障的智能诊断中。模型使用粗糙集方法对原始数据进行约简,将得到约简后的决策表作为SOM网络的训练样本集,采用包括传统SOM、静态自组织映射树(TS-SOM)、自组织树(SOTA)、改进的自组织二叉树(DBTSONN2)、动态多叉树(DMTSONN)等各种算法对电力变压器运行中的潜在故障进行诊断。试验表明,DBTSONN2、DMTSONN能有效降低SOM网络的复杂性,减少SOM网络训练时间,对于提高变压器故障诊断精度具有一定的实际意义。     

栈式降噪自编码网络在变压器故障诊断中的应用

为提高变压器故障诊断的准确率,提出了一种新型的变压器故障诊断网络,该网络以基于栈式降噪自编码网络为基础,把深度学习用在诊断变压器设备故障方面,建立深层网络模型,采取逐层贪婪编码的方式进行自适应的非监督式预训练,实现高维深层故障特征的自适应提取和挖掘,进而使用反向传播算法对模型进行监督式微调。最后利用Softmax分类器,对故障进行分类输出。最后通过实例验证表明,提出的栈式降噪自编码网络能准确、有效地对变压器进行故障诊断,与传统方法相比,该方法提高了变压器故障诊断的准确率。     

基于BP网络远程无线电力变压器故障诊断系统

针对电力变压器故障的特点,运用BP神经网络技术对传统的电力变压器故障诊断方法加以完善,以TMS320VC5402 DSP为硬件核心,设计了高速实时电力变压器故障诊断模块,同时利用Zigbee网络实现了电力变压器故障远距离无线诊断。通过电力变压器故障诊断实例,比较了BP神经网络法和传统的改良三比值法在诊断电力变压器故障类型方面的性能。比较实例表明,基于BP网络远程无线电力变压器故障诊断方法能有效地对电力变压器单故障和多故障样本进行分类诊断,提高了诊断准确率,同时还可以进行远距离无线诊断,从而节省了成本。     

基于BP网络远程无线电力变压器故障诊断系统

针对电力变压器故障的特点,运用BP神经网络技术对传统的电力变压器故障诊断方法加以完善,以TMS320VC5402 DSP为硬件核心,设计了高速实时电力变压器故障诊断模块,同时利用Zigbee网络实现了电力变压器故障远距离无线诊断.通过电力变压器故障诊断实例,比较了BP神经网络法和传统的改良三比值法在诊断电力变压器故障类型方面的性能.比较实例表明,基于BP网络远程无线电力变压器故障诊断方法能有效地对电力变压器单故障和多故障样本进行分类诊断,提高了诊断准确率,同时还可以进行远距离无线诊断,从而节省了成本.     

基于SOM的真空断路器机械故障诊断

给出了适用于小样本训练的自组织映射(SOM)网络的基本概念和突出特点,分析了真空断路器的机械特性与对应机械故障的关系。在此基础上,提出以真空断路器的机械特性作为训练与识别样本并基于SOM的真空断路器机械故障诊断方法。重点介绍了应用该方法进行断路器机械故障分类的全过程:通过提取正常与故障状态下断路器的机械特性并输入至SOM网络中进行故障区分。实验分析表明,该故障诊断方案可有效对真空断路器常见机械故障进行分类。     

基于小波神经网络的风力发电机故障诊断

针对风力发电机是一个复杂的时变非线性系统难以提取有效故障特征的问题,首次提出一种优化的局部判别基(LDB)算法结合SOM-BP混合网络进行故障诊断与定位的新方法.首先利用改进的LDB算法提取初始的故障特征,为进一步提高类间可分离度,将这个初始的故障特征通过自组织特征映射(SOM)网络映射到一个类别可分性更高的特征空间,最后利用反向传播(BP)网络根据映射后的特征实现非线性分类,完成故障诊断与定位.     

小样本条件下基于卷积孪生网络的变压器故障诊断

为提高小样本条件下变压器故障诊断的准确率,提出了一种小样本条件下基于卷积孪生网络CSNN(con-volutional Siamese neural network)的变压器故障诊断方法.利用具有强大特征提取能力的卷积层和池化层来构建孪生网络将原始数据映射到低维空间.并基于欧式距离进行相似度的对比,从而实现故障的分类.仿真结果表明,CSNN比传统方法更加适合小样本条件下的变压器故障诊断,利用卷积层和池化层来构建孪生网络比仅用全连接层来构建孪生网络会收获更高的准确率.     

智能算法优化神经网络在变压器故障诊断中的应用

传统的电力变压器故障诊断方法存在着识别精度低的局限性,不能有效地进行数据分析,导致无法正确诊断故障类型甚至误诊。为此,神经网络和人工群智能算法的提出,及其在电力变压器故障诊断中的应用,大大提高了故障诊断的时效性和准确性。该类方法以传统的变压器溶解气体分析(DGA)作为数据采集基础,利用神经网络良好的非线性逼近能力,同时采用群智能算法的自组织、分布式和并行性等良好性能优化神经网络参数(权值和阀值),使得神经网络的快速收敛及精确程度大幅提高,进而用优化过的神经网络对变压器溶解气体数据分析并故障分类。最后通过实例验证表明:该类方法能够有效地对故障气体样本进行离散和约简化分析,与传统方法相比,提高了故障诊断的效率和正确率。     

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     

基于互补免疫算法的变压器故障诊断

基于自组织抗体网络(so Ab Net)的变压器故障诊断方法中没有网络压缩机制,并且网络的初始抗体是随机选取的,网络性能不稳定。针对这一问题,提出了基于互补免疫算法的变压器故障诊断方法,结合变压器故障诊断的特点详细设计了免疫算子以弥补so Ab Net的不足。免疫算子中接种疫苗利用K-means最佳聚类算法为so Ab Net提供初始抗体,并通过免疫选择压缩网络规模,其参数由粒子群算法进行优化。变压器故障诊断实验结果表明,所提出的互补免疫算法能够充分利用系统的先验知识,并有效地提取故障样本的数据特征,与单一智能方法相比具有更高的诊断准确率。     

模糊粗糙集数据挖掘方法在电力变压器故障诊断中的应用研究--基于油中溶解气体的分析诊断

将电力变压器故障历史数据首先进行模糊化及离散化处理,然后构建故障诊断决策表,以决策表作为主要工具,即"知识库",采用粗糙集数据挖掘方法直接从决策表中提取出潜在的诊断规则,为电力变压器提供有效的故障诊断.     

基于粗糙集理论的变压器故障的诊断方法

由于电力变压器故障的不完备性和复杂性,提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法,它能够根据不完整兆信息对电力变压器故障进行诊断。基于粗糙集的知识获取方法,通过构造属性决策表,进一步构造区分矩阵和区分函数,通过相应的析取和合取运算,获取改进的三比值属性决策表。实验结果表明,这种新的诊断方法扩展了原始IEC三比值的编码范围,提高了故障诊断能力,优化了诊断时间,提高了诊断精度,有实际工程应用价值。粗糙集理论的决策表约简方法能够处理变压器的复合故障,解决了IEC三比值法在此种情况下的不足。同时该法有一定的容错能力,能处理含有遗漏或错误的变压器故障征兆,提高故障诊断准确率。     

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。     

基于参数优化的电力变压器故障诊断模型

针对当前电力变压器故障诊断效率低、误差大的难题,提出了基于参数优化的电力变压器故障诊断模型。首先提取电力变压器故障的特征,将其作为最小二乘支持向量机输入,电力变压器故障类型作为输出,然后采用最小二乘支持向量机对电力变压器的故障诊断样本进行学习,构建电力变压器故障识别的分类器,并引入混沌粒子群算法对最小二乘支持向量机的参数进行优化,最后进行了电力变压器故障诊断的仿真对比测试。测试结果表明,本文模型可以准确辨识各种类型的电力变压器故障,获得较高正确率的变压器故障诊断结果,电力变压器故障诊断的速度,而且电力变压器故障诊断整体性能要优于当前其它电力变压器故障诊断模型。     

基于物元模型的电力变压器故障的可拓诊断方法

为了提高传统的油中溶解气体分析的诊断能力,提出了一种定性与定量相结合的电力变压器故障的可拓诊断方法。首先基于可拓学中的物元理论,建立了定性地描述电力变压器故障诊断问题的物元模型;其次引入可拓集合中的关联函数,根据故障特征定量地计算故障发生的程度;最后以195台次电力变压器为例验证了该方法的有效性。结果表明该方法能够克服IEC三比值法中无法诊断多重故障和无匹配的故障编码的不足,且具有更高的诊断准确率。     

三种变压器故障诊断方法比较研究

变压器常规诊断的油中溶解气体的三比值法(IEC),在目前变压器故障诊断中有着广泛的应用,许多人工智能技术在电力变压器故障诊断中的应用都是基于IEC法进行研究的,并在此基础上提出了基于神经网络和模糊神经网络的变压器故障诊断专家系统。该文将传统IEC三比值法、神经网络法和基于IEC三比值法的模糊神经网络法进行了比较。本文结合实例对这三种诊断方法进行了分析与探讨,指出了传统的IEC三比值法的不足,神经网络法和基于IEC三比值法的模糊神经网络法的优点等。     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

粗糙集理论在IEC-60599三比值故障诊断决策规则中的应用

基于粗糙集理论提出一种改进的新导则IEC三比值的变压器故障诊断决策新方法。文中从实际诊断中出发首次将IEC-60599三比值故障诊断表编写成对应的逻辑编码表，然后应用粗糙集理论构造决策表并对决策表进行约简，最后建立改进的新导则IEC-60599三比值故障诊断决策规则。这种改进的新导则IEC-60599三比值诊断方法使用简单，便于操作。同时它还扩展了IEC-60599三比值的故障诊断范围、提高了故障诊断能力和复合故障的识别能力。在诊断信息不完备的情况下，可以避开遗漏信息实现较为准确的故障诊断。实际诊断结果表明，它的故障诊断正确率比IEC-60599三比值诊断法高达19．7％左右。这种改进的新导则IEC-60599三比值故障诊断决策规则简单实用，便于技术人员的现场使用，在实际工程中具有实用价值。     

判决树方法用于变压器故障诊断的研究

提出了一种利用属于模式识别范畴的判决树ID3（Identification Data)方法进行变压器故障诊断的方法。由于ID3方法可方便地处理具有非数值特征模式且具有从样本学习规划的功能,对实例的应用显示了该手段用于变压器故障诊断的适用性。通过讲座,指出了ID3方法与人工神经网络、专家系统等人工智能方法相比所具有的优点,说明该方法和其它人工智能方法相结合是实现变压器故障诊断实用的有效途径。