基于粗糙集的变压器故障诊断方法研究综述

介绍了粗糙集理论的基本概念、约简计算方法和约简过程,并对近年来基于单一粗糙集理论及其与其他智能方法组合的变压器故障诊断方法的主要研究成果进行了分析和评述,指出基于粗糙集理论的属性约简能够保证在变压器故障诊断结果一致的情况下选择最少的特征集,是变压器故障诊断的一个较好的途径。     

融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法

针对燃气轮发电机组振动故障诊断中可测参数难以直接反映机组故障状态的问题,提出一种融合粗糙集理论和神经网络的燃气轮发电机组振动故障诊断方法。结合粗糙集对燃气轮发电机组振动信号原始特征数据进行约简,减少冗余信息。将粗糙集与神经网络有机结合,用优化了的神经网络诊断燃气轮发电机组振动故障。试验结果表明了所述方法的有效性,为燃气轮发电机组振动故障的快速诊断提供了可参考的新思路。     

一种基于人工神经网络的变压器故障诊断方法

介绍了一种基于人工神经网络(ANN)的油浸式电力变压器故障诊断方法,对所采用人工神经网络的模块结构做了简单阐述,并应用具体实例验证了ANN诊断结果的准确性,表明了ANN对变压器早期潜伏性故障做出预诊断的可行性和正确性.     

基于粗糙集-神经网络系统的电力电子电路故障诊断

基于粗糙集理论RST(Rough Set Theory)与BP神经网络系统,提出了电力电子电路故障诊断的方法：粗糙集-神经网络系统相结合的方法。叙述了粗糙集-神经网络系统诊断电力电子电路的过程。以三相可控整流电路为例,对故障信息中样本的故障征兆进行数据预处理,通过知识约简,形成诊断的确定性规则,实现故障分类;然后将粗糙集的分类结果与故障信息中的输出电压Ud采样值作为神经网络的输入,实现故障元的定位。仿真实例表明,该方法不仅准确可靠,而且提高了系统诊断的速度。     

基于ANN的大型干式电抗器的超高频局放检测技术

本文中作者介绍了电抗器的特点、ANN网络的原理及应用及电抗器故障识别参数的设定,给出了试验结果,并对其进行了分析,通过试验验证了ANN在电抗器故障检测中的效果。     

基于粗糙集理论和朴素贝叶斯分类算法的汽轮发电机振动故障诊断

汽轮发电机组结构及振动的复杂性使其故障具有多层次性和随机性,以及故障信息不完整性等特点。对此,提出了一种基于粗糙集理论与朴素贝叶斯分类算法的汽轮发电机组振动故障诊断方法。通过粗糙集理论求取最小属性约简集,并在此基础上利用朴素贝叶斯分类算法诊断出故障概率最大的区,最后针对具体的故障设定值对该方法进行验证。实际算例结果表明,该方法能在故障信息不完整甚至丢失核心属性的情况下得到较好的诊断结果,提高了系统诊断的容错性。     

粗糙集理论与神经网络在变压器故障诊断中的应用

粗糙集(RS)理论是一门新兴的智能信息处理技术,它对各种不完整数据进行分析、推理,发现数据间的关系,提取有用特征,简化信息处理。人工神经元网络(ANN)具有本质的非线性特性、并行处理能力、以及自组织自学习的能力。但单独使用ANN处理问题时,往往会存在一些缺陷。该文把粗糙集理论与人工神经元网络结合起来,应用于变压器故障诊断,可以充分发挥两种方法的优势,取长补短。粗糙集理论可以有效地对样本集进行约简,从而简化了ANN的网络结构,减少了网络的训练步数,提高了判断准确率。并用仿真实验验证了此方法的有效性。     

多种智能理论联合作用的电力变压器故障诊断

提出了一种基于粗糙集理论、神经网络理论和证据理论的变压器故障综合诊断的新方法,并通过实例证明了该方法的诊断性能。     

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。     

基于粗糙集和小生境遗传算法的电网故障诊断规则提取

用粗糙集理论进行电网的故障诊断,关键是对知识表的约简.本文以粗糙集理论中的决策表为主要工具,首先将继电保护和断路器的动作信号作为对故障分类的条件属性集,故障区域作为对故障分类的决策属性,建立决策表,然后利用小生境遗传算法适合于进行多峰值函数优化的特点,提出了一种基于小生境遗传算法的粗糙集属性约简方法,用于求解决策表的多个约简,进而进行值约简后抽取出诊断规则.算例结果说明了本算法的正确性和可行性.     

基于粗糙集与支持向量机的变压器故障诊断

介绍了基于粗糙集理论(RS)和支持向量机(SVM)的变压器故障诊断方法,使用这种方法可提高训练速度和诊断准确率。     

粗糙集神经网络故障诊断系统的优化方法研究

神经网络的联想能力不足影响它在故障诊断中进一步应用，该文根据粗糙集理论擅长于处理不完整小样本数据的优点，提出了使用粗糙集理论优化BP神经网络故障诊断系统的基本策略，构建了优化的粗集神经网络模型。通过对轴承故障数据和磨削工况分析表明，使用该模型可以有效地减少输入层神经元的个数，改进网络内部结构，提高神经网络模型的学习效率和诊断的准确率，在故障诊断中有良好的应用前景。     

基于数据挖掘模型的高压输电线系统故障诊断

在大多数故障诊断系统中,由于诊断所依据的实时信息在其形成和传递过程中都有可能产生信息的畸变,从而导致故障诊断结果的错误。文中提出利用基于粗糙集理论的数据挖掘模型来处理实时输入信息的畸变和实现输电线系统的故障诊断,它是依据粗糙集定性分析能力对知识域的数据集进行分析,粗糙集的约简是通过遗传算法求取。还给出了构造测试样本的理论准则,从而使检验故障诊断系统的容错性能具有保证和真正的实用价值。通过仿真测试证明,基于数据挖掘模型的故障诊断与基于神经网络模型的故障诊断相比,具有更高的容错性能。     

基于不同RS与NN组合的数据挖掘配电网故障诊断模型

在将基于RS（粗糙集）理论的数据挖掘用于配电网故障定位诊断模型研究的基础上，提出和构造了4类不同的RS与NN（神经网络）组合的故障诊断模型，给出了RS与NN在4类模型中实现不同的互补性，关联关系，应用机理和原则及相应的局限性。通过对5类模型的仿真测试结果比较，证明数据挖掘模型潜在知识发现的重要意义，并对4类模型中RS的应用机理和性能作出全面的评估。文中对RS和数据挖掘研究的评估对其他领域的故障诊断研究具有同样的指导意义。     

基于粗糙集和支持向量机的水电机组振动故障诊断

提出应用粗糙集和支持向量机水电机组振动的故障诊断模型.运用粗糙集理论对水电机组振动信号的属性特征进行预处理,在约简去除其冗余属性后得到决策表,将决策表作为支持向量机的学习样本,通过训练,使构建的支持向量机多分类器能够反映属性特征和故障类型的映射关系,从而达到故障诊断的目的.测试结果表明,与常规方法相比,应用粗糙集和支持向量机相结合的方法进行故障诊断具有简单有效、诊断速度快和良好的鲁棒性等优点,是一种有效的诊断方法.     

粗糙集理论在电力系统中的应用

粗糙集理论是一种较新的软计算方法,可以有效地分析和处理不完备信息。近几年来,该理论日益受到国际学术界的重视,已在模式识别、预测建模、医疗诊断、决策分析等许多领域得到成功的应用。粗糙集理论在电力系统中的研究起步较晚,目前尚鲜见实际应用的报道。为了进一步推动粗糙集理论在电力系统广泛和深入地应用,文中综述了近年来粗糙集理论在电力系统设备故障诊断、配电网故障诊断、暂态稳定评估、电压无功控制、数据挖掘等方面应用研究的主要成果与方法。探讨了粗糙集理论在电力市场数据挖掘中的巨大潜力,以及与专家系统、人工神经网络、模糊理论和多代理系统等其他人工智能技术的相互结合问题,并提出了若干需要进一步研究的问题。     

证据理论和粗集在变电站故障诊断中的应用

由于证据理论存在如基本概率人为给定而导致强烈主观性等固有缺陷,文中首先分析了粗集理论与证据理论的关系,确定了粗集是证据理论的基础,进而描述了基于粗集和证据理论的变电站故障诊断的特殊过程,并研究了基于上述理论的变电站故障诊断推理算法.通过在变电站故障诊断专家系统的不确定知识决策规则中应用该算法,表明此算法能增强推理过程的稳定性,并具有较强的鲁棒性,是一种处理不确定和不完整信息的有效方法.     

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GA与RS的电力系统输电线路故障诊断

针对电力系统中存在着各种故障,及断路器跳闸进而引起大范围停电的情况,提出了一种基于建模-简约-优化的多源信息融合的智能故障诊断方法.通过对电力系统输电线路故障的原因分析,确定基于遗传算法的故障诊断规则.再利用粗糙集理论对故障动作决策表进行最大限度的约简,此方法保留了关键信息同时得到了知识的最小表达,能够更快更准确的诊断出故障发生的位置.通过实验证明:文中所提出故障诊断模型高效便捷,可应用于大型电力系统的故障诊断,尤其是输电线路方面的故障诊断,在诊断电力线路故障方面提供了一个切实有效的方法.     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出。首先通过变分自编码器对少数类训练样本进行预处理,在学习确定少数类训练样本分布特征的基础上实现训练样本自动生成,进而提高训练样本的均衡性。基于3隐层结构堆栈稀疏自编码器深度学习网络构建变压器故障诊断模型,并以经变分自编码器预处理后的均衡训练样本对诊断模型参数进行更新优化。基于实例验证了所提方法的有效性。实验结果表明,所提方法可改善训练样本不平衡的不利影响,各训练集下,采用所提方法的变压器故障诊断结果准确率均保持在91%以上,且漏报率较低。