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。     

基于修正Debye模型的油浸绝缘纸不均匀老化时域介电特性

变压器内部存在的温度梯度导致油浸绝缘纸不均匀老化,为研究油浸绝缘纸在温度梯度下的时域介电特性,在实验室搭建油浸绝缘纸不均匀老化试验平台,测定试样老化过程中聚合度变化规律和极化/去极化电流曲线,并对其进行等效模型参数辨识,得到如下结论:发热端附近油浸绝缘纸极化/去极化电流均向左上方平移,纸内电导率提高,极化的响应速率加快;发热端附近等温区极化电阻和时间常数最小,修正Debye模型和扩展Debye模型参数存在关联关系;扩展Debye模型只能评估油纸绝缘平均老化程度,用其进行绝缘状态评估时会出现"老化被高估区"和"老化被低估区",发热端附近绝缘实际状况比评估结果恶劣将近50%。研究结果为将极化/去极化电流法更精确地应用于实际变压器油纸绝缘状态评估提供了参考。     

基于粒子群与多分类相关向量机的变压器故障诊断

为有效提高变压器故障诊断准确率,文中将粒子群优化算法与多分类相关向量机方法相结合,构建了一种基于粒子群优化多分类相关向量机的方法用以变压器故障诊断。该方法首先将油中溶解气体与4种特征气体比值相结合作为故障特征量,以进一步丰富故障信息。其次,利用粒子群优化算法并结合训练样本数据对多分类相关向量机的核参数进行优化,以获得能够最优的及能有效提高故障分类效率的参数。最后,将9种特征量作为特征输入,并利用已训练完毕的多分类相关向量机进行故障诊断。经实例分析表明,该方法使故障特征量与故障分类模型得到了有效补充、改进及完善,且其故障诊断效率更具优势。     

基于多信息融合的变压器故障诊断

目前变压器故障诊断中,以油色谱数据为主的诊断方法信息量不足,同时,基于单一智能算法的故障判断能力有限。鉴于此,文中构建了一种基于多信息融合的变压器故障诊断模型。该方法首先将电气试验等数据与17组油中特征气体含量比值相结合作为故障特征量,以获得更丰富的故障信息,并采用特征敏感性评估与核主元分析方法对所选定的故障信息进行特征降维融合,以实现多层面故障信息的互补。其次,将降维融合后的9维特征量分别作为BP神经网络、SVM及贝叶斯方法的特征输入,进行故障类型的初步判定。最后,若初步诊断结果不存在分歧,则直接得出结论;否则,基于证据理论方法分别计算各证据体的基本信任分配,并运用Dempster组合规则进行决策融合,以做出更合理的故障判断。实例分析表明,该方法有效解决了信息单一和方法单一的问题,且有效提高了故障识别准确率。