基于Bagging改进算法变压器油中气体故障诊断研究

针对变压器故障征兆与故障类型间映射关系的不确定性及模糊性问题,以变压器油中溶解气体数据作为变压器故障类型的判断依据,利用Bagging算法把弱分类器变为强分类器的特点,提出了Bagging的改进算法,并对该算法的性能进行了测试,测试结果表明该方法具有较好的分类精度。将Bagging改进算法应用到变压器油中气体故障诊断中,仿真实验结果表明,基于Bagging的改进算法优于boost集成算法及BP神经网络和支持向量机等最新方法。该方法精度达到90.67%。     

基于PSO的改进BP算法在变压器故障诊断上的研究

变压器是电力系统的重要组成部分,其运行状态对电力系统的稳定、安全运行有着重要的意义。研究变压器故障诊断方法,加强变压器的运行维护,可以有效减少故障隐患所带来的安全事故。BP神经网络具有并行分布式计算、自适应、记忆及聚类等诸多优点,能准确表达变压器油中溶解气体与变压器内部故障之间存在的映射关系;但是BP算法存在收敛速度慢、易陷入局部极小点的缺陷,而PSO算法具有全局寻优的能力,可有效地改善BP神经网络收敛速度,提高故障诊断准确率。将BP神经网络模型与PSO算法改进的BP神经网络模型应用于变压器故障诊断,结果表明,故障诊断的可靠性和准确性都得到了明显提高。     

神经网络技术在变压器故障诊断中的应用

本文针对变压器传统故障诊断的缺点,提出将神经网络技术用于变压器故障诊断。本文对BP算法改进,使网络收敛速度和误差精度进一步提高。收集部分油中溶解气体故障数据样本,对变压器故障类型进行了分析,并确定网络的输入和输出向量,建立诊断网络模型,实现对各项网络参数的比较确定,在Mtalab里面仿真使误差满足要求。     

基于DGA和HMM的小样本变压器故障诊断算法

针对基于油中溶解气体分析(DGA)的变压器故障诊断方法需要大量训练样本,而实际应用中缺乏样本的问题,提出在小样本情况下一种应用基于DGA和隐马尔科夫模型(HMM)的变压器故障诊断算法。该算法利用DGA提取变压器的故障特征,使用HMM作为变压器故障诊断分类器,并对HMM模型的训练算法进行改进,引入比例因子和多观测序列。试验结果表明：使用公开数据集IEC TC 10作为变压器故障数据集,将本算法与常用于小样本情况的SVM、决策树算法相比较,本算法的变压器故障诊断正确率更高。     

基于三比值法的变压器故障诊断识别

变压器作为电力系统发、输、变、配电环节重要的电气设备,其故障能被快速、精准地诊断对电力系统稳定运行起到至关重要的作用。目前,变压器油中溶解气体的三比值法被广泛应用于变压器内部故障诊断,现利用三比值法对变压器进行诊断,在广泛收集5种变压器故障的基础上,首先利用ReliefF算法对三比值特征的重要性进行评价,然后利用KNN分类器进行故障识别。实验结果表明,该方法可以有效识别变压器故障类型。     

基于重构贡献和灰关联熵的变压器诊断方法

提出了一种基于重构贡献和灰关联熵相结合的变压器故障诊断新方法.该方法在利用油中溶解气体分析数据建立主元模型后,基于故障重构的思想,计算样本各变量重构贡献率作为特征量,规格化处理来提取变压器油中溶解气体的故障特征信息.为了克服单一灰关联分析中易造成局部关联及信息损失等缺陷,采用灰关联熵方法进行变压器故障类型诊断.实例研究结果表明,该方法具有良好的故障识别能力,提高了故障诊断的准确性.     

基于差分进化小波神经网络的配电变压器故障检测

配电变压器内部结构复杂，运行环境不确定，故障时有发生。将差分进化算法和小波神经网络结合，应用于配电变压器的故障检测。给出了小波神经网络的结构和原理，分析了差分进化算法的具体实现，在此基础上，给出了差分进化小波神经网络的原理和具体实施步骤。影响变压器运行的变量很多，对故障诊断中用到的状态变量进行了类型划分，找到动态变量、准动态变量和静态变量的状态数据和变量应用场景，进行了故障诊断前的故障状态数据挖掘。结合状态数据，进行了神经网络的结构设计和样本设计。学习算例表明，差分进化小波神经网络能够表达故障检测的映射关系，具有更高的故障诊断效率。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

自适应因子神经网络的变压器故障诊断研究

电力变压器是是电力系统的核心设备。为预防并降低电力变压器发生故障概率,设计了小波神经网络对电力变压器进行故障诊断。为提高迭代计算速度及计算精度,提出一种基于自适应修正因子的模型优化方法,通过自适应修正因子可以忽略模型中的局部极值,进而消除微小变化特性,排除杂波干扰。基于自适应修正因子设计变压器故障诊断小波神经网络模型训练方法,从而提高迭代计算效率及精度。通过与传统的神经网络模型及粒子群小波神经网络的故障分析结果及误差对比分析,验证所设计的电力变压器故障诊断模型具有较高的可用性。研究结果为电力变压器故障诊断分析提供理论基础。     

基于小波网络航空发动机滑油系统故障诊断方法研究

研究基于小波神经网络的非线性系统的故障检测和诊断方法.把小波分析与前馈神经网络相融合,并推导出其具体的算法.应用小波神经网络时航空发动机滑油系统进行故障诊断.实验和仿真的结果表明:小波网络应用于故障诊断时具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.