基于QPSO-SVM与DGA五边形解释工具的变压器故障诊断方法

鉴于变压器油中溶解气体分析(dissolved gas analysis,DGA)五边形解释工具存在依赖现场经验、准确率较低和分类边界过于绝对化等问题,提出了基于量子行为粒子群优化支持向量机(quantum-behaved particle swarm optimization support vector machine QPSO-SVM)与DGA五边形解释工具的变压器故障诊断方法。首先,基于变压器油中溶解气体数据,计算了Duval Pentagon1特征气体相对百分比的质心坐标和Mansour Pentagon特征气体相对百分比的质心坐标。其次,构建了QPSO-SVM-Duval Pentagon 1和QPSO-SVMMansour Pentagon变压器故障诊断模型。最后,对不同变压器故障诊断方法进行对比分析。仿真结果表明,QPSO-SVM-Duval Pentagon 1和QPSO-SVM-Mansour Pentagon变压器故障故障诊断方法准确率高于95.00%;QPSO-SVM-Duval Pentagon 1与QPSO-SVM-Mansour Pentagon相比准确率高、计算复杂;所提出方法与常规的DGA五边形解释工具和传统QPSO-SVM变压器故障诊断方法相比,变压器故障诊断准确率更高。

基于空间分析理论改进的变压器Duval Pentagon1故障诊断方法

为了解决Duval Pentagon1法不能表征各种变压器故障模式可信度的问题,提出了一种基于空间分析理论改进的方法。首先,采用核密度估计(kernel density estimation,KDE)方法对各种变压器故障模式数据进行空间分布密度分析;其次,应用B样条理论构造各种变压器故障模式密度曲面;最后,利用空间叠置分析方法实现变压器故障模式识别。实例分析结果表明:与Duval Pentagon1法相比,改进后的Duval Pentagon1法的总体诊断准确率提升了8.42%,并且能够定量地表征各种变压器故障模式可信度。研究结果可为变压器油中溶解气体图形分析方法的改进提供参考。

基于TLR-ADASYN平衡化数据集的MSSA-SVM变压器故障诊断

变压器的稳定运行在电力系统安全中扮演重要角色,而变压器故障数据样本的不足会对故障类型的准确识别产生严重影响。论文首先使用了托梅克链接移除和自适应样本合成的方法对原始数据进行去噪处理及少数类数据样本合成;然后修正了部分麻雀算法(sparrow search algorithm,SSA)公式,并将其与差分进化算法融合,提出了改良麻雀算法(modified sparrow search algorithm,MSSA);接着构建了一种基于平衡数据集的改良麻雀算法优化支持向量机(modified sparrow search algorithm-support vector machine,MSSA-SVM)的变压器故障诊断模型;最后对BP神经网络(BP neural network,BPNN)、粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)、麻雀算法优化支持向量机(sparrow search algorithm-support vector machine,SSA-SVM)和MSSA-SVM进行对比仿真实验。结果显示,各类模型在使用平衡数据集后的平均准确率分别提升了3.12%、6.03%、7.58%、10.23%,验证了所提不平衡数据处理方法的有效性;另外,PSO-SVM、SSA-SVM、MSSA-SVM分别迭代了30次、26次和20次后收敛,其在测试集中Kappa系数分别为0.758、0.785和0.870,这表明了MSSA在该模型优化上具有更强的全局搜索能力。仿真结果说明在变压器数据不平衡的实际背景下,所提变压故障诊断方法具有较高的优越性。