采用遗传算法优化装袋分类回归树组合算法的变压器故障诊断

传统的变压器故障诊断方法依靠经验,不能很好地反映故障特征和模式之间的深刻联系,诊断准确度不高。为此,采用遗传算法(GA)对装袋分类回归树组合(Bagging-CART)算法进行了优化,优化后的算法可有效提高变压器故障诊断准确度。该算法在油中溶解气体分析(DGA)技术的基础上,以分类回归树(CART)算法作为基分类器,并采用装袋(Bagging)算法对CART算法进行集成,得到Bagging-CART强分类器。鉴于Bagging算法在集成过程中会生成相似甚至相同的基分类器,从而影响强分类器的泛化能力,故进一步利用遗传算法寻找最优基分类器组合进行了选择性集成。实验结果表明:单一CART算法的故障诊断准确度为83.33%;Bagging-CART全集成算法的故障诊断准确度为88.67%;而遗传算法优化Bagging-CART算法的故障诊断准确度可达91.33%,故障诊断准确度得到了提升。

基于DGA技术和SAMME的变压器故障诊断

油中溶解气体分析(dissolved gas analysis,DGA)技术可以有效发现充油变压器内部的早期潜伏性故障,是对充油设备进行诊断的常用检测方法。CART(classification and regression trees)分类回归树是一种可处理连续属性的不平衡算法。SAMME作为Ada Boost二分类算法的延伸,可将多个略好于随机猜测的弱分类器组合提升为分类精度更高的强分类器,完成多分类任务。针对单一算法往往不能满足实际工程对分类精度的需求且高精度算法难以获得的问题,采用SAMME算法对CART弱学习器的权重根据误差不断调整,再通过加权投票将其组合提升为强分类器,并采用V折交叉验证确定SAMME-CART模型的最优迭代次数。以此提高故障诊断模型的泛化能力。实验结果表明,运用该模型结合DGA技术对变压器故障进行诊断,相比于单一CART算法,诊断准确率整体提高了18.7%,表明该方法是可行的。

基于IGSO优化LM网络的变压器故障诊断方法

针对现今电力变压器故障诊断方法中存在编码边界区间过于绝对、准确率不高等一系列问题,提出了一种自适应搜索萤火虫算法(IGSO)优化列文伯格·马夸尔特(LevenbergMaquardt,LM)网络的变压器故障诊断方法。该方法采用萤火虫个体代表神经网络的权值和阈值、LM网络的均方误差函数作为萤火虫个体的适应度函数,利用改进萤火虫算法迭代寻优得到LM网络的最优权值和阈值。同时,运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,不仅有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点。然后,建立基于自适应搜索萤火虫算法优化的神经网络模型,并将典型变压器故障数据代入仿真,通过与贝叶斯正则化神经网络模型以及粒子群模型的仿真结果对比,表明该方法具有较好的分类效果,准确率达到88.57%。

基于AdaBoost多分类算法变压器故障诊断

油中溶解气体分析(Dissolved Gas Analysis,DGA)技术可以有效发现充油变压器内部的早期潜伏性故障,是对充油设备进行诊断的常用方法.k-最近邻(k-Nearest Neighbor,kNN)算法是一种惰性分类算法.为了满足实际工程中对变压器故障模式分类精度的要求,AdaBoost.M2作为AdaBoost二分类算法的延伸,可将多个略好于随机猜测的弱分类器组合提升为分类精度更高的强分类器,完成多分类任务.针对单一算法往往不能满足实际工程对分类精度的需求且高精度算法难以获得的问题,利用AdaBoost的扩展算法AdaBoost.M2对每个kNN分类器的权重根据误差不断调整,再通过加权投票将其组合提升为强分类器,提高了故障诊断精度.实验结果显示,运用该模型结合DGA技术对变压器故障进行诊断,相比于单一kNN算法,诊断准确率整体提高了27.8%,表明该方法是可行的.

基于Adaboost算法的变压器故障诊断

DGA技术能够及时探查到充油型设备在使用过程中不易发现的隐性问题,k近邻算法是一种惰性分类算法,但是单一故障诊断算法准确性无法满足实际工程需求。为了提高变压器故障诊断精确性,本文用Adaboost算法对k近邻算法进行提升,并对Adaboost算法进行延伸,从而发展出了Adaboost.M2-kNN算法,能够处理多类分类任务。试验发现利用Adaboost.M2-kNN算法能够有效提高变压器故障诊断的准确性,该方法逐步应用于工程实践中。

浅谈变电站高压室机器人自动巡检系统的应用

在变电站高压室之中应用机器人自动巡检系统,可以实现对站内设备运行情况的实施监控,进一步提升巡检效率和智能化水平。本文根据以往工作经验,对所用的选择性集成算法介绍及流程图进行总结,从硬件开发、软件开发、数据分析三方面,论述了变电站高压室机器人自动巡检系统的组成,并以实际案例研究为主,研究了变电站高压室机器人自动巡检系统的应用。

基于贝叶斯和模糊L-M网络的变压器故障诊断

针对现今电力变压器故障诊断方法中存在编码不齐全、准确率不高等一系列问题,研究贝叶斯理论的神经网络算法,提出一种基于贝叶斯正则化优化L-M(Levenberg-Marquardt)算法神经网络的变压器油色谱故障诊断方法。算法采用贝叶斯方法确定超参数,使得神经网络在训练过程中能自适应地调节超参数的大小,得出目标函数的最优化参数。同时,该方法运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点。最后,运用仿真软件对典型变压器运行数据进行仿真,验证了该算法的可行性。结果表明,建立的模型对变压器进行故障诊断时迭代次数为21次,实际值与预测值的误差平方和仅为0.000 618。