基于深度森林的变压器故障诊断方法

针对变压器传统故障诊断方法准确率低以及难以有效处理故障特征信息的问题,提出了一种基于深度森林(deep forest,DF)的变压器故障诊断方法。考虑到油中溶解的特征气体与故障类型的相关性,首先将油中溶解特征气体的无编码比值作为深度森林模型的特征参量,再通过多粒度扫描提取更多的变压器故障特征信息,最后经过级联森林的训练达到诊断效果最优。通过算例分析了不同特征参量和不同样本规模下DF模型的诊断效果,并与多类传统诊断方法相比较。实验结果表明,以无编码比值作为DF模型的特征参量,可有效提高变压器故障诊断的准确率。

考虑地区负荷密度的电压等级序列优化研究

随着国家清洁电力需求的增长,中压配电系统受到了广泛的关注。以负荷密度为基础,确定技术上可行的电压等级序列备选方案对经济发展具有极其重要的意义。为此,对典型地区不同负荷密度下所提出的各种电压等级序列方案进行电网规模、电网损耗、可靠性评估、综合费用、总占地面积的分析;然后利用相对劣化度函数对关键指标归一化;最后运用层次分析法获得各电压等级序列方案的综合评估指数,从而证明了所提方案的可行性和有效性。

基于粒子群优化随机森林的变压器故障诊断模型

变压器故障诊断正确率取决于诊断模型的构建、特征参量的选取以及故障类型数据的丰富,模型参数的调整也变得尤为重要.针对依据经验调整参数导致随机森林模型诊断变压器故障正确率不够高的问题,提出了基于粒子群优化随机森林(PSO-RF)的故障诊断方法.以油中溶解气体的无编码比值构成特征参量作为模型输入,通过PSO算法搜索RF模型的两个最优参数(子树棵数和分裂特征数),建立PSO-RF模型诊断故障类别,并与不同特征参量选择方法和不同模型进行对比分析.运用两个具体实例的诊断结果来验证所提诊断模型和特征选取的有效性.结果表明:以无编码比值作为特征参量能挖掘更多的故障信息,并且PSO-RF模型故障诊断正确率优于SVM、BPNN与RF模型,随着样本空间的增大,故障诊断模型的效果越好.