基于正交实验法改进的蝠鲼算法优化BP在变压器故障诊断上的研究

油浸式变压器在运行老化过程中难免会出现各种潜伏性故障,及时正确诊断出变压器的状态至关重要,传统利用基于油中溶解气体分析法(dissolved gas analysis, DGA)数据的三比值法因存在编码不足的缺陷,限制了故障的诊断效果。为此提出了一种改进的蝠鲼算法(manta ray foraging optimization, MRFO)优化反向传播(back propagation, BP)网络的故障诊断模型。首先利用逻辑映射与反向学习(opposition based learning, OBL)融合的多阶段算法为MRFO提供初始位置,加强算法全局寻优能力;同时提出利用正交实验法优化蝠鲼算法的3种觅食策略,调节蝠鲼个体的探索与开发,以加强该算法在特定问题上的寻优能力;最后将改进的蝠鲼算法寻得的最优解赋予BP网络的权值和偏置,建立变压器故障诊断系统。利用IEC TC 10故障数据进行了实验,并与其他算法进行了结果对比分析。结果表明,所提方法与BPNN、未改进的MRFO-BP、三比值法的结果相比,分别高出16%、8%、24%,是一种积极有效的方法。

基于智能算法的DGA变压器故障诊断研究及决策树验证

油浸式变压器的DGA数据富含大量的变压器故障信息,深度剖析DGA数据与变压器的故障状况有利于实现油浸式变压器的故障诊断。然而,特征气体信息与变压器故障类型,故障程度间为复杂的非线性映射关系,给基于变压器油中溶解气体的变压器故障判断工作带来了困难。本文综述了从三比值法到专家系统、模糊理论、机器学习等智能诊断方法,简述了各方法的优点与不足之处,此外利用决策树较强的分类性能,提出了基于决策树的变压器故障诊断模型,实验结果表明,该方法较传统三比值法有一定的优势。最后,对未来的DGA数据智能算法分析研究提供一些思路,提升变压器故障诊断准确率。

基于智能算法的DGA变压器故障诊断研究及决策树验证

油浸式变压器的DGA数据富含大量的变压器故障信息,深度剖析DGA数据与变压器的故障状况有利于实现油浸式变压器的故障诊断。然而,特征气体信息与变压器故障类型,故障程度间为复杂的非线性映射关系,给基于变压器油中溶解气体的变压器故障判断工作带来了困难。本文综述了从三比值法到专家系统、模糊理论、机器学习等智能诊断方法,简述了各方法的优点与不足之处,此外利用决策树较强的分类性能,提出了基于决策树的变压器故障诊断模型,实验结果表明,该方法较传统三比值法有一定的优势。最后,对未来的DGA数据智能算法分析研究提供一些思路,提升变压器故障诊断准确率。