基于DGA的粒子群相关向量机变压器故障诊断

传统智能算法中因算法自身的固有缺陷,从而导致变压器故障诊断结果不理想。为此,针对相关向量机中核函数参数的选取对分类效果产生影响的问题,笔者在对运用粒子群算法优化相关向量机的可行性进行充分分析的基础上,构建了粒子群优化的相关向量机方法,以DGA作为特征输入,利用粒子群优化算法对核函数参数σ进行优化,以获得最优的相关向量机故障诊断方法,从而提高变压器的故障诊断精度。实例对比分析表明,与SVM、RVM方法相比,粒子群相关向量机方法具有更高的诊断精度。

基于粗糙集与多类支持向量机的电力变压器故障诊断

针对传统变压器故障诊断过程中未能将部分反映变压器故障状态的信息有效利用,以致故障诊断信息不完备、诊断结果不准确的情况,将铁芯接地电流等信息与特征气体相结合,以完善故障特征信息。并在此基础上,构建了一种采用粗糙集的一对一多类支持向量机故障诊断新方法。首先利用一对一多类支持向量机实现故障类别区域的划分;然后根据粗糙集的上下近似这一核心思想对故障类别划分区域进行描述,得出故障分类的上下近似域及边界域的集合,并提取故障诊断分类规则;最后利用分类规则实现故障类别划分。该方法实现了故障信息的综合利用,并将粗糙集在不完备数据与复杂模式刻画方面所具备的优良表现,及一对一支持向量机在分类方面的良好泛化性能进行有效融合,从而有效提高故障分类精度。变压器故障实例分析表明,与传统诊断方法相比较,该方法具有更高的诊断正确率,且其可有效反映故障诊断中所出现的不完备信息。

基于特征评估与核主元分析的电力变压器故障诊断

针对电力变压器故障诊断中的故障特征量数量匮乏、携带的故障信息较为有限,致使故障判断效果不理想等问题,将电气试验数据等与油中溶解气体分析(DGA)相融合所获得的34种特征量作为故障特征量,以完善故障特征信息。在此基础上,将特征评估与核主元分析(KPCA)相结合,构建了一种基于特征评估与核主元分析的故障诊断方法。该方法首先通过特征评估来剔除不敏感故障特征量,以削弱它们对特征提取产生的影响;其次,对经过特征评估后的27维故障特征量进行核主元分析,降低故障特征量的维数;最后,将提取后的9维故障特征量作为输入故障特征向量,采用多分类相关向量机(M-RVM)方法进行故障分类。实例分析表明,该故障诊断方法不仅能有效弥补故障特征量单一等不足,而且更具一般性,其故障诊断准确率达到90.35%,可为故障信息有限情况下的电力变压器故障诊断提供参考。

基于DGA的粗糙集与人工鱼群极限学习机的变压器故障诊断

为有效克服变压器不完备故障样本数据对故障诊断结果的影响,文中构建了一种基于粗糙集的人工鱼群极限学习机变压器故障诊断方法,该方法首先运用粗糙集对决策表中的16个条件属性进行约简;其次,根据最简规则表对训练样本进行编码,利用已编码的训练样本对极限学习机进行训练,并运用人工鱼群优化方法对极限学习机的权值及阈值进行优化;最后,利用训练好的极限学习机方法对编码好的样本进行故障诊断。该方法将粗糙集在不完整数据方面所具有的优良特性与极限学习机优良的泛化能力有机融合,以有效提高故障诊断精度。经实例对比分析表明,所构建方法具有更高的诊断准确率,从而验证了该方法的有效性。

基于DGA的粗糙集与决策信息融合变压器故障诊断

针对变压器故障特征信息不确定性、冗余性及传统故障诊断手段的单一性问题,本文构建了一种粗糙集与多决策信息融合的变压器故障诊断模型。该方法首先考虑将16种特征气体比值作为故障特征参量,并利用离散化规则与粗糙集知识约简对其进行知识提取,以有效降低特征信息冗余度。其次,将降维后属性集作为BP神经网络、支持向量机以及贝叶斯网络3种单一诊断方法的特征输入,进行故障类型初步判定。最后,利用DS信息融合规则对3种初步判定结果进行决策融合,以获得更为高效的故障判断结论。实例分析表明,该方法有效削弱了冗余特征信息对诊断结果的影响,能够合理解决证据融合冲突,并切实提高了故障识别准确率,其性能明显优于单一诊断方法。

基于修正Debye模型的油浸绝缘纸不均匀老化时域介电特性

变压器内部存在的温度梯度导致油浸绝缘纸不均匀老化,为研究油浸绝缘纸在温度梯度下的时域介电特性,在实验室搭建油浸绝缘纸不均匀老化试验平台,测定试样老化过程中聚合度变化规律和极化/去极化电流曲线,并对其进行等效模型参数辨识,得到如下结论：发热端附近油浸绝缘纸极化/去极化电流均向左上方平移,纸内电导率提高,极化的响应速率加快;发热端附近等温区极化电阻和时间常数最小,修正Debye模型和扩展Debye模型参数存在关联关系;扩展Debye模型只能评估油纸绝缘平均老化程度,用其进行绝缘状态评估时会出现＂老化被高估区＂和＂老化被低估区＂,发热端附近绝缘实际状况比评估结果恶劣将近50%。研究结果为将极化/去极化电流法更精确地应用于实际变压器油纸绝缘状态评估提供了参考。

基于DGA的粒子群极限学习机电力变压器故障诊断

传统单一人工智能方法对变压器故障诊断中采用的大量不完备信息不能够有效处理,导致故障诊断准确率不高。为弥补这一不足,在全面分析粒子群算法(particle swarm optimization,PSO)和极限学习机(extreme learning machine,ELM)各自优势的基础上,构建了一种基于粒子群优化极限学习机的变压器故障诊断方法。该方法以DGA作为特征输入,利用粒子群算法对极限学习机的输入层权值和隐含层阈值进行优化,从而提高变压器故障诊断的精度。实例对比分析表明,与BP神经网络和极限学习机方法相比,粒子群极限学习(PSO-ELM)方法有更高的诊断准确率。

基于多信息融合的变压器故障诊断

目前变压器故障诊断中,以油色谱数据为主的诊断方法信息量不足,同时,基于单一智能算法的故障判断能力有限。鉴于此,文中构建了一种基于多信息融合的变压器故障诊断模型。该方法首先将电气试验等数据与17组油中特征气体含量比值相结合作为故障特征量,以获得更丰富的故障信息,并采用特征敏感性评估与核主元分析方法对所选定的故障信息进行特征降维融合,以实现多层面故障信息的互补。其次,将降维融合后的9维特征量分别作为BP神经网络、SVM及贝叶斯方法的特征输入,进行故障类型的初步判定。最后,若初步诊断结果不存在分歧,则直接得出结论;否则,基于证据理论方法分别计算各证据体的基本信任分配,并运用Dempster组合规则进行决策融合,以做出更合理的故障判断。实例分析表明,该方法有效解决了信息单一和方法单一的问题,且有效提高了故障识别准确率。

基于频域介电谱和多输出支持向量回归的变压器油纸绝缘状态评估

为分别评估变压器油纸绝缘的老化程度和水分含量,文中通过加速热老化试验和吸潮实验制备了不同老化程度下含水量不同的油浸绝缘纸试品,测试了试品的介损因数频谱和阻抗相位频谱,分析了老化、水分对油纸绝缘频域介电谱特性的影响。采用多输出支持向量回归算法(multi-output support vectorregression,M-SVR)逼近频域介电谱曲线与油纸绝缘老化和水分之间的非线性映射关系,据此预测油纸绝缘试品的老化程度和水分含量。研究表明,对于含水量在0.5～5.6%范围内、具有不同老化程度的试品,M-SVR对含水量的预测精度较高,而对老化程度的预测精度较低,且均高于RBF神经网络;根据油纸绝缘试品的聚类分析结果,发现与老化程度相关性较大的第1、2类试品,M-SVR对其老化程度的预测精度明显提高,含水量预测精度变化不大。

基于粒子群与多分类相关向量机的变压器故障诊断

为有效提高变压器故障诊断准确率,文中将粒子群优化算法与多分类相关向量机方法相结合,构建了一种基于粒子群优化多分类相关向量机的方法用以变压器故障诊断。该方法首先将油中溶解气体与4种特征气体比值相结合作为故障特征量,以进一步丰富故障信息。其次,利用粒子群优化算法并结合训练样本数据对多分类相关向量机的核参数进行优化,以获得能够最优的及能有效提高故障分类效率的参数。最后,将9种特征量作为特征输入,并利用已训练完毕的多分类相关向量机进行故障诊断。经实例分析表明,该方法使故障特征量与故障分类模型得到了有效补充、改进及完善,且其故障诊断效率更具优势。