基于神经网络、模糊理论的变压器油中气体诊断专家系统

介绍基于人工智能理论中的模糊理论和神经网络理论建立起来的变压器油中气体诊断黑板型专家系统。专家系统具有启发性、透明性、高性能和灵活性的特点。系统不仅能够利用模糊理论来解决变压器故障诊断时出现的复杂性、经验性和模糊性等问题,还能利用神经网络的良好模式分类能力和自学习功能来不断提高整个系统的故障诊断精度,从而有效克服了以往采用单一方法进行诊断时所固有的诊断出错或诊断结果不全面的问题等缺点,提高电力变压器绝缘诊断的准确度。

基于神经网络、模糊理论的变压器油中溶解气体诊断专家系统

介绍了基于模糊理论和神经网络理论建立起来的变压器油中溶解气体诊断黑板型专家系统,即黑板型专家系统,该系统具有启发性、透明性、高性能和灵活性的特点,不仅能够利用模糊理论来解决变压器故障诊断时出现的复杂性、经验性和模糊性等问题,还能利用神经网络的良好模式分类能力和自学习功能来不断提高整个系统的故障诊断精度,从而有效地克服了以往采用单一方法进行诊断时所固有的诊断出错或诊断结果不全面等缺点。

改进型灰色关联算法在变压器故障诊断中的应用

灰色关联分析已应用于电力变压器故障诊断,传统基于单一故障标准模式向量灰色关联分析算法的油中溶解气体分析(DGA)诊断模型精度有限.为此,提出一种改进型灰色关联算法,该算法在充分考虑DGA数据分散性的基础上,将每类故障的标准故障模式向量由原来算法中的1个扩充到6个,并给出每类故障的DGA数据分布范围,增大诊断信息量;利用关联分析原理,求出待诊模式与各类故障标准模式的灰色关联度,得到故障诊断判定.实例分析证明,所提算法的诊断准确率高于原来的普通灰色关联方法.

基于模糊推理脉冲神经膜系统的变压器故障诊断方法

油中溶解气体分析是目前变压器状态监测及故障诊断的主要手段,但气体含量易受到变压器容量、结构和故障工况等因素影响,存在一定程度的不确定性。因此,提出了一种基于模糊推理脉冲神经膜系统的变压器故障诊断方法。首先,根据油中溶解气体分析数据提取特征气体量值。其次,利用高斯型隶属函数对提取的特征气体量值进行模糊处理。在此基础上,根据故障类型所对应的模糊产生式规则,构建基于模糊推理脉冲神经膜系统的故障诊断模型。最后,利用模糊推理算法对故障诊断模型进行计算,得到每种故障类型的置信度,从而确定故障类型。实例分析结果表明,该方法能够有效地识别变压器各类型故障,具有较高的诊断正确率。

基于DGA和改进型灰关联度模型的牵引变压器故障诊断

油中溶解气体分析(DGA)是诊断普通电力变压器故障的重要方法,但牵引变压器有着自身的特点,若仿效普通电力变压器的故障诊断方法,在诊断牵引变压器故障时精度较低。文中针对牵引变压器发生故障时的气体特征,提出了一种基于改进的灰关联度分析模型用于牵引变压器故障诊断的方法。该方法充分利用了牵引变压器油中气体数据的全部信息,且发挥了灰关联度适用于小样本、贫信息系统的优势,避免了局部关联和信息损失的缺陷。实例分析结果表明,该方法可以很好地判断牵引变压器故障类型,提高诊断精度。