改进K均值聚类法在变压器故障诊断中的应用

将改进K均值聚类法在模式辨别和分类方面的优势应用到变压器故障诊断中。对K均值聚类法的不足进行分析,采用改进K均值聚类法和油溶气体分析技术中改良三比值法相结合的方法对变压器的多种常见故障进行诊断,并将诊断结果同K均值聚类法进行对比分析,应用MATLAB对两者的结果进行仿真。结果表明,改进K均值聚类法不仅能正确、有效地进行变压器故障判断,而且优化了K均值聚类法在初始聚类中心选择方法上的不足,使诊断结果更趋于准确真实。

基于加权改进的灰色关联度故障诊断方法

针对改良三比值法中编码的不完备性和工程中对变压器故障诊断正确率的高要求,提出了对两种故障诊断方法的改进-新增编码三比值法和加权改进的灰色关联度法。首先,新增编码三比值法,即是新增000编码作为"正常运行"类型编码,到改良三比值故障诊断方法中,能够避免因"正常运行"类型的误判断,而增加变压器不必要的维护量;其次,加权改进灰色关联度故障诊断方法,即是对原灰色关联度分析方法中的灰色关联度进行加权改进,并将其应用于变压器故障诊断当中。上述3种方法对比仿真结果表明,新增编码三比值法故障诊断准确率提高到90%,而加权改进后的灰色关联度法故障诊断准确率则达到了94%。可见,该引入加权改进灰色关联度故障诊断方法,能有效提高变压器故障诊断准确率,满足变压器故障诊断的工程要求。

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.