互信息和核熵成分分析的油中溶解气体浓度建模

针对变压器油中溶解气体浓度的预测问题,提出了一种基于互信息和核熵成分分析(KECA)的油中溶解气体浓度预测建模方法。首先,用标准互信息变量选择方法确定模型的输入变量并对选取的输入变量进行相重构;然后,利用Renyi熵信息测度确定KECA核参数并采用KECA对相空间进行特征提取;最后,以核熵成分作为机器学习极限学习机(ELM)的输入,建立变压器油中溶解气体浓度的预测模型。实验结果表明,与灰色模型、支持向量机、BP神经网络建模方法相比,本文提出的方法能够充分利用油中溶解气体浓度信息,因而具有较优的预测精度和泛化能力。     

基于BP神经网络的变压器故障诊断方法

本文利用BP神经网络对变压器进行故障诊断。该方法以变压器油中特征气体的含量作为输入参数,输入到经过训练之后的BP神经网络,经过实际输出与期望的对比分析表明,采用该方法对变压器进行故障诊断是有效的。     

基于遗传编程判别函数法在电力变压器绝缘故障诊断中的应用

基于遗传编程(GP),提出了一种用于电力变压器绝缘故障诊断的判别函数法.该方法结合变压器油中溶解气体含量,利用GP算法的树状结构特点和模拟自然进化理论的全局寻优机制,自动从训练样本中学习到代表输入特征向量与对应故障类型之间关系的判别函数,以函数值的正负表示不同的故障类别.为了验证该方法的有效性,建立了变压器分层故障诊断模型,采用多个判别函数的方式逐步判别变压器绝缘故障的类型.与常规的三比值法、BP神经网络方法相比较表明,该方法提高了变压器绝缘故障诊断的正确率,具有良好的诊断效果.     

基于数据不确定性的变压器故障诊断研究

针对采集的变压器油中溶解气体数据的波动性和不确定性,通过引入蒙特卡洛算法进行数据处理.根据油中溶解气体试验,将处理后的变压器油中溶解气体数据进行两两比值.分别根据变压器运行规程、DGA知识以及模糊c均值聚类法对气体含量和比值进行离散化处理,再进行属性约简,并将约简结果作为神经网络的前置输入,对神经网络训练及故障进行诊断.实验结果表明,该方法可以对变压器故障进行准确判定,具有更好的工程实用性.     

基于XGBOOST算法的变压器故障诊断

介绍了目前常用的变压器油中溶解气体分析方法的不足之处,针对油色谱在线监测系统产生的大量数据,尝试运用机器学习算法进行变压器故障诊断判别。由于变压器故障诊断中存在的小样本特点,运用一般的机器学习算法泛化能力差,通过运用XGBoost方法来拟合模型,并与几种常见的机器学习算法性能进行了比较,实验结果证明采用XGBoost提取特征的方法加上简单分类器可以达到很好的效果。     

基于BP人工神经网络的电力变压器故障诊断研究

通过改良三比值法处理一组电力变压器油中溶解气体的特征值,并将数据作为输入训练神经网络,调整权值和阀值,通过相互比较确定各项网络参数,将误差控制要求范围内.最后使用得到的概率神经网络对样本进行了成功的预测,验证了将BP神经网络算法运用于变压器故障诊断具有十分理想的效果.     

遗传支持向量机在电力变压器故障诊断中的应用

针对支持向量机中的参数通常靠交叉试验来确定的状况,提出了遗传支持向量机,即使用遗传算法来优化支持向量机中的参数,并将之进一步应用在基于溶解气体分析的变压器故障诊断中.以变压器油中5种主要特征气体作为支持向量机的输入,以7种变压器状态作为相应的输出,选用径向基核,使用遗传算法得到优化参数,充分发挥了支持向量机具有较高泛化能力的优势.实验表明,本文方法能够在较大范围内准确地找到相应的优化参数,并能有效地进行变压器的故障诊断.     

一种新的遗传算法及其在变压器故障诊断中的应用

提出了一种新的遗传算法,其基本思想是:以网络权重和偏差的实数形式作为基因构成染色体向量,采用基因多点交叉和动态变异进行种群最优选择.研究结果表明,这种新的遗传算法是一种随机优化算法,克服了梯度下降法的不足,能够自动调节网络参数、网络的连接权重和偏差.在此基础上设计出一种基于遗传算法和溶解气体分析的变压器故障在线诊断系统.该系统只要将传感器测出的变压器中线圈电流、特征气体的含量作为输入参数,就能对信息进行融合分析,得到输入变量(线圈电流、溶解气体含量)与输出结果(故障类型、程度和部位)的复杂对应关系;能有效地减少输入层神经元的个数,改进网络内部结构,提高神经网络模型的学习效率和诊断的准确率,诊断精度高,漏报少,无误报现象.     

基于FNN及DGA的变压器故障诊断系统研究

本文在探讨研究了变压器故障类型与油中溶解气体的关系，分析了改良三比值法的原理、方法规则和优缺点的基础上，提出了基于FNN（模糊神经网络）及油中气体色谱分析法（DGA）的变压器故障诊断模型，实现了以模糊神经网络为基础的变压器故障诊断系统，实例表明该系统具有较好的诊断结果和工程应用价值。     

基于遗传小波神经网络的变压器故障诊断

电力变压器油中溶解气体的色谱分析是变压器故障诊断的重要方法,通过该方法可以间接了解变压器的运行状态和内部潜在故障.人工神经网络已经成功地应用于电力变压器故障诊断,但学习样本数多和输入输出关系复杂性减慢了网络的收敛速度.为解决此问题,将用遗传算法改进的小波神经网络应用于电力变压器故障诊断,克服小波算法易于陷入局部极小、收敛速度慢等缺点.