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.     

基于油中溶解气体分析的电力变压器故障诊断技术的研究

随着各产业技术的快速提升以及综合科技水平的不断进步,我国各项基础设施建设也在逐步完善当中。对于我国电力系统的运转而言,变压器等实体设备的应用是提高电力工业水平的基础。现阶段,在电力企业的长期工作中,电网环境的安全性是整个电力系统管理的重中之重,维护变电站的主变保护对于电网的稳定运行至关重要。该文就基于油中溶解气体分析的电力变压器故障诊断技术及其相关内容做以阐述,探究现阶段技术层面下的故障诊断策略的实际效能,以期为实践工作的顺利推进带来有益的借鉴。     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型，该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效解决了确定模型参数耗时巨大的问题，并在一定程度上提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5%，过热性故障样本正确判断率为85．9%，说明该模型具有很好的分类效果和推广能力．     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型．该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效地解决了确定模型参数时耗时巨大的问题，并一定程度提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5％，过热性故障样本正确判断率为85．9％，说明该模型具有很好的分类效果和推广能力．     

论分解法在变压器绝缘故障诊断中的应用

针对变压器结构的复杂性及发生的故障,运用分解法及时准确地找出故障发生的原因和具体部位,并提出相应的解决对策和方法.     

基于节约覆盖集理论的电力变压器绝缘故障诊断模型

介绍了一种在节约覆盖集理论框架上集成概率推理的诊断模型,并在此基础上建立了用于电力设备绝缘故障诊断实用模型。该模型有利于对电力设备在多因素、多征兆,强干扰条件的绝缘故障进行诊断推理。由于该模型是以统计数据为依托,并在推理过程中考虑到征兆的不完备性,因此,具有较高的诊断可靠性和实用性。     

基于油中溶解气体分析的变压器绝缘故障模糊诊断及应用

变压器绝缘故障诊断问题是电力系统维护中的关键问题,常用的故障诊断方法一般是基于油中溶解气体分析法的。重点介绍了基于油中溶解气体分析的一种新方法,即变压器绝缘故障模糊诊断法,在分析一般故障诊断方法优缺点的基础上,根据实例验证了将模糊诊断法应用于电力变压器绝缘故障诊断的可行性。     

遗传算法在电力变压器故障诊断中的应用

论文在阐明电力变压器故障的一些智能诊断方法所存在的局限的基础上,对遗传算法在电力变压器故障诊断中的应用进行综述,指出其存在的优势以及不足之处,并展望了其后续的研究发展方向。     

油中溶解气体分析方法在变压器故障诊断中的应用

电力变压器是发、输、变、配电系统中的重要设备之一,它的性能、质量直接关系到电力系统运行的可靠性和运营效益。本文结合油中溶解气体分析方法,对变压器正常运行中故障产生原因和提早诊断的重要性进行阐述分析。     

模糊神经网络在电力变压器故障诊断中的应用

及时和正确地诊断出电力变压器的故障,对维护电力系统的正常安全运行具有非常重要的意义。本文把基于模糊理论和神经网络的模糊神经网络模型应用于变压器的故障诊断中,实例分析结果表明该方法能有效提高变压器故障诊断的正确性。     

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.     

基于决策树神经网络模型的电力变压器故障诊断方法

根据对变压器常见故障原因及危害程度的分析,构造了电力变压器故障诊断决策树．其判定级别为自上而下,而决策树的每一叶都对应着一种具体的故障模式,并在决策树的不同分支中选用不同的神经网络单元模块作为基本分类器,建立组合神经网络模型,实现了对故障的多分辨识别．该方法克服了以往单神经网络模型在结构复杂性和学习难于收敛方面的不足,大大提高了故障分析的准确度．应用结果表明该系统模型是富有成效的     

用遗传编程方法提取和优化机械故障的声音特征

为了弥补单一特征在机械故障特征识别中的不足，引进遗传编程方法对单一特征重新优化，构建复合特征。利用声音信号的复合特征实现滚动轴承的状态识别，取得了良好效果；进一步尝试利用信息融合思想，融合机器声音和振动两种信号的单一特征，再利用遗传编程得到新的复合特征，其识别效果比单独使用声音信号复合特征更好，并且缩短了遗传编程的搜索时间。     

基于综合关联度分析的电力变压器故障诊断

在电力变压器故障诊断中,针对油中溶解气体分析,传统的三比值法难以包括和反映电力变压器内部故障的所有形态,在实际工作中存在许多变压器故障因查不到故障编码而无法判断的问题.结合油中溶解气体分析技术和灰色关联的相关理论,提出了一种面积关联度和斜率关联度相结合的综合关联度分析方法,给出了变压器故障诊断的算法步骤,并对权重系数的选取进行了探讨.该方法既能表征序列曲线的离散程度,又能反映序列曲线的变化走向相似度,能全面描述序列间联系的紧密程度.实验表明,将该方法用于变压器故障诊断,不仅克服了三比值法存在的问题,而且故障诊断准确率也高于面积关联分析方法和斜率关联分析 方法.在收集到的数据中随机选取350组进行计算,诊断准确率达到93.7%.     

基于遗传算法的电力系统故障诊断

采用遗传算法的电力系统故障诊断，其基本思想是将电网故障诊断描述为优化问题，建立诊断的解析模型，最终都归结为无约束0—1整规划问题，并采用遗传算法进行求解数学模型得到故障设备。诊断电力系统故障元件就是要找出最能解释警报信号的故障假说。对以前的目标函数进行了改进，此外简单介绍了采用遗传算法进行故障诊断的步骤。     

结合遗传算法的神经网络在电力电子电路故障诊断中的应用

人工神经网络在电力电子电路故障诊断中有广泛的应用.常用的反向传播算法存在着容易陷入局部极小点、对初值要求高的缺点,给故障诊断带来不便.提出了采用遗传算法优化人工神经网络结构的初值,将遗传算法与人工神经网络结合起来,应用于电力电子电路的故障诊断中.仿真实验表明该方法是有效的.     

免疫编程的故障特征构造方法

在原始特征的多项式组合优化中,针对遗传编程易陷入局部优化解的缺点,引入了免疫编程的故障诊断优化策略,将类内类间散布矩阵判据作为抗体的亲和度,利用克隆、变异和更新等免疫算子实现抗体的优化,从而获得了最佳分类能力的复合特征.对发动机异响信号的6个典型时域特征的应用表明,克隆选择机制维持了抗体群体的多样性,同遗传编程方法相比,优化的复合特征具有更好的识别效果.     

改进的M-ary支持向量机模型及其在变压器故障诊断中的应用

使用M-ary支持向量机进行基于油中溶解气体分析的变压器故障诊断研究.分析结果表明,M-ary支持向量机算法简单,与一对一支持向量机的诊断精度可以比拟.在此基础上,还对常用的M-ary支持向量机模型进行了改进,将各二类分类器的输出计算值直接使用另一支持向量机进行组合,可以更好地反映各分类器之间的非线性关系,从而使新模型具有更高的分类精度.变压器的应用实例证明了改进方法的有效性和优越性.