基于PNN的变压器故障诊断模型研究

文中分析了神经网络在变压器故障诊断中能否切实应用并验证其是否具有独有的优势;接着阐述了建模理论及方法,建立以概率神经网络(Probabilistic Neural Networks,PNN)为理论依据的故障诊断模型,并且将该模型在Matlab环境中进行了仿真;最后还将粗糙集(Rough Set,RS)理论和PNN神经网络相结合,使得优化后的诊断模型在稳、准、快三个方面较之前得以很大的提升。     

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.     

基于色谱分析的变压器故障诊断

文章主要介绍了,变压器故障诊断基于色谱方法的故障类型、故障发生原因、及简述故障时采集数据的处理计算方法。为电力变压器故障诊断提供参考。     

基于自适应模糊推理的电力变压器故障诊断研究

将自适应神经网络的自学习优点与模糊数学的模糊推理方法进行有效的结合,解决了变压器绝缘故障诊断中模糊规则难以确定的问题,利用自适应神经网络的自学习功能,通过神经网络的学习确定了模糊规则和模糊隶属度。建立了变压器故障诊断的ANFIS模型,实现了电力设备故障诊断,反映了变压器的实际运行状态。     

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.     

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BAS-BP模型的变压器故障诊断

针对变压器故障诊断中BP神经网络诊断精度不够高的缺陷,提出一种天牛须搜索(BAS)算法与BP神经网络相结合的算法.将天牛须搜索算法寻优后的初始权值和阈值作为BP神经网络的初始权值和阈值,建立模型并进行仿真测试.结果表明,与传统BP神经网络相比,新模型有效克服了训练时间长、收敛速度慢的缺点,为变压器故障诊断提出了一种新的方法.     

基于故障树的变压器故障诊断专家系统

电力变压器是电力系统中主要设备之一,在电力系统中占据着重要的地位,由于它蛄构复杂部件繁多,对其故障原因难以进行分析。本文提出一种基于故障树的变压器故障诊断专家系统,分析了基于故障树分析的知识获取的过程和知识表示的方法,为变压器故障诊断的进一步的研究打下基础。     

基于K-means聚类分析的变压器故障诊断

将K-means聚类算法在对事物分类中的优点用于判断变压器的故障中.并针对K-means聚类法在给定初始聚类中心不良的问题上进行改进.将改进的K-means聚类算法与三比值法相结合,以此来诊断变压器的多种常见故障.应用MATLAB分别对改进前后的K-means算法进行仿真,并将改进后的仿真结果同改进前K-means聚类算法的结果进行对比分析.结果表明,改进的K-means聚类算法不但能精确、有效地对变压器故障进行诊断,并且改进的K-means聚类法使仿真结果更加准确可靠.     

基于BP神经网络的变压器故障诊断

针对变压器故障类型的特征,结合油中气体分析法及三比值法,应用BP神经网络对变压器进行故障诊断。根据BP神经网络的概念、结构和算法原理,探讨了不同隐含层的神经元个数对神经网络训练性能的影响。通过对仿真结果的分析与测试,结果表明BP神经网络对变压器故障诊断具有较好的应用效果。     

基于关系数据库的变压器故障诊断专家系统

根据油浸式电力变压器的特点及故障诊断的原理,提出了基于关系数据库字段的知识表示形式和基于关系数据库记录的推理规则.特别在推理机方面,根据变压器故障诊断的特点,利用成熟的关系型数据库技术提出一种搜索、替换、构造故障现象与诊断结果对应数据库的推理机制.采用面向对象技术设计开发变压器故障诊断专家系统来解决变压器故障的智能诊断问题,为相关方面故障诊断专家系统的设计开发提供借鉴.     

基于振动特征的变压器的故障诊断

变压器振动的主要来源是铁心和线圈振动,铁心与绕组故障引发变压器振动信号变化,故障类型不同信号变化不同.基于自主设计的变压器振动信号采集系统,采集不同故障状态下的变压器振动信号.由于变压器振动信号噪声较多,首先采用基于遗传优化的匹配追踪算法对信号稀疏表示去除噪声,然后对降噪后的不同故障类型信号进行分析处理,最后确定故障诊断方法.研究表明:箱体振动的基频反映铁心的故障,高频分量所占比例反映绕组的故障.一旦出现铁心故障,基频分量会发生明显的改变,运用快速傅里叶变换计算主频幅值的能量即可诊断出铁心故障;绕组发生故障后,会产生大量的高频分量,运用小波-高低频能量算法求取高低频包络谱,对比低频分量与总能量的比值,即可确定故障为绕组垫块脱落故障.     

基于遗传算法的ENN的变压器故障诊断

可拓神经网络结合了可拓学理论和人工神经网络技术.针对变压器故障诊断的特点,提出一种基于遗传算法和可拓神经网络的电力变压器故障诊断方法.介绍了双权可拓神经网络的结构;构造了基于遗传算法和可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点.     

基于色谱分析实现电力机车变压器故障诊断

通过对电力机车变压器油中溶解的各种气体成分的色谱分析,可以尽早发现设备内部存在的潜伏性故障,并随时掌握故障的发展情况.本设计在分析电力机车变压器油中各种气体成分对系统故障影响的基础上,建立了故障诊断系统,并在windows操作系统平台上根据诊断流程实现智能化的故障诊断.系统具有针对性强,使用方便,检测可靠性高等优点.     

基于尺度空间的体数据边界不确定性可视化研究

数据可视化的数据预处理过程中会不可避免地导致数据的不确定性.以体数据中边界体元为研究对象,提出了基于多尺度空间的边界体元中多种物质的概率分布计算方法,并采用信息熵度量边界体元的不确定性,然后使用颜色渐变的方式将不确定性信息叠加绘制在表面模型上.实验表明,该方法能快速有效地计算和表示体数据中物质边界的不确定信息.     

基于改进RADAG-SVM的电力变压器故障诊断

为提高变压器故障诊断的正确率,提出一种基于改进重排序自适应有向无环图(reordering adaptive directed acyclic graph,RADAG)支持向量机(support vector machines,SVM)的电力变压器故障诊断方法.该方法首先利用基于K折交叉验证和人工蜂群算法优化SVM的核函数和惩罚因子参数,使二分类SVM获得最佳的分类性能;其次,为进一步提高多分类SVM的性能,提出利用交叉确认机制估计每个二分类SVM的泛化能力的方法,并将其用于改进RADAGSVM的分类精度.最后,给出基于改进RADAG-SVM的变压器故障诊断流程并进行实例分析.结果表明,所提方法、原始RADAG-SVM和基于结点优化的DDAG-SVM方法对变压器故障诊断的平均正确率分别为94.16%,87.85%和90.77%.因而,与其他2种诊断方法相比,所提方法具有较好的故障诊断效果.     

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BP网络模式识别的变压器故障诊断

针对传统的离线色谱分析法在变压器故障诊断中的不足，提出了一种基于BP网络模式识别的变压器在线故障诊断方法。阐述了模式识别的原理。建立了诊断模型，给出训练精度。通过将BP网络诊断结果与传统三比值法诊断结果的对比，验证了该诊断方法的准确性与有效性。     

基于组合模型的电力变压器故障诊断

为了综合全面地诊断电力变压器故障,克服单项诊断方法考虑问题角度单一,不能重复利用已知信息,诊断准确度和稳定性不高的缺点,并结合电力变压器油中溶解气体的数据,提出了利用组合模型诊断变压器故障.该方法将灰关联熵、小波神经网络、模糊粗糙集、支持向量机和IEC三比值作为独立诊断模块,利用熵值法优化得到各个模块的最佳权重,最终得到发生故障最大概率所属类型.通过实例验证,组合诊断法优于单项诊断方法,提高了故障诊断精度,减少了误判率,诊断的稳定性得到提升.     

基于极限学习机的电力变压器故障诊断

针对三比值法存在比值编码缺失无法诊断故障的不足,将泛化性能好的极限学习机与三比值法相结合,用于电力变压器的故障诊断。一方面将样本中特征气体的组分含量及对应的比值编码作为极限学习机的输入,使建立的极限学习机故障诊断模型包含了比值编码信息,进一步发挥三比值法在远离区间分界点时诊断准确率高的长处;另一方面,在故障诊断时,可根据待测样本输出矩阵中每列元素最大值所在的行,判断样本所属的故障类型,从而在一定程度弥补了比值编码缺失无法诊断故障的不足。实例诊断结果表明,该方法计算简单,灵活方便,故障诊断正确率高,具有一定可行性和有效性。