基于Dempster-Shafer证据理论和人工智能的变压器故障诊断研究

传统的溶解气体分析方法和基于溶解气体分析数据的人工智能技术在变压器早期故障诊断中的应用由来已久。Dempster-Shafer证据理论已被应用于存在不确定性和冲突的各种面向人工智能的应用中。为了克服故障类型之间的冲突及提升变压器故障诊断正确率,该文提出了基于Dempster-Shafer证据理论和人工智能的变压器故障诊断方法。利用反向传播(Back propagation, BP)神经网络基于5种关键气体的浓度百分比检测变压器故障,并将其作为第一证据。利用模糊逻辑基于3种气体比率检测变压器故障,并将其作为第二证据。利用证据理论对BP神经网络和模糊逻辑检测结果进行集成分析,得到最终的诊断结果。研究结果表明证据理论和人工智能在变压器故障诊断中具有良好的应用前景。