基于模糊支持向量机的变压器故障诊断

合集下载

基于支持向量机的变压器故障诊断研究

器。
低能放电、高能放电、中低温过热、高温过热和正常等５种状态作为类变量的取值。在样本中，据各种状态的比例随机抽取２０进行诊断，果如下。根０例结表ｉ四种ＳＭ多分类器的比较Ｖ
Ｓｌｒ硼 — —
（）６结果分析。实验结果实验数据来源同上，与传统ＳＭ比较。实验数据见表２。Ｖ表２仿真结果
｛练时间（）】１１ｓ１５．０Ｔ｛
整重匿塑＿二：一墨：二二二：：互二
结语（）多种分类算法来看，１从树形ＳＭ多分类器是比较适用于变压器故障诊Ｖ断的方法。（）２支持向量机方法作为一种优秀的学习和搜索算法，具有很好的推广‘ 能力和较强的非线性动态数据处理能力。但是变压器内部故障现象复杂，用采单一智能方法难以全面准确描述。采用粗糙集对变压器故障信息进行简化，以支持向量机对其进行准确的故障诊断，补了单一算法的不足。弥
一～
（）用粗糙集方法，３利对离散化后的决策表进行约简，形成最终约简表。（）４建立ＳＭＶ多分类器，选择适当的核函数及其参数，用约简后的样本训练支持向量机，至取得满意效果。直（）５用检验数据对已训练好的ＳＭ进行检验。Ｖ
工智能的方法，因此在故障诊断前采用粗糙集理论对样本进行数据预处理有利于故障诊断。利用粗糙集方法与支持向量机结合进行变压器故障诊断的步骤如下。（）１分析数据，选择原始样本集，形成原始决策表。（）２对原始决策表进行连续数据的离散化。

基于支持向量机的变压器故障多层次诊断及定位

支持向量机（Ｖ是Ｖｐｉ等人根据统计学理ＳＭ）ａｎｋ论中的结构风险最小化原则提出的，初是用来解最决模式识别的问题。ＳＭＩ够提高学习机的推广能Ｖ … ￣力．训练样本很少的情况下，在它所得到的决策规则仍能对独立的测试集有较小的误差。此外，ＶＳＭ是
ｍａｈｎｎｓｌｉｇｔｅｓｌｓｍｐｅｎｎｉｅｒａｄｈｇｉｎｉｎｌｐｔｒｅｏｎｔｎａｄｏｈｒａｐｃｓｔｏｖｈｒｂｅｃｉｅｉｏｖｎｈｍａｌａｌ，ｏｌａｎｉｈｄｍｅｓｏａａｔｎｒｃｇｉｏｎｔｅｓｅｔｏｓｌｅｔｅｐｏｌｍｓｎｅｉｅｉｔｇｉｒｎｆｒｅａｌｒｎｏｍａｉｎａｏｔｒｄｎａｔｎｅｔｉｔ，ｓｌｓｍｐｅｓｚｎｔｅｓｕｓＴｅｅｐｒｍｅｔｓｏｅｘｓｉｎｔｓｏｎａｍｒｆｉｅｉｆｒｔｂｕｅｕｄｎ，ｕｃｒｎｙｍａｌａｌｉｅａｄｏｈｒｉｓｅ．ｈｘｅｉｎｈｗｄｕｏａｔａｐｌｉｇｔｅｓｐｏｅｔｒｃｉｅｔａｓｒｒｆｕｔｉｇｏｉａｄｌｃｔｎｉｅｓｎｂｅａｄｆａｉｌ．ｈｔｐｙｎｕｐｒｖｃｏａｈｔｍａｈｎｏｔｎｆｍｅａｌｄａｎｓｎａｉｓｒａｏａｌｎｅｓｂｅｒｏｓｏｏ

基于变分模态分解能量熵和支持向量机的电力变压器绕组故障诊断

基于变分模态分解能量熵和支持向量机的电力变压器绕组故障诊断电力变压器是电力系统的核心枢纽能量转换设备,电力变压器的故障往往伴随着大规模停电等严重后果,因而电力变压器的安全稳定运行对于电力系统的可靠性至关重要。

传统的变压器绕组故障检测方法或需要变压器退出运行,或对于潜伏性故障的检测具有滞后性,难以在潜伏性故障发生的早期发现故障。

针对这些不足,本文提出一种基于振动频谱分析的电力变压器绕组故障诊断方法,以期实现电力变压器绕组早期潜伏性故障的精确诊断。

为此,本文将变分模态分解引入到电力变压器绕组的故障诊断中,详细研究论述了基于变分模态分解能量熵的变压器油箱表面振动非平稳信号的检测和故障特征的提取,并建立了基于帕瑞托粒子群算法优化的支持向量机故障诊断模型。

实现电力变压器绕组故障的智能诊断。

针对以往电力变压器振动频谱分析振动机理分析不透彻的问题,本文介绍了电力变压器的基本结构和四个核心振源,以及多个振源的振动信号如何经不同传递途径复杂耦合卷积后最终到达变压器油箱表面,详细分析了变压器的两个核心振源铁芯和绕组的振动机理。

并给出绕组和铁芯振动加速度的量化表达式。

考虑到变压器油箱表面所获取的变压器振动加速度信号具有非线性非平稳的特点,引入变分模态分解(VMD)理论,通过仿真分析表明,VMD分解在针对间断信号、频率相近信号、脉冲信号时比EMD有明显的优越性,有效避免了两类模态混叠和过分解现象,准确反映源信号特征。

针对VMD模型参数难以确定的问题,使用型波法对VMD的两个核心参数进行了确定。

使用VMD能量熵对变压器绕组的健康状态作出初步评估,并给出具体判据,且VMD能量熵不受负载电流大小的影响,具有很强的稳定性。

而后,针对VMD能量熵无法准确定性故障类型的问题,构建VMD-SVM联合故障诊断模型,实现对绕组垫块脱落、绕组径向拉伸、绕组扭转三种故障的准确诊断。

针对支持向量机的两个核心参数难以确定的问题,使用帕瑞托粒子群方法对支持向量机的两个核心参数进行多目标并行寻优获取最优参数。

基于支持向量机和交叉验证的变压器故障诊断

基于支持向量机和交叉验证的变压器故障诊断张艳;吴玲【摘要】为及时监测变压器潜伏性故障和准确诊断故障,提出基于优化惩罚因子C 参数的支持向量机算法(C-SVC:C-support vector classification)和交叉验证算法相结合的变压器故障诊断方法.该方法利用变压器在故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的体积分数数据建立训练集和测试集.在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数的参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而诊断出变压器的故障类型.变压器故障诊断实例分析结果证明,该方法可行,有效,且具有较高的故障诊断准确率.%A novel method for power transformer fault diagnosis based on the C-SVC (support vector classification with the optimized penalty parameter C) and cross-validation algorithm is presented, which can monitor and detect latent transformer faults timely and accurately. The training and testing sets of the C-SVC algorithm are built upon the data about the dissolved gases including hydrogen, methyl hydride, ethane, aethylenum and acetylene produced from transformer faults. Through the optimizing process of the penalty parameter and kernel function parameter y in the training set, the optimal support vector machine model can be gotten, with which the classification of data in the testing set can be conducted to determine fault features. The method has been validated by many practical examples to be feasible and efficient with high fault diagnosis accuracy.【期刊名称】《中国电力》【年(卷),期】2012(045)011【总页数】4页(P52-55)【关键词】变压器;故障诊断;支持向量机;C-SVC算法;交叉验证;核函数参数【作者】张艳;吴玲【作者单位】自贡电业局调度局,四川自贡 643000;自贡电业局调度局,四川自贡643000【正文语种】中文【中图分类】TM410 引言电力变压器是电力系统中最重要的电气设备之一，其安全运行的可靠性关系到电力系统的稳定与安全。

支持向量机在变压器故障诊断中的应用研究

河北省教育厅基金资助项目（编号：０６３）２０４９；河北省教育厅科研计划基金资助项目（编号：２１１３；Ｚ００５）
式中： ∈ Ｒ为误差参数；Ｃ为正则化参数；ｂ为偏差。用拉格朗日法求解这个优化问题，可得：
练中的二次规划问题转化成线性方程组问题，降低了计算的复杂性，且加快了计算的速度，极大地促进了支
持向量机更广泛的应用。
１Ｌ－Ｖ回归算法ＳＳＭ
选用一非线性映射（，给定的训练样本集・把）（，（：１２ … ，）Ｙ）ｉ，，Ｚ从原空间映射到一个高维特征空间（＝［（）咖（） …，） …，），）。，，（，咖（］在这个高维特征空间中，构造最优决策函数：
得到较大提高。
关键词：故障诊断
变压器
三比值法
支持向量机
回归算法
中图分类号：Ｕ２．＋１２６８
文献标志码：Ａ
ＡｂｔａｔＴｒｎｆｒｒｉｏｅｏｈｎ￣ｏｔｎｑｉｓｒｃ：ａｓｏｍｅｓｎｆｔｅｉｌｒａｔｅｕｐｍｅｔｉｌｃｒｃｐｏｒｓｓｅ，ｉｏｅａｉｎｓａｕｉｅｔｆｅｔｈｅｓｂｉｔｆｐｗｅｎｎｅｅｔｉｗｅｙｔｍｔｐｒｔｏｔｔｓｄｒｃｌａｆｃｓｔｔｌｙｏｏｒｓｙａｉｇｉｒｄ．Ｔｅｅｏｅ，ｉｉｉｎｆｃｎｏｒｓａｃｈｅｈｉｕｆｔａｓｏｍｅａｌｉｇｏｉｎｍｐｏｅｔｅｌｖｌｏｐｒｔｎａｄｍａｎｅａｃ．ｈｒｆｒｔｓｓｇｉａｔｔｅｅｒｈｔｅｔｃｎｑｅｏｒｎｆｒｒｆｕｔｄａｎｓｓａｄｉｒｖｈｅｅｆｏｅａｉｎｉｔｎｎｅｉｏＢｓｄｏｒｍｅｏｓａｏｎｆｐａｔｃａｅｎｔｅｎｄｕｍｕｔｏｒｃｉｅ，ｉｉｏｎｈａｎｕｆｅｅｃｅｘｓｎｔｅｃｍｍｏｌｓｄｔｒｅｒｔｏｍｅｈｄ。ｅ．ｔｓｆｕｄｔｔｉｓｔｉｎｉｓｅｉｔｈｏｉｉｎｙｕｅｈｅ —ａｉｔｏｇ．ｉｃｍｐｅｅｅｃ — ｎｏｌｔｎｏｄｎｉｇ，ａｓｌｔｎｏｉｇｂｕｄｒｅｂｏｕｅｅｃｄｎｏｎａｉｓ，ａｄｔｅｎｔａｃｒｔｅｕｔｏｕｔｄａｎｓｓＩｒｅｏｍａｅｕｂｖａｎｓｎｈｏｃｕａｅｒｓｌｆｆｌｉｇｏｉ．ｎｏｄｒｔｋｐａｏｅｗｅｋｅｓ，ｔｅｄａｎｓｓｍｅｈｄａｈｉｇｏｉｔｏｂｓｄＯｕｐ￣ｖｃｏｃｉｅｉｒｐｓｄＴｅｅｐｒｍｅａｅｕｔｈｗｈｔｔｅａｃｒｃｆｆｕｔｄｉｇｏｉｓｇｅｔｎａｃｄ．ａｅｆｓｐｏｅｔｒｍａｈｎｓｐｏｏｅ．ｈｘｅｉｎｔｌｒｓｌｓｏｔａｈｃｕａｙｏａｌａｎｓｓｉｒａｌｅｈｎｅｓｙＫｅｗｏｄ：ＦａｌｄａｎｓｓＴａｓｏｅＴｒｅｒｔｏｍｅｈｄＳｐｐ￣ｖｃｏｃｉｅＲｅｒｓｉｎａｇｒｔｍｙｒｓｕｔｉｇｏｉｒｎｆｒｒｈｅ —ａｉｔｏｕｏｍｅｔｒｍａｈｎｇｅｓｏｌｏｉｈ

基于模糊信息熵的变压器故障诊断方法研究

文章编号：１０ —８２（０８３０５ —４０３４６２０）０ — １９０
中图分类号：Ｔ２７Ｐ７
文献标识码：Ａ
ＦａｔＤｉｇｓｓｆｒＴｒｎｓｏｍｅａｅｎＦｕｚｙＥｎｔｏｙｕｌａｎｏｉｏａｆｒｒＢｓｄｏｚｒｐ
１引言
变压器是电力系统的重要组成部分，其运行
状态的好坏直接关系到整个系统的安全稳定性。目前大部分采用定期维修策略或事后维修，但往往会造成维修过度或维修不及时…。在线监测技
性，比值边界的划分不很清晰，存在重叠分布现象。比值法的分类和边界值的划分过于绝对化，三造成故障诊断出现虚警、漏判或不能判断。实际上，因一种故障状态可能引起多种故障特征，特别的当同时发生多种故障时，三比值法无法诊断
ＧｕｏＺｕｐｎｇｉ
（ｎｄｏＯｃａｈｐｉｇＭａｉｅｓｏｌｇ，ｎｄｏ２６７，ｈｎｏｇＣｈｎ）ＱｉｇａｅｎＳｉｐｎｒｎｒ’ＣｌｅＱｉｇａ６０Ｓａｄｎ，ｉａＳｅ１
ＡｂｔａｔＰｗｅａｓｒｒｉｏｅｏｅｋｙｅｕｍｅｔｆｔｅｏｅｓｍ，Ｏｉｉｖｌａｌｙｒｏｒｓｒｃ：ｏｒｔｎｆｍｅｎｔｅｑｉｎｗｒｓｔＳａｕｂｅｏｗｅｒｏｓｆｈｐｏｈｐｙｅｔｓｐｔｎｆｒｒｉｏｅｅｉｃｉｎｕｔｉｌａｄｔｌＣｄｅｉｉｎｙｅｉｓｉｅａａｉｔｏｓｒｓｏｍｅｓｏｄｓｖｒｈｉｅｔａｌｔｙｎｕｙｏｅｆｃｅｃｘｓｔｓｒｔｍｅｄａｔｃｔｎｐｆｍｅｒ．ｄｔｎｈｇｏｈｂｅＩＣＩＥｔｎａｄａｄｆｕｔｉｇｏｉｆｒｏｒｒｎｆｒｒ．ｄｌａｅｎｆｚｙｅｔｐｆｒｙｔＥ／ＥｓｄｒｎａｌｄａｎｓｓｏｐｗｅａｓｍｅｓＡｍｏｅｓｄｏｕｚｎｒｙｏｈＥａｔｏｂｏｐｗｒｔｎｆｒｒａｌｕｒａｄＴｉｎｗｄａｎｓｓｍｅｈｄｅｐｎｏｉｇｂｕｄｏｒｉａＥｏｅａｓｏｍｅｕｔｉｐｔｏｗｒ．ｈｓｅｉｇｏｉｒｆｓｓｆｔｏｘａｄｃｄｎｏｎｏｉｎｌＣｆｇＩｔｒｅｒｔ．ｅｓｍｅｉｈｅ — ｉＡｔｈａｍｅ，ｈｔｏａｏｏｔｉｆｕｔｂｌｙｉｅｔｉｄｇｅ．ｔｌｏｓｏｓｈａｏｔｔｔｅｍｅｈｄｈｓｍｅｃｎａｎａｌａｉｔａｃｒｎｅｒｅＩａｓｈｗｅｓｉｎａｔｐｏａｉｔａｄｄｓｏｅｏｔｒａｓｏｅａｓｒｒａｌｓｍｔｍｓｈｔｓｏｓｔｅｖｌｉａｒｂｂｌｎｉｓｓｌｓｌｅｐｗｒｔｎｆｍｅｕｔｙｐｏ．Ｔａｈｗｈａｉｔｏｔｔｉｙｐｏｆｒｏｆｄｙｆｈｍｅｈｄｉｏｒｒｎｏｍｅｆｕｔｉｇｏｉｂｉｏｖｄｇｓｉ－ｉａａｙｉｔｏｐｗｅａｓｒｒａｌｄａｎｓｓｙｄｓｌｅａ — ｏｌｎｌｓ．ｎｔｆｓｎｓＫｅｒｓｔｒｅｒｔ；ａｌｄａｎｓ；ａｅａｉｎｌｎｒｐｆｚｙｅｔｐｙｗｏｄ：ｈｅ —ａｉｆｕｔｉｇｏｉＧｒｙｒｌｔａｔｏｙ；ｚｎｒｙｏｓｏｅｕｏ

基于直觉模糊最小二乘支持向量机的变压器故障诊断

ＴｒａｎｓｆｏｒｍｅｒＦａｕｌｔＤｉａｇｎｏｓｉｓＢａｓｅｄｏｎＩｎｔｕｉｔｉｏｎｉｓｔｉｃ
ＦｕｚｚｙＬｅａｓｔＳｑｕａｒｅｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｅｌｉｇｈｔｏｆｔｒａｎｓｆｏｒｍｅｒｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｄｉｓｓｏｌｖｅｄｇａｓａｎａｌｙｓｉｓ（ＤＧＡ）ｗｉｔｈａｓｍａｌｌｓａｍｐｌｅｓｉｚｅ，ｐｏｏｒｉｎｆｏｒｍａｔｉｏｎａｎｄｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｒｅｓｕｌｔｓｉｓｅａｓｉｌｙａｆｆｅｃｔｅｄｂｙｔｈｅｎｏｉｓｅｉｎｔｈｅｓａｍｐｌｅ，ｗｅｐｒｏｐｏｓｅｄａｎｉｎｔｕｉｔｉｏｎｉｓｔｉｃｆｕｚｚｙｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｌｇｏｒｉｔｈｍ（ＩＦＩＳ — ＳＶＭ）．Ｆｉｒｓｔｗｅｄｅｒｉｖｅｄｔｈｅｒｅｌａｔｅｄａｌｇｏｒｉｔｈｍ。ａｎｄｄｅｓｉｇｎｅｄｔｈｅｍｕｌｔｉｃｌａｓｓｃｌａｓｓｉｆｉｅｒｂａｓｅｄｏｎｔｈｅＩＦＩＳ — ＳＶＭ．Ｔｈｅｎｗｅｉｍｐｌｅｍｅｎｔｅｄｔｈｅｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒｓ’ ｆａｕｌｔｄｉａｇｎｏｓｉｓｕｓｉｎｇｔｈｅＭａｔｌａｂｓｏｆｔｗａｒｅ．ＡｔｌａｓｔｗｅｃｏｍｐａｒｅｄｔｈｅｄｉａｇｎｏｓｔｉｃｒｅｓｕｌｔｏｆｔｈｅａｌｇｏｒｉｔｈｍｗｅｐｒｏｐｏｓｅｄｗｉｔｈｔｈｅｄｉａｇｎｏｓｔｉｃｒｅｓｕｌｔｓｏｆｔｈｅｓｅｖｅｒａｌＩ．Ｓ— ＳＶＭｍｕｌｔｉ — — ｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｓａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｄｉａｇｎｏｓｔｉｃｒｅｓｕｌｔ．ＥｘｐｅｒｉｍｅｎｔｓｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＩＦＩＳ— ＳＶＭｄｉａｇｎｏｓｉｓｉｓｂｅｔｔｅｒ，ｗｉｔｈｓｔｒｏｎｇｅｒｎｏｉｓｅ

基于支持向量机的多类分类在变压器故障诊断中的应用

ｍｕｔｃａｓｃａｓｃｔｎｌ．ｌｓｌｓｉａｏ．ＴｅｍａｈｍａｉａｄｌｏｕｔｒｄｃｉｎｆｒｔｎｆｒｒＷａｕｌｂｓｄｏＶＭｌｏｙｉｉｆｉｈｔｅｔｌｃｍｏｅｆａｌｐｅｉｔａｓｍｅｓｂｉａｅｎＳｆｏｏｒｏｔｔｅｒ．Ｄｅｉｉｎｌｃｓｏ．
中图分类号：Ｍ４１Ｔ１２Ｔ１；Ｐ８文献标志码：Ａ
ＡｐｌｃｔｏｆＳｐｉａｉｎｏＶＭｕｔ－ｌｓｌｓｉｃｔｏｉｔａｆｒｅａｌｉｇｓｓｍｌｉｃａｓｃａｓｆａｉｎｎｒｎｓｏｍｒｆｕｔｄａｎｏｉｉ
ｔｅｅｒ
０引言
支持向量机（ｕｐｒＶｃｒｃｉ，Ｖ是在统计学习ＳｐｏｅｔｈｎＳＭ）ｔｏＭａｅ理论基础上发展起来的一种新的机器学习方法… 。支持向
量机最初是为了两类分类问题而设计的，在实际应用中，多类分类的问题更为普遍。如何将二类分类问题推广到多类分类
ｂｎｒｒｅＷｓｄｔｓａｌｈｔｅｄａｎｓｓｍｏｅ．Ｔａｓｏｍｅａｔｗｅｅｃａｓｆｄｅａｔｙｔｉｉｇａｄｓｍｕａｉｇｉａｙｔｅａｕｅｏｅｔｂｉｈｉｇｏｉｄ１ｒｎｆｒｒｆｕｓｓｓｌｒｌｓｉｅｘｃｌｂｒｎｎｉｌｔｉｙａｎｎＳＶＭｎｎｄｓｗｉｔ．ｏｏｅｔＭａａｈｌｂ

基于模糊理论与支持向量机的变压器故障诊断方法

ｔｅｄｎｉｅｕｉｇＶＭｉｉｈｍｕｔｏｊｃｉｅｃａｓｉａｉｎａｄｄａｎｓｅｕｔｒｈｎｉｅｔｉｄｓＳｆｎｎｗｈｃｌ－ｈｅｔｌｓｉｃｔｎｉｏｉｒｓｌａｅｉｖｆｏｇｓｓ
ａｈｅｅｙｅｐｏｉｇｔｅｏｅａａｎｔａｌｍｅｈｄＴｏｃｕｔｒｔｅｄｆｉｕｔｆｐｒｍｅｅｓｄｃ— ｃｉｖｄｂｍｌｙｎｈｎ — ｇｉｓ — ｌｔｏ．ｏｎｅｈｉｆｌｙｏａａｔｒｅｉｃｓｏｎＳｉｎｉＶＭ，ｔｅｍｕｔｌｙｒａａｔｖｌｏｉｈａｄｔｅｋｆｌｒｓａｉａｉｎｍｅｈｄａｅｃｍ — ｈｌｉａｅｄｐｉｅａｇｒｔｍｎｈ — ｏｄｃｏｓｖｌｔｔｏｒｏ — ｄｏｂｎｄｔｐｉｚｈａａｔｒ．Ｆａｌｉｇｏｉａｅｎｌｓｓｒｓｌｓｓｏｔａｈｒｐｓｄｉｅｏｏｔｍｉｅｔｅｐｒｍｅｅｓｕｔｄａｎｓｓｃｓｓａａｙｉｅｕｔｈｗｈｔｔｅｐｏｏｅｍｅｈｄｃｎｏｅｃｍｉｇｔｅｃｎｅｔｏａｉｇｏｉｔｏｓｓｏｔｏｉｇｆｍｉｓｎｏｅｎｔｏａｖｒｏｎｈｏｖｎｉｎｌｄａｎｓｓｍｅｈｄｈｒｃｍｎｓｏｓｉｇｃｄｓａｄａｓｌｔｏｉｇｂｒｅｓｎｔｉｗｉｈｍｏｅａｃｒｔｎｕｔｂｅｉｒｃｉｅａｐｉａｉｎ．ｂｏｕｅｃｄｎｏｄｒ，ａｄｉｓｔｒｃｕａｅａｄｓｉａｌｎｐａｔｃｐｌｔｏｓｃＫｅｒｓｔａｓｏｍｅ；ｆｕｔｄａｎｓｓｕｚｈｏｙ；ｓｐｏｔｖｃｏａｈｎｙｗｏｄ：ｒｎｆｒｒａｌｉｇｏｉ；ｆｚｙｔｅｒｕｐｒｅｔｒｍｃｉｅ

基于模糊聚类法的神经网络变压器故障诊断系统

ｔｅｓｍｐｅｓｔｒｗｅｈｉｔｂｔｎｏａｌｓｎｔｓｍｍｅｒａ，ｉｍａａｓａｇｏｔｅｈａｌｅｈｎｔｅｄｓｒｕｉｆｓｍｐｅｉｏｙｏｉｏｔｃｌｔｙｃｕｅｄｍａｅｔｈｉ
Ｋｅｙｗｏｒｆｚｙｃｕｔｒｎｄｓ：ｕｚｌｓｅｇ；ｎｕａｅｗｏｋｉｅｒｌｎｔｒｓ；ｔａｆｒｒａｌｄａｎｓｓｒｎｓｏｍｅ；ｆｕｔｉｇｏｉ
在现有的变压器故障诊断方法中，中溶解油
作中得到了广泛的应用，但仍然存在许多不足，如故障编码种类有限不能诊断所有可能的故障，难
以同时诊断多种故障，断相近的故障时误诊率诊
高等．
为解决传统比值法的不足，在变压器的故障
法；是Ｒｇｒ三ｏｅｓ比值法．管这些方法在实际工尽
气体分析法（Ｇ）ＤＡ是最为有效的方法之一．ＧＤＡ诊断法通过分析变压器发生故障时所产生各种气体的含量和产气的速率，就能够诊断出变压器的
大部分故障．ＩＥ在ＥＥ标准 … 中，出了３种ＤＡ提Ｇ诊断方法：是主气体法；一二是Ｄｅｎｎｕｇ比值ｏｒｅｂｒ
ｍｅｈｄｉｆｅｔｅｉｏｖｎｈｅｐｏｌｍｓａｄｅｈｎｉｇｔｅｐｅｆｒａｃｆｆｕｔｄａｎｓｓｓｓｅ．ｔｏｓｅｆｃｉｎｓｌｉｇｔｒｂｅｎｎａｃｎｈｒｏｖｍｎｅｏａｌｉｇｏｉｙｔｍ

基于支持向量机的变压器远程故障诊断研究的开题报告

基于支持向量机的变压器远程故障诊断研究的开题报告一、选题背景变压器在电力系统中扮演着重要的角色，其负责将电能从高压输电线路传输到低压配电线路，因此其可靠性和安全性非常重要。

在实际运行中，由于电力系统的复杂性和不可预测性，变压器难免会出现故障，如绝缘老化、短路等。

为了提高变压器的可靠性和延长使用寿命，需要对其进行及时的故障诊断和维护。

目前，变压器远程故障诊断技术已经得到了广泛的应用。

其中，支持向量机被认为是一种有效的方法，能够识别和分类各种变压器故障类型。

然而，目前针对变压器故障诊断的研究还存在一些问题，如数据不足、模型精度不够高等。

因此，本研究旨在基于支持向量机，通过收集和分析变压器的运行数据，建立一个高效准确的远程故障诊断模型，以提高变压器的可靠性和安全性。

二、研究目的本研究的主要目的如下：1.通过收集和分析变压器的运行数据，建立一个支持向量机模型，以识别和分类各种变压器故障类型。

2.通过对模型的训练和测试，评估其准确性和效率，为变压器远程故障诊断提供科学依据。

3.针对目前变压器远程故障诊断存在的问题，提出相关改进建议，并对该领域进行深入研究。

三、研究内容本研究的主要内容如下：1.收集和整理变压器的运行数据，包括各种故障类型的数据特征。

2.设计和实现支持向量机算法，包括模型选择、特征提取、训练和测试等环节。

3.对模型进行优化和调整，以提高其准确性和效率。

4.评估模型的性能，并与其他机器学习算法进行比较。

5.针对模型训练的结果，提出相关改进建议，并对变压器远程故障诊断领域进行探讨。

四、研究方法本研究采用以下方法：1.收集和整理变压器的运行数据，包括历史数据、实时数据和测试数据。

2.利用支持向量机算法，对数据进行处理、特征提取和分类。

3.通过交叉验证和网格搜索等方法，优化和调整模型的参数。

4.利用Python语言编写程序，实现模型的训练和测试，对模型进行评估。

五、可行性分析1.变压器故障诊断是一个热门和重要的研究领域，具有广泛的应用前景。

采用模糊支持向量机的模拟电路故障诊断新方法

采用模糊支持向量机的模拟电路故障诊断新方法
随着电子技术的不断发展和应用，模拟电路已经从过去的简单线性电路发展成为了复杂的非线性电路，因此在模拟电路故障诊断方面的难度也越来越大。

传统的故障诊断方法大多基于经验和规则，但在实际应用中往往存在着一定的局限性。

因此，探索一种新的模拟电路故障诊断方法具有重要的理论意义和实际应用价值。

本文提出一种采用模糊支持向量机的模拟电路故障诊断新方法。

模糊支持向量机是一种将模糊逻辑和支持向量机相结合的方法，能够有效地处理模糊信息和非线性问题。

在模拟电路故障诊断中，由于故障信息往往是模糊和不确定的，同时电路中存在着非线性元件，因此采用模糊支持向量机进行故障诊断具有很大的优势。

具体地，本文首先对模拟电路进行建模，并采集一定数量的正常运行和故障运行的数据。

然后，利用模糊支持向量机对这些数据进行训练，建立故障诊断模型。

在实际应用中，将待诊断的模拟电路输入模型中，通过模型输出结果进行故障诊断。

实验结果表明，采用模糊支持向量机进行模拟电路故障诊断能够取得较好的诊断效果。

与传统的故障诊断方法相比，模糊支持向量机能够更准确地诊断出故障，并且具有更好的鲁棒性和泛化能力。

因此，本文提出的模拟电路故障诊断新方法具有很大的应用前景。

- 1 -。

基于模糊理论与支持向量机的变压器故障诊断方法

基于模糊理论与支持向量机的变压器故障诊断方法
张金江;梁耀升;尹玉娟;郭创新
【期刊名称】《电力科学与技术学报》
【年(卷),期】2011(026)002
【摘要】摘要:针对变压器结构的复杂性和故障机理的多样性,提出一种基于模糊理论和支持向量机的变压器故障诊断方法.该方法首先采用模糊理论对故障样本数据进行预处理,提取故障特征,再用支持向量机方法进行故障分类,通过采用一对多(1-α-r)的方法实现多目标分类,得出诊断结果.针对支持向量机参数不易确定的问题,采用多层动态自适应算法与k-折交叉验证方法结合对参数进行优化分析.故障诊断实例测试结果显示,该方法不仅克服了传统比值法中编码缺失、编码边界过于绝对的问题,诊断结果具有更高的准确率,而且也具有较好的适用性.
【总页数】6页(P61-66)
【作者】张金江;梁耀升;尹玉娟;郭创新
【作者单位】浙江科技学院自动化与电气工程学院,浙江杭州310023;浙江大学电气工程学院,浙江杭州310027;南宁超高压输电公司,广西南宁530028;浙江大学电气工程学院,浙江杭州310027;浙江大学电气工程学院,浙江杭州310027
【正文语种】中文
【中图分类】TM711;TM744
【相关文献】
1.基于支持向量机的变压器故障诊断方法 [J], 施竹君;王宝华
2.一种基于改进最小二乘支持向量机的变压器故障诊断方法研究 [J], 成亚玲;谭爱平
3.基于模拟退火和支持向量机理论的变压器故障诊断方法 [J], 于虹;张永刚
4.基于改进量子粒子群优化支持向量机的变压器故障诊断方法 [J], 党东升; 张树永; 葛鹏江; 田星
5.基于支持向量机的油浸式电力变压器故障诊断方法研究 [J], 朱柏林[1]
因版权原因，仅展示原文概要，查看原文内容请购买。

基于支持向量机和油中溶解气体分析的变压器故障诊断的开题报告

基于支持向量机和油中溶解气体分析的变压器故障诊断的开题报告1. 研究背景和意义变压器是电力系统中广泛应用的电力设备，其稳定可靠运行对于保证电力系统的安全稳定运行至关重要。

然而，随着变压器的使用年限增长，其故障率也随之增加，对于变压器进行快速准确的故障诊断，对于延长设备的使用寿命、提高设备的运行效率以及保障电力系统的安全稳定运行有着重要的意义。

近年来，基于支持向量机(Support Vector Machine, SVM)算法和油中溶解气体分析方法已经成为变压器故障诊断领域的热点研究方向。

其中，SVM算法是一种基于统计学习理论和结构风险最小化的方法，具有强大的泛化能力和高精度的特点；而油中溶解气体分析方法则是通过对变压器中的绝缘油进行化验分析，提取其中的溶解气体特征来判定变压器的运行状态以及存在的故障类型。

2. 研究内容和思路本研究将基于支持向量机算法和油中溶解气体分析方法，结合变压器的工作原理和故障模式，设计变压器故障自动诊断系统，具体研究内容包括：(1) 变压器油中溶解气体分析特征提取通过对变压器油中溶解气体的化验分析数据进行处理和特征提取，从中提取出能够反映变压器故障状态和类型的关键特征点，为后续的SVM分类器建模提供数据基础。

(2) 基于SVM的变压器故障分类采用支持向量机分类算法，以区分变压器故障类型，进行故障自动诊断，并对不同类型的故障进行有效的处理和调整。

(3) 变压器故障判断准确性分析及性能优化对研究所设计的变压器故障自动诊断系统进行分析，评估其故障诊断准确性，并对所得结果进行分析、总结，指导后续的系统优化和完善。

3. 研究目标和预期结果本研究的主要目标在于设计出一种可靠的变压器故障自动诊断系统，通过对变压器油中溶解气体分析特征和SVM算法理论的深入研究和分析，构建出一个可靠性高、故障判别准确的变压器故障诊断系统，为实现变压器运行的长久稳定起到积极的作用。

预期结果如下：(1) 基于变压器油中的溶解气体分析得到的关键特征点，建立一个故障特征分类器，以进行变压器的故障类型判断和诊断，提高判断准确率。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于模糊支持向量机的变压器故障诊断
肖燕彩，张清
（北京交通大学机械与电子控制工程学院，北京１０４）００４
摘
要：对支持向量机对训练样本内的噪声和孤立点比较敏感，响了支持向量机分类性能的弱针影
点，用模糊支持向量机的学习方法，建了变压器故障诊断模型．取一种基于二叉树的多分类利构采方法，用模糊Ｃ均值聚类算法求取模糊支持向量机的模糊隶属度，用径向基核函数，使采并利用遗
传算法对模糊支持向量机的参数进行寻优．实验结果表明，于二叉数的模糊支持向量机模型相比基ＢＰ神经网络、支持向量机有更高的诊断准确率，于二叉树模糊支持向量机的变压器故障诊断方基
ｍａｈｎｓＦＶＭ）ｔｓｌｔｂｎｒｒｅｃｓｉｃｔｎａｏｉｍｏｌ— ａｓｃｓｉｃｔｎｈｃｉｅ（Ｓ．Ｉｅｅｓｉａｙｔｌｓｉｉｌｒｈｆｒｍｕｔｃｓｌｓｉｉ．Ｔｅｃｅａｆａｏｇｔｉｌａｆａｏ
法是可行的．
关键词：模糊支持向量机；叉树；障诊断；二故模糊Ｃ均值聚类算法；遗传优化；变压器
中图分类号：Ｐ１Ｔ３９文献标志码：Ａ
Ｒｅｅｒｈｏｒｎｓｏｍｅａｌｉｇｏｉｓｄｓａｃｆｔａｆｒｒｆｕｔｄａｎｓｓｂａｅｏｕｚｕｐｒｅｔｒｍａｈｎｓｎｆｚｙｓｐｏｔｖｃｏｃｉｅ
第３６卷第１期

北
京
交
通
大
学
学
报
Ｖｏ．６Ｎｏ１１３．
ＯＦＥＩＩＢ『ＮＧＩ（ ℃ ＪＵＮＩＲＳＩＩＡＧＶＥ
Ｆｂ０２ｅ＿．２１
文章编号：６３０９（０２０ —１７０１７ —２１２１）１０１—５
ｗｈｃｈｗｓｔａｈｒｐｓｄｍｏｅｉｍｏｅｅｆｃｉｅａｄａｃｒｔ，ｉｈｐｏｅｅｇｖｎｍｅｈｄｏｉｈｓｏｈｔｔｅｐｏｅｄｌｓｏｒｆｅｔｎｃｕａｅｗｈｃｒｖｓｔｉｅｔｏｆｖｈｔａｓｏｉｅａｌｄａｎｓｓｂｓｄｏｉａｙｔｅｕｚｕｐｒｅｔｒｍａｈｎｓｉｆａｉｌ．ｒｎｆｆｒｆｕｔｉｇｏｉａｅｎｂｎｒｅｆｚｙｓｐｏｔｖｃｏｃｉｅｅｓｅｎｒｓｂ
ｍｅｂｒｈｐｖｌｅｏｅＦＶＭｂａｎｄｂｕｚｍｅｎｌｓｅｉｇａｏｉｍ．ｅｒｄａｋｒｅｍｅｓｉａｕｆｔＳｈｉｏｔｉｅｙｆｚｙＣ－ａｓｃｕｔｒｌｒｈｓｎｇｔＴｈａｉｌｅｎｌｓｉｓｌｃｅ．ＰａａｅｅｓｏｈＶＭｄｌｒｐｉｉｅｔｅｅｉｌｏｉｍ．Ａｓｆｆｕｔｓｍ — ｅｅｔｄｒｍｔｒｆｔｅＦＳｍｏｅｅｏｔｚｄｗｉｇｎｔｃａｇｒｈａｍｈｔｍａｓｏａｌａｐｅｒｎｌｚｄａｄｒｓｌｒｏａｅｔｈｓｂａｎｄｂｈｅｈｄｆＢｌａｅａａｙｅｎｅｕｔａｅｃｍｐｒｄｗｉｔｏｅｏｔｉｅｙｔｅｍｔｏｓｏＰＮＮｎＶＭ，ｓｓｈａｄＳ
ＡｂｔａｔＡｅｔａｉｏａｓｐｏｔｅｔｒｍａｈｎｓＳｓｒｃ：ｓｔｒｄｔｎｌｕｐｒｖｃｃｉｅ（ＶＭ）ｉｐｒｉｌｌｅｓｉｏｎｉｎｕ— ｈｉｏｓａｔｕａｙｓｎｉｖｔｏｓａｄｏｔｃｒｔｅｅ
Ｋｅｒｓｆｚｙｓｐｒｅｔｒｍａｈｎｓｉａｙｔｅ；ｆｕｔｄａｎｉ；ｆｚｙＣ－ａｓｃｕｔｒｇａｇ — ｙｗｏｄ：ｕｚｕｐｔｖｃｏｃｉｅ；ｂｎｒｅａｌｉｇｏｓｕｚｍｅｎｌｓｅｉｌｏｏｒｓｎｒｔｍ；ｇｎｔｌｏｉｈ；ｔａｓｏｍｅｉｈｅｅｉａｇｒｔｍｃｒｎｆｒｒ
ＸＩＡＯｎａ，ＺＹａｃｉＨＡＮＧｎＱｉｇ
（ｃｏｌｆｃａｉｌＥｅｔｎｃａｄＣｎｒｌｎｉｅｉｇＢｉｎａｔｎｉｒｔ，ｅｉ００４ＣｉａＳｈｏｈｎｃ，ｌｒｉｎｏｔｇｅｒ，ｅｉｇｉｏｇＵｎｖｓｙＢｉｎ１０４，ｈｎ）ｏＭｅａｃｏｏＥｎｎｊＪｏｅｉｊｇ
ｌｒｈｒｉｉｇｓｍｐｅ，ｔａｓｃｉｒｆｕｔｄａｎｓｓｍｏｅｓｂｉａｅｎｆｚｙｓｐｒｅｔｒｉｓｉｔｅｔａｎｎａｌｓｒｎｆＩｎｅａｌｉｇｏｉｄｌｉｕｌｂｓｄｏｕｚｕｐｔｖｃｏｅｎｆｔｏ