基于机器学习的变压器故障诊断和定位研究
发布时间:2020-12-10 00:28
在电力系统中,电力变压器是承担电压转换与输送的关键设备,因此,对其采取合适的状态监测手段和故障诊断技术,及时发现隐藏故障信息并制定检修策略,对电网稳定运行具有重要作用。基于充油设备故障诊断中常用的油中溶解气体分析法(dissolved gas analysis,DGA),针对变压器DGA样本特点和相关诊断算法存在的局限性。本文首先结合邻域粗糙集约简特征量,挖掘DGA特征信息与故障的联系,其次建立算法融合下更实用有效的变压器多层故障诊断及定位模型,主要开展研究工作如下:构建了基于邻域粗糙集和DGA比值的故障诊断模型。利用粗糙集工具对多种气体比值组成的备选故障特征样本进行决策约简,结合支持向量机进行故障判别,改进了目前DGA特征繁杂且包含故障信息不明的问题。对比结果证明该方法可以实现特征量的完善,使特征信息的冗余度降低至原先的50%,得到更好的故障诊断效果。构建了一种基于粒子群算法优化SVM的故障诊断模型。本模型在得到优选比值样本后,利用PSO优化前文分类器中核函数参数和惩罚参数的设置,克服了在实际故障诊断应用中为了实现非线性多分类功能,其相关参数选取对SVM性能的影响。经过实例分析,发现...
【文章来源】:西安建筑科技大学陕西省
【文章页数】:67 页
【学位级别】:硕士
【部分图文】:
邻域粗糙集的属性约简以基于DGA的变压器故障诊断建立决策系统为例,DGA的比值即为条件属性,故障的种类即为决策属性,计算属性的重要度就可以获取哪些DGA比值具
于样本较多,邻域半径计算参数 lammda 设置为 2,重要度下限参数 sig_ctrl 设置为贴近 0 的正数,0.001。(2)程序根据式(2-5)计算正域,加载样本数据,反复调用程序计算去掉单个ix 后其他条件属性的正域,根据公式(2-1)得到每个属性数据集的正域( )BPos D 及其依赖度。(3)调用约简计算程序 reduceSet.m,按照公式(2-2)、前文定义 2 与定义 3,根据属性依赖度,得到条件属性重要度sigSet 并根据输入的 sig_ctrl 进行约简计算,当重要度大于下限则输出结果。数据处理后,输入算法仿真后的约简结果如下:
S2类型样本测试集准确率
本文编号:2907744
【文章来源】:西安建筑科技大学陕西省
【文章页数】:67 页
【学位级别】:硕士
【部分图文】:
邻域粗糙集的属性约简以基于DGA的变压器故障诊断建立决策系统为例,DGA的比值即为条件属性,故障的种类即为决策属性,计算属性的重要度就可以获取哪些DGA比值具
于样本较多,邻域半径计算参数 lammda 设置为 2,重要度下限参数 sig_ctrl 设置为贴近 0 的正数,0.001。(2)程序根据式(2-5)计算正域,加载样本数据,反复调用程序计算去掉单个ix 后其他条件属性的正域,根据公式(2-1)得到每个属性数据集的正域( )BPos D 及其依赖度。(3)调用约简计算程序 reduceSet.m,按照公式(2-2)、前文定义 2 与定义 3,根据属性依赖度,得到条件属性重要度sigSet 并根据输入的 sig_ctrl 进行约简计算,当重要度大于下限则输出结果。数据处理后,输入算法仿真后的约简结果如下:
S2类型样本测试集准确率
本文编号:2907744
本文链接:https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2907744.html