PCA和KICA特征提取的变压器故障诊断模型

发布时间：2018-09-13 08:42

【摘要】：为了充分利用主元分析(PCA)和核独立主元分析(KICA)特征提取的互补性,提高变压器故障分类正确率,提出了基于PCA和KICA特征提取的变压器故障诊断模型。该模型中,首先,将油中溶解气体分析(DGA)测试样本投影到PCA空间中进行特征提取,采用多核支持向量机(MKSVM)作为分类器进行预分类,采用核密度估计方法估计阈值将测试样本预分类为易识别或难识别样本;对难分类样本则再次投影到KICA空间,采用另一MKSVM作为分类器进行分类识别,实现PCA和KICA双空间特征提取算法;最后,根据故障特征,建立变压器故障诊断模型。实验结果表明,所提出的双空间算法对变压器故障的识别率达到88.61%,比单空间算法和IEC3比值法的识别率分别高10%和24%。
[Abstract]:In order to make full use of the complementarities of (KICA) feature extraction by principal component analysis (PCA) and kernel independent principal component analysis (KICA) and improve the accuracy of transformer fault classification, a transformer fault diagnosis model based on PCA and KICA feature extraction is proposed. In this model, firstly, the (DGA) test sample of dissolved gas analysis in oil is projected into the PCA space for feature extraction, and the multi-kernel support vector machine (MKSVM) is used as the classifier to pre-classify. The kernel density estimation method is used to estimate the threshold value, and the test samples are pre-classified as easily identifiable or difficult to identify, and the difficult samples are projected into KICA space again, and another MKSVM is used as the classifier to classify the samples. The dual space feature extraction algorithm of PCA and KICA is realized. Finally, the fault diagnosis model of transformer is established according to the fault features. The experimental results show that the recognition rate of the proposed dual-space algorithm for transformer faults is 88.61, which is 10% and 24% higher than that of single space algorithm and IEC3 ratio method, respectively.
【作者单位】： 中南大学信息科学与工程学院;宜春学院物理科学与工程技术学院;中国瑞林工程技术有限公司;
【基金】：国家自然科学基金(61134006) 国家“十二五”科技支撑计划(2012BAK09B04)~~
【分类号】：TM407

【参考文献】

相关期刊论文 前10条

1 宋斌,于萍,罗运柏,文习山;基于灰关联熵的充油变压器故障诊断方法[J];电力系统自动化;2005年18期

2 张承彪,罗运柏,文习山;主成分分析在变压器故障诊断中的应用研究[J];高电压技术;2005年08期

3 费胜巍;苗玉彬;刘成良;张晓斌;;基于粒子群优化支持向量机的变压器故障诊断[J];高电压技术;2009年03期

4 符杨;田振宁;江玉蓉;曹家麟;;加权模糊核聚类法在电力变压器故障诊断中的应用[J];高电压技术;2010年02期

5 胡青;孙才新;杜林;李剑;;核主成分分析与随机森林相结合的变压器故障诊断方法[J];高电压技术;2010年07期

6 杜林;袁蕾;熊浩;唐纲;李刚;孙才新;;电力变压器运行状态可拓层次评估[J];高电压技术;2011年04期

7 廖瑞金;张镱议;黄飞龙;郑含博;杨丽君;;基于可拓分析法的电力变压器本体绝缘状态评估[J];高电压技术;2012年03期

8 唐勇波;桂卫华;欧阳伟;;基于相对重构贡献的变压器故障诊断方法[J];高电压技术;2012年11期

9 赵文清;李庆良;王德文;;基于多模型的变压器故障组合诊断研究[J];高电压技术;2013年02期

10 白翠粉;高文胜;金雷;于文轩;朱文俊;;基于3层贝叶斯网络的变压器综合故障诊断[J];高电压技术;2013年02期

【共引文献】

相关期刊论文 前10条

1 肖燕彩;张清;;基于模糊支持向量机的变压器故障诊断[J];北京交通大学学报;2012年01期

2 宋强;李菲;张运素;徐蕾;;基于灰关联熵法的电力变压器故障诊断研究[J];变压器;2010年02期

3 叶晓明;林小竹;;基于主元分析的人脸识别方法研究[J];北京印刷学院学报;2010年02期

4 郭祖平;;基于模糊信息熵的变压器故障诊断方法研究[J];船电技术;2008年03期

5 周力行;李毅;窦鹏;龚杰;;混沌-分形理论在变压器油热老化故障诊断中的应用[J];电工技术学报;2008年12期

6 王蒙;王雅洁;杨丕仁;杨润标;;基于独立成分分析的自适应图像滤波算法[J];大理学院学报;2010年04期

7 肖燕彩;朱衡君;陈秀海;;用灰色多变量模型预测变压器油中溶解的气体浓度[J];电力系统自动化;2006年13期

8 熊浩;孙才新;张昀;谭志红;代姚;;电力变压器运行状态的灰色层次评估模型[J];电力系统自动化;2007年07期

9 曹建;范竞敏;丁家峰;盛驰;;改进的灰熵关联度算法用于变压器故障诊断[J];电力系统及其自动化学报;2009年04期

10 董秀成;陶加贵;王海滨;刘帆;;自适应模糊支持向量机增量算法在变压器故障诊断中的应用[J];电力自动化设备;2010年11期

相关会议论文 前8条

1 宋斌;李仕林;罗运柏;;基于orade数据库的变压器油色谱分析综合故障诊断系统[A];湖北省电机工程学会电厂化学专委会2007年学术年会论文集[C];2007年

2 李仕林;宋斌;罗运柏;孔旭晖;夏桓桓;;基于oracle数据库的变压器油色谱分析综合故障诊断系统[A];2007云南电力技术论坛论文集[C];2007年

3 Deng Xiaogang;Tian Xuemin;;Nonlinear Process Monitoring Using Dynamic Kernel Slow Feature Analysis and Support Vector Data Description[A];第25届中国控制与决策会议论文集[C];2013年

4 Feifan Shen;Zhihuan Song;Le Zhou;;Improved PCA-SVDD based monitoring method for nonlinear process[A];第25届中国控制与决策会议论文集[C];2013年

5 赵小强;杨武;薛永飞;;可变窗自适应核主元分析的化工过程故障诊断算法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

6 汪爱娟;张端金;介晓婧;;基于核主元分析的故障检测[A];2013年中国智能自动化学术会议论文集（第四分册）[C];2013年

7 Feng Jian;Wang Jian;Han Zhiyan;;Process Monitoring for Chemical Process based on Semi-supervised Principal Component Analysis[A];第25届中国控制与决策会议论文集[C];2013年

8 ZANG Yingwei;WANG Zhengbing;;Fault Reconstruction Algorithm based on Fault-relevant KPCA[A];第25届中国控制与决策会议论文集[C];2013年

相关博士学位论文 前10条

1 黄伟国;基于振动信号特征提取与表达的旋转机械状态监测与故障诊断研究[D];中国科学技术大学;2010年

2 刘镝;说话人识别中信息融合算法的研究[D];北京交通大学;2011年

3 张亚刚;基于广域信息的电力系统故障元件定位方法研究[D];华北电力大学（北京）;2011年

4 胡青;基于电力变压器故障特征气体分层特性的诊断与预测方法研究[D];重庆大学;2010年

5 王正帅;老采空区残余沉降非线性预测理论及应用研究[D];中国矿业大学;2011年

6 孙会刚;水分对油纸绝缘热老化及寿命的影响与热老化程度表征研究[D];重庆大学;2011年

7 马建伟;精密电液伺服阀几何因素与性能指标映射关系研究[D];大连理工大学;2011年

8 张战成;基于统计学习的协作分类与隐私保护方法及应用研究[D];江南大学;2011年

9 陈坤;在线核学习建模算法及应用研究[D];浙江大学;2011年

10 冉志红;桥梁结构损伤识别的动力指纹方法研究[D];西南交通大学;2007年

相关硕士学位论文 前10条

1 张晶莹;独立分量分析在电力系统谐波电流估计中的应用[D];哈尔滨理工大学;2010年

2 姚成;人脸识别算法在双核DSP上的实现与优化[D];江苏大学;2010年

3 梅振益;基于数据驱动的多模型软测量研究[D];江南大学;2011年

4 梅盛鑫;基于支持向量机和遗传算法的人脸识别研究[D];杭州电子科技大学;2011年

5 朱洁;数据挖掘技术在电力营销系统线损计算中的应用研究[D];兰州理工大学;2011年

6 瞿娜娜;基于组合核函数支持向量机研究及应用[D];华南理工大学;2011年

7 张翼舟;略阳火电厂建设项目影响后评价研究[D];华北电力大学;2011年

8 杨家鸣;乌海电业局城市供电可靠性规划[D];华北电力大学;2011年

9 朱颢;全方位舌像特征提取及多核学习分类[D];哈尔滨工业大学;2011年

10 刘伟;海勃湾城市供电可靠性研究[D];天津大学;2011年

【二级参考文献】

相关期刊论文 前10条

1 赵海青,牛东晓;灰色优选组合预测模型及其应用[J];保定师范专科学校学报;2002年02期

2 牟少敏;田盛丰;尹传环;;基于协同聚类的多核学习[J];北京交通大学学报;2008年02期

3 邓小强;;预防性试验在电力变压器状态评估中的作用[J];变压器;2007年09期

4 张景明;刘建国;;粗糙集和BP神经网络在变压器故障诊断中的应用[J];变压器;2009年04期

5 林茂六;陈春雨;;基于傅立叶核与径向基核的支持向量机性能之比较[J];重庆邮电学院学报(自然科学版);2005年06期

6 高宁,高文胜,张瑞,严璋;结合主分量分析法的神经网络在变压器故障诊断中的应用[J];电工电能新技术;1999年02期

7 钱政,高文胜,尚勇,严璋;基于范例推理的变压器油中气体分析综合诊断模型[J];电工技术学报;2000年05期

8 李俭,孙才新,陈伟根,陈国庆,崔雪梅;基于灰色聚类分析的充油电力变压器绝缘故障诊断的研究[J];电工技术学报;2002年04期

9 王楠,律方成,刘云鹏,李和明;基于决策表约简的变压器故障诊断Petri网络模型及其应用研究[J];电工技术学报;2003年06期

10 章剑光,周浩,项灿芳;基于Super SAB神经网络算法的主变压器故障诊断模型[J];电工技术学报;2004年07期

相关博士学位论文 前4条

1 彭宁云;基于DGA技术的变压器故障智能诊断系统研究[D];武汉大学;2004年

2 吴立增;变压器状态评估方法的研究[D];华北电力大学（河北）;2005年

3 赵文清;基于数据挖掘的变压器故障诊断和预测研究[D];华北电力大学（河北）;2009年

4 周曙;基于贝叶斯网的电力系统故障诊断方法研究[D];西南交通大学;2010年

相关硕士学位论文 前3条

1 黄伟;变压器油中溶解气体在线监测系统及其故障诊断方法研究[D];湖南大学;2005年

2 许永建;变压器故障诊断技术研究[D];南京理工大学;2010年

3 杨海深;贝叶斯网络中不确定性知识推理算法及其应用研究[D];华南理工大学;2010年

【相似文献】

相关期刊论文 前10条

1 田竞;王_g;;基于最小二乘支持向量机的电力变压器故障诊断[J];仪器仪表与分析监测;2008年01期

2 孙娜;;基于粗糙集的变压器故障诊断方法研究综述[J];广东电力;2010年02期

3 陈伟根;潘，

本文编号：2240638