下载文档原格式
第３０卷第４期２ ０ １ ２年４月水 电 能 源 科 学Ｗａｔｅｒ Ｒｅｓｏｕｒｃｅｓ ａｎｄ ＰｏｗｅｒＶｏｌ．３０Ｎｏ．４Ａｐｒ．２ ０ １ ２文章编号：１０００－７７０９（２０１２）０４－０１７９－０４基于粒子群优化支持向量机的变压器故障诊断朱文俊１，周 刚１，王红斌１，尹玉娟２，张金江２，郭创新２（１．广东电网公司电力科学研究院，广东广州５１００８０；２．浙江大学电气工程学院，浙江杭州３１００２７）摘要：针对支持向量机（ＳＶＭ）用于变压器故障诊断中模型参数具有不确定性的问题，采用粒子群优化（ＰＳＯ）算法对支持向量机参数进行优化，减少了模型参数的不确定性。
故障数据测试表明，ＰＳＯ能快速、准确地优化ＳＶＭ参数，二者的结合可有效完成变压器故障分类，并取得较为满意的效果。
关键词：油中溶解气体分析；ＰＳＯ优化；支持向量机；故障诊断；参数优化；变压器中图分类号：ＴＭ４１１文献标志码：Ａ收稿日期：２０１１－０８－１５，修回日期：２０１１－１０－１９基金项目：浙江省自然科学基金资助项目（Ｙ１１００２４３）作者简介：朱文俊（１９８４－），男，工程师，研究方向为高电压电气设备测试及在线监测技术，Ｅ－ｍａｉｌ：ａｎｇｅｌｕｆｗｂｂ＠１６３．ｃｏｍ通讯作者：张金江（１９７１－），男，副教授，研究方向为输变电设备状态监测、故障诊断与智能评估等，Ｅ－ｍａｉｌ：ｊｊｚｈａｎｇ＠ｚｊｕ．ｅｄｕ．ｃｎ 目前，油中溶解气体分析（ＤＧＡ）方法［１］是变压器故障诊断最常用的方法，它能有效发现变压器内部的潜伏性故障及其发展程度。
油中溶解气体的含量与产气速率因故障原因的不同而不同。
ＤＧＡ测试中故障产生的可燃性气体包括氢气、氧气、氮气、甲烷、乙烯、乙炔、乙烷、二氧化碳、一氧化碳等。
研究结果表明，电晕或局部放电，过热故障和电弧放电时变压器绝缘老化的三大主要原因［２］。
传统的ＤＧＡ方法仅根据专家经验将故障现象与故障原因之间的关系简单对应起来，忽略了故障现象与故障原因的模糊性和不确定性，因此存在编码不完全、编码边界过于绝对、误诊断的局限性［３］。
改进人工鱼群算法优化小波神经网络的变压器故障诊断贾亦敏;史丽萍;严鑫【摘要】针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型.基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度.结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2019(038)002【总页数】7页(P103-109)【关键词】变压器;故障诊断;小波神经网络;改进人工鱼群算法;粒子群优化算法;动态反向学习策略【作者】贾亦敏;史丽萍;严鑫【作者单位】中国矿业大学电气与动力工程学院,江苏徐州221116;中国矿业大学电气与动力工程学院,江苏徐州221116;国网上海市电力公司市北供电公司,上海200940【正文语种】中文【中图分类】TM4110 引言变压器自19世纪80年代问世以来，一直是电力系统的关键设备之一，受到了广泛关注和研究。
在整个输配电系统中，变压器作为核心组成部分占据着至关重要的地位，其性能的优劣直接影响整个供配电系统的经济效益与安全性。
在实际生产中，能否快速准确诊断或预测变压器已有故障或潜伏性故障，与电网能否安全稳定密切相关[1]。
基于油浸式变压器故障时油中会产生较多气体的油中气体分析法(dissolved gas analysis，DGA)自提出以来，已成为国内外实际应用最广泛的变压器故障诊断方法，该方法主要通过故障气体量与故障类型间数学关系进行判断，经典应用有三比值法与大卫三角法等。
近年来，许多新理论被应用于变压器故障诊断，主要有模糊算法[2]、支持向量机[3]、免疫算法[4]、粗糙集理论等，取得了一定成果。
概率神经网络的分类预测——基于PNN的变压器故障诊断摘要：电力变压器故障诊断对变压器、电力系统的安全运行有着十分重要的意义，本文介绍了基于概率故障神经网络（PNN）在变压器故障诊断中的应用。
针对概率神经网络（PNN）模型强大的非线性分类能力，PNN能够很好地对变压器故障进行分类；文章通过对PNN神经网络的结构和原理的分析，应用PNN概率神经网络方法对变压器故障进行诊断。
关键词：变压器；概率神经网络；故障诊断0 引言变压器是电力系统中的一个重要设备，由于它对电能的经济传输、灵活分配和安全使用具有重要意义，因而它的维护检修就显得极为重要，特别是通过对其进行故障诊断为其正常运行提供可靠的依据。
故障诊断技术是借助于现代测试、监控和计算机分析等手段，研究设备在运行中或相对静止条件下的状态信息，分析设备的技术状态，诊断其故障的性质和起因，并预测故障趋势，进而确定必要对策的一种方法。
从本质上讲，故障诊断就是模式识别问题。
神经网络的出现，为故障诊断问题提供了一种新的解决途径，特别是对于实际中难以解决的数学模型的复杂系统，神经网络更显示出其独特的作用。
目前，在故障诊断方面虽然BP网络应用得最为广泛，但其网络层数及每层神经元的个数不易确定，而且在训练过程中网络容易陷入局部最小点。
本文引入一种新的人工神经网络模型——概率神经网络，使用该网络进行变压器的故障诊断，可以获得令人满意的故障诊断率，并能有效地克服BP神经网络的缺点。
本文采用概率神经网络(probabilistic neural networks)对变压器故障进行诊断。
概率神经网络结构简单、训练简洁，利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，可形成一个具有较强容错能力和结构自适应能力的诊断网络系统，从而提高故障诊断的准确率。
在实际应用中，尤其是在解决分类问题的应用中，它的优势在于用线性学习算法来完成非线性学习算法所做的工作，同时保持非线性算法的高精度等特性。
基于优化Bi-LSTM模型的电力变压器故障诊断
樊清川;于飞;宣敏
【期刊名称】《计算机仿真》
【年(卷),期】2022(39)11
【摘要】为了对电力变压器进行更精确的故障诊断,提出一种基于粒子群优化(PSO)双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。
在5种变压器油气体成分的基础上加入三比值法构建的3个参量作为输入特征。
采用粒子群算法对模型中的超参数进行优化,通过组合模型PSO-Bi-LSTM对变压器故障进行诊断分析并与其它方法进行对比。
算例分析结果表明,所提模型的故障诊断准确率高达92.5%要优于传统方法,当样本特征数减少或数据集出现错误时,所提模型的诊断准确率仅有少许下降,说明该模型还具有较优的鲁棒性。
【总页数】5页(P136-140)
【作者】樊清川;于飞;宣敏
【作者单位】海军工程大学电气工程学院
【正文语种】中文
【中图分类】TP301.6;TP391.9
【相关文献】
1.基于帝国殖民竞争算法优化支持向量机的电力变压器故障诊断模型
2.基于参数优化的电力变压器故障诊断模型
3.基于置信规则库的电力变压器故障诊断模型
4.基
于NBC模型的电力变压器故障诊断5.基于改进GSA-SVM模型的电力变压器故障诊断
因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络的电力设备故障检测与诊断随着电力系统的规模不断扩大和设备的复杂性不断增加，电力设备故障不可避免地会发生。
及时准确地检测和诊断电力设备的故障对于保障电网的安全稳定运行至关重要。
近年来，基于神经网络的故障检测与诊断技术逐渐受到研究者的关注并取得了一定的进展。
一、神经网络在电力设备故障检测与诊断中的应用神经网络是一种模拟人脑神经元网络结构和信号传递机制的数学模型，它具有自适应性、并行处理能力和非线性映射能力等特点，适用于处理复杂的非线性问题。
在电力设备故障检测与诊断中，神经网络可以利用其优势来实现高效准确的故障检测和诊断。
1. 神经网络在电力设备故障类型识别方面的应用故障类型识别是电力设备故障检测与诊断的基础环节，其目的是通过分析设备的工作状态来确定故障的类型。
传统的故障类型识别方法通常使用规则或模型匹配的方式，需要依赖专家经验和大量的先验知识。
而基于神经网络的故障类型识别方法则能够自动地从数据中学习特征，并根据这些特征进行分类。
通过使用神经网络，可以大大提高故障类型识别的准确性和效率。
2. 神经网络在电力设备故障定位方面的应用故障定位是电力设备故障检测与诊断中的另一个重要环节，其目的是确定设备故障的具体位置。
传统的故障定位方法通常使用等效电路模型或电磁波反射法进行推断，需要对电力设备的拓扑结构和工作特性有较深入的了解。
而基于神经网络的故障定位方法则能够通过分析设备的输入-输出关系来推断故障位置，无需对设备的拓扑结构和工作特性进行详细分析。
神经网络具有强大的非线性映射能力，能够从输入数据中学习到设备工作状态与故障位置之间的关系，从而实现准确的故障定位。
二、基于神经网络的电力设备故障检测与诊断的关键技术神经网络在电力设备故障检测与诊断中的应用需要解决一些关键技术问题，以下是其中的几个关键技术。
1. 数据采集与预处理神经网络需要大量的输入数据来进行训练和推断，在电力设备故障检测与诊断中，这些数据可以来自传感器或监测设备。
