大型电力变压器故障诊断中人工智能算法与应用PDF电子书下载

1 绪论 1

1.1 变压器潜伏性故障诊断的意义 1

1.1.1 电力系统中变压器故障诊断的意义 1

1.1.2 电力设备维修体制的发展与现状 2

1.1.3 状态维修 4

1.2 基于DGA的变压器故障诊断方法 5

1.2.1 故障的种类 5

1.2.2 故障诊断方法研究历史、发展和现状 6

1.2.3 数据分析方法在DGA数据表分析中的应用 7

1.2.4 方法学角度的故障诊断的基础问题 7

1.2.5 数据分析的智能阶段探讨 7

1.3 本书的主要研究内容 9

1.3.1 基于聚类理论的故障类型识别 9

1.3.2 基于粗糙集的样本循环采样，以实现规则求精 9

1.3.3 基于模糊粗糙集的规则约简 9

1.3.4 基于证据理论的结论综合 10

1.4 章节安排 10

2 基于DGA的变压器潜伏性故障诊断及其发展 11

2.1 概述 11

2.2 变压器的故障特性与溶解气体之间的关系 12

2.2.1 产气机制介绍［2,4,5］ 12

2.2.2 气体的溶解 13

2.3 变压器潜伏性故障与气体的比值问题 14

2.3.1 热性故障 15

2.3.2 放电性故障 16

2.3.3 受潮 17

2.4 基于DGA的故障诊断方法 17

2.4.1 三比值法 18

2.4.2 影响比值法的因素 18

2.4.3 三比值法的不足 19

2.5 小结 20

3 基于聚类分析的故障类型的确定 21

3.1 概述 21

3.2 问题的提出及本章聚类的作用 22

3.3 聚类问题的背景知识 23

3.3.1 聚类问题的本质 23

3.3.2 聚类的基本步骤 24

3.3.3 三类主要的聚类算法 25

3.3.4 面向DGA的变压器故障样本的分析 27

3.4 基于最优聚类的分析 27

3.4.1 FCM的模型构造 27

3.4.2 FCM算法步骤 29

3.4.3 G-K方法的模型构造和算法步骤 29

3.5 密度分析方法 30

3.5.1 基于概率密度的聚类分析方法 31

3.5.2 构造样本特性空间 33

3.5.3 聚类分析与故障类别确定 33

3.6 DGA问题的聚类分析流程 35

3.6.1 诊断表制作流程及原理 35

3.6.2 试验分析 36

3.7 小结 44

4 基于循环样本采样的诊断规则求精 45

4.1 数据完备化问题 45

4.1.1 问题的提出 45

4.1.2 知识求精 46

4.1.3 数据完备化的使用范围 48

4.2 粗糙集的背景知识 49

4.2.1 利用粗糙集构建的信息系统 50

4.2.2 经典粗糙集理论 51

4.2.3 属性约简 52

4.3 样本循环采样算法 53

4.3.1 算法流程 53

4.3.2 粗糙集理论及基于约简的样本循环采样 54

4.3.3 循环采样算法的步骤 56

4.4 实验分析 57

4.5 小结 60

5 基于模糊粗糙集的规则约简 61

5.1 概述 61

5.2 简介 61

5.2.1 模糊粗糙集发展历史 61

5.2.2 我国粗糙集应用的评价 62

5.3 Bojanova类型模糊粗糙集简介［59］ 64

5.4 KDD聚类及模糊粗糙逻辑在决策表建立中的应用 65

5.4.1 基于KDD聚类的属性取值模糊化（Va,f的确定） 65

5.4.2 包含度计算和规则提取 66

5.5 基于模糊粗糙集理论的数据挖掘算法 68

5.5.1 算法构造 68

5.5.2 包含度阈值的选取 68

5.6 DGA决策系统的建立 69

5.6.1 气体比值类型选取（条件属性的选取） 69

5.6.2 故障类型选取（决策属性选取及其形成） 70

5.6.3 决策系统形成 71

5.6.4 实例 72

5.7 不同诊断方法的统计对比 73

5.8 小结 74

6 DGA故障诊断的各种理论方法的讨论 75

6.1 总论 75

6.1.1 算法对比的发展历史和简介 75

6.1.2 诊断效果评价上的复杂性 77

6.1.3 诊断结果表达方式的人机交互适应性 77

6.1.4 诊断知识表达方式的人机交互适应性 77

6.1.5 系统自动更新能力 78

6.1.6 以算法复杂度来进行测量 78

6.2 基于以上指标的若干分析说明 79

6.2.1 基于概率函数的分类方法 79

6.2.2 基于线性或非线性判别函数［10,11］的分类方法 81

6.2.3 模糊聚类 82

6.2.4 模糊综合评判 82

6.2.5 粗糙集理论 82

6.2.6 Petri网络 82

6.2.7 灰色理论 83

6.3 存在的问题 83

6.3.1 样本表达方式的不统一和知识表达方式的不统一 83

6.3.2 诊断结果表达方式的不统一 84

6.4 小结 84

7 证据理论及其改进公式 85

7.1 概述 85

7.2 证据理论在变压器故障诊断中的应用介绍 85

7.3 D-S证据理论的基本原理 88

7.3.1 证据理论数学表达 88

7.3.2 Dempster合成法则 92

7.4 证据理论合成规则的发展及分析 93

7.4.1 合成规则问题的介绍 93

7.4.2 Lefevre（2001）框架［82］ 95

7.4.3 冲突信息分布的分析和权重因子的计算 96

7.4.4 面向变压器故障综合诊断的合成规则研究 96

7.5 改进的合成规则 97

7.6 通用案例 98

7.7 小结 103

8 基于改进证据理论的故障诊断 104

8.1 概述 104

8.2 关于证据理论在变压器故障诊断中的框架的分析 104

8.2.1 第一种模型［92］ 105

8.2.2 第二种模型［69,75］ 105

8.2.3 第三种模型［76-78］ 105

8.3 基于变压器综合故障诊断的推理模型 106

8.4 辨识框架融合（故障类型选取） 107

8.4.1 故障类型选取的综述 107

8.4.2 本书采取的方法 107

8.5 多种方法的BPA构造研究 108

8.5.1 基于粗糙集的BPA构造［93,94］ 108

8.5.2 基于最优聚类的BPA构造 109

8.5.3 基于神经网络的构造［69,75］ 110

8.5.4 基于贝叶斯理论的BPA构造［7,8,22,96］ 110

8.6 证据合成 110

8.7 实例分析 112

8.7.1 采用气体三比值法判断 112

8.7.2 本书采用的方法 113

8.7.3 吊罩后发现 114

8.8 小结 114

第9章 全书总结与展望 115

9.1 全书总结 115

9.2 未来的发展 117

参考文献 119