紧致融合模糊集和故障树的变压器故障诊断

发布日期：2017-07-03 来源：中国知网 作者：谷凯凯郭江 浏览次数：232

变压器的运行状态直接关系到整个电网的安全与稳定，必须最大限度防止和减少变压器故障和事故的发生。近年来，各种智能技术用于变压器的故障诊断[1-9]，且都取得了一定的成果，为变压器故障诊断提供了依据。文献[1]将 RBF 网络算法应用于变压器的故障诊断中，并提出了诊断的一般方法和流程。文献[2]针对变压器的故障诊断，提出了一种改进后的人工鱼群优化粗糙集算法。文献[3]提出了一种 3 层 Bayesian 网络的变压器故障诊断方法。文献[4]提出了一种多种智能方法组合的大型变压器故障诊断方法。文献[5]将融合遗传向量机和灰色人工免疫的算法应用于变压器的故障诊断。文献[6] 提出了一种利用小波神经网络的变压器故障诊断方法。文献[7]从信息融合的角度提出了基于信号类型及不同特征向量组合的集成诊断模型。文献[8]提出了一种基于多 Agent 的变压器故障诊断模型。文献 [9]提出了一种基于 Bayesian 网络的变压器故障诊断方法。文献[10-11]对采用 Petri 网络对变压器进行诊断分析。
在众多的智能技术中，模糊集和故障树分析是应用和研究最多的 2 类。但在变压器故障诊断中主要是用单一的智能技术进行故障诊断，最终判断结果对维修策略的制订缺乏指导意义。在实际运行过程中，变压器的故障往往表现为复杂性、不确定性和多故障并发性等，运用单一的智能故障诊断技术，存在精度不高、推理能力差等问题，难以获得满意的诊断效果，尤其是故障树分析和模糊数学理论。故障树在故障诊断过程中的解释能力弱，很难对故障树节点发生可能性进行精确的定量描述，“健康” 状态到“故障”状态之间存在着过渡区域，而在不完备信息情况下模糊集理论无法进行判断。
基于模糊集和故障树的变压器故障诊断研究，旨在利用模糊集和故障树的适当组合，取长补短、优势互补，以克服模糊集或故障树各自的缺点，提高变压器故障诊断的准确性和效率。更多详细内容请见附件