CN102435893A - 一种基于自适应遗传算法的油浸式变压器故障诊断方法 - Google Patents
一种基于自适应遗传算法的油浸式变压器故障诊断方法 Download PDFInfo
- Publication number
- CN102435893A CN102435893A CN2011103471671A CN201110347167A CN102435893A CN 102435893 A CN102435893 A CN 102435893A CN 2011103471671 A CN2011103471671 A CN 2011103471671A CN 201110347167 A CN201110347167 A CN 201110347167A CN 102435893 A CN102435893 A CN 102435893A
- Authority
- CN
- China
- Prior art keywords
- rule
- message
- genetic algorithm
- self
- oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自适应遗传算法的油浸式变压器故障诊断方法,包含执行子系统执行步骤,还包含评价子系统评价步骤和规则发现优化的步骤。分析建立了模型系统的结构,可产生比现有分类器更优良的分类器,提高系统整体性能;在信用分配的基础上,搜索优良的分类器规则,防止算法早熟并避免陷入局部最优。而且由于遗传算法的全局搜索特性,会使系统最后搜索出的故障规则最优,因此将这种变压器故障诊断方法应用到实际中会取得很高的准确率,而且这种方法规则简明、故障机理判断明确,可以为变压器设备的检修带来极大的方便。
Description
技术领域
本发明涉及一种变压器故障诊断方法,属于电力技术领域。
背景技术
在电力系统中,电力变压器担负着电网间电压变化、电能转化的功能,是电力系统中最重要的设备之一。变压器在运行过程中的故障一方面会对设备本身造成损伤或损坏,对所带用户造成停电;另一方面也可能引发系统事故,其危害更大。随着计算机技术、智能技术和传感器技术的不断发展,各种智能故障诊断技术已经开始应用于电力变压器的故障诊断中,成为变压器故障诊断的一种方便、有效的重要手段。利用网络技术实现技术监督系统、通过对电力变压器等电气设备进行故障检测和分析诊断,从而准确、可靠地发现这些设备中潜在的故障,能有效地防止由此引起的重大电力事故,实现从现行的预防性检修方式向状态检修方式转变,对电力系统运行的安全可靠性和经济性都具有十分重要的意义。
如何及时发现和诊断变压器故障是电力部门所重视的课题,变压器油中溶解气体(DGA:Dissolved Gas Analysis)含量是发现变压器缺陷和潜伏性故障的有效手段,在故障发生前,各种气体的浓度随时间的变化是渐进的、有规律的,因此在对各气体浓度进行预测的基础上实现故障预测、诊断是可能的。
目前对于大型的电力变压器,几乎都是用油来绝缘和散热,其中的油与油中的固体有机绝缘材料在变压器运行时,会因为电、热、氧气以及局部电弧等多种因素的作用逐渐老化、裂解,据实验表明,随着热解温度升高,热解气体中各组分出现的顺序为:烷烃→烯烃→炔烃。受热时间越长,气体的相对量愈大,主要包括CH4、C2H2、C2H4和C2H6等低分子烃类,以及CO、CO2和H2这七种气体,这些气体多数溶解在油中。当电力变压器内部存在潜伏性的局部过热或局部放电时,就会加快气体产生的速度。随着故障的进一步发展,裂解出来的气体形成气泡在油中经过对流和扩散作用,就会不断地溶解、增加。一般来说,对于不同性质的故障,绝缘物分解产生的气体组分不同;而对于同一性质的故障,由于程度不同,所产生的气体数量也不同。油中溶解气体的组分和含量在一定程度上反映出电力变压器绝缘老化或故障的程度,可以作为反映电力设备异常的特征量。关于变压器中油、纸绝缘体和电场热分解的关系可以见下表1所示:
表1变压器油、纸绝缘材料与电场热分解气体的关系
通过对运行中的电力变压器定期分析溶解于油中的气体组分和含量,就能够及早发现电力变压器内部存在的潜伏性故障,判断是否会危及其安全运行,根据所含气体的含量不同,大致可以将油浸式变压器的除正常外的故障种类分为以下六种:
1)一般过热:一般指无放电性的过热故障,故障会产生C2H4以及超过常量的C2H6、CH4,一般无C2H2或很少,这一类型一般发展缓慢,称为一般过热故障。
2)严重过热:一般温度超过800℃以上时,会产生少量C2H2,但其最大含量不超过C2H4的10%,且CO、CO2较高,CO/CO2比值越大,过热温度越高。
3)局部放电:这种故障对电流互感器和电容套管的故障比例较大,由于设备受潮、制造工艺差或维护不当,都会造成放电,它产生的主要特征气体H2,其次是CH4,当放电能量较高时,会产生少量C2H2。
4)火花放电:低能量放电一般指火花放电,是一种间歇性的放电故障,在变压器、互感器、套管中均有发生。火花放电产生的主要气体成分是C2H2和H2,但由于故障能量较小,总烃含量一般不高。
5)电弧放电:高能量放电,又称电弧放电。它通常是线圈匝、层间绝缘击穿,过电压引起内部闪络,引线断裂引起的闪弧,分接开关飞弧和电容屏击穿等。这种故障气体的特征是C2H2和H2占主要成分。一旦发生,会使轻、重瓦斯保护一起动作,气体继电器中的气体会被点燃,常称为突发性故障,先兆不明显,色谱也难预测,只起故障后的验证工作。
6)进水受潮:油中进入较多的水分,被电解为H2,还因为水在电场作用下会与铁发生化学反应(3H2O+2Fe→Fe2O3+3H2),也可产生大量的H2。
发明内容
本发明所要解决的技术问题是提供一种基于自适应遗传算法的油浸式变压器故障诊断方法,方法规则简明,可防止算法早熟并避免陷入局部最优,提高系统整体性能,提高变压器故障诊断准确率。
为解决上述技术问题,本发明提供一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,包含执行子系统执行步骤:
步骤1:检测器把环境的输出即采集到的油中溶解气体的含量编码成外部消息存入消息队列之中;外部消息是指该消息直接与环境打交道,又称环境消息;
步骤2:将消息队列中的所有消息与故障规则集中的所有规则进行匹配,并把匹配成功的规则存入到匹配规则集之中,并且进行冲突检测;
步骤3:对匹配规则集中的规则进行冲突检测,最后激活冲突检测中存活的规则,这条规则可以将其动作部分即故障类别作为新消息发送出去,发送的消息为外部消息或内部消息;未被激活的规则继续放入消息队列之中;内部消息是指经过至少一次与规则集中规则匹配之后所发出的动作部分串,还可以作为规则的前提与规则集中的规则进行匹配的规则;
步骤4:清空消息队列。若步骤3中产生的是外部消息,则将消息通过作用器作用于环境;若步骤3中产生的是内部消息,则将该消息再放入消息队列之中,并重复步骤2-步骤4,所以在此就可能形成一个内部消息循环链,直至在步骤3中产生的是外部消息为止;
还包含评价子系统评价步骤:
步骤5:评价子系统应用组桶式算法对规则进行信用分配,若当前的激活消息是外部消息,则该消息直接从环境中得到回报;若当前激活的消息是内部消息,则它需要在放入“消息队列”之后的下一轮匹配之后,获得由被匹配规则所发出的回报;
还包含规则发现优化的步骤:
步骤6:在执行子系统和信用分配子系统运行一段时间Tga之后,启动自适应遗传算法,对分类规则集进行优化,每隔Tga时间遗传算法运行一次;
步骤7:由于遗传算法在全局范围内进行搜索,有可能产生出的规则不具有代表性,于是根据先验知识产生的规则,对自适应遗传算法生成的规则进行专家指导,将确定的不正确、无代表性的规则舍弃,以提高算法的准确性;
步骤8:转到步骤1;
规则集中的规则是“if<条件>then<动作>”的产生式规则,具体形式为:
if(T1)and(T2)and...(Ti)...and(Tn)then class=Ci
其中,(T1)and(T2)and...(Ti)...and(Tn)是条件部分,class=Ci是动作部分;Ti是一个包含有属性Attribute、运算符Operator和值Value的三元组(Attribute,Operator,Value),表示的是某个Attribute与Value之间的关系是由Operator连接的;所述属性Attribute指H2、CH4、C2H2、C2H4、C2H6、CO、CO2这七种气体和由CH4、C2H2、C2H4、C2H6这四种烃含量之和组成的总烃含量;运算符Operator包括大于(>)、小于(<)和等于(=);Value就是气体的含量。
Ci表示的是故障的类别。所述故障的类别包括正常C0、一般过热C1、严重过热C2、局部放电C3、火花放电C4、电弧放电C5和进水受潮C6。
将气体及总烃含量进行归一化,转换为数据取值范围全部在[0,1]之间,并将[0,1]分成N个档位,所述三元组转换为二元组(Attribute,Value),其中,Attribute仍然是七种气体与总烃含量,Value是气体以及总烃含量经过归一化、离散化之后的值,取值为i,0≤i<N-1。
自适应遗传算法采用Michigan编码方式,一条染色体代表一条规则,一条规则是一个分类器,通过选择、交叉、变异得到新一代群体。
自适应遗传算法每次选择出具有最大强度的故障规则加入到所述故障规则集中,故障规则的强度参数S(t)计算的方法为:如果后代从交叉中产生,则将两个父代的强度值各减去1/3,同时将被减值之和作为后代的强度值;如果后代从变异中产生,则将父代的强度值减半,并将被减值作为后代强度值。
分类器的条件获得匹配时,并不马上发送消息,而是与其它几个同样获得匹配的分类器竞争,强度参数S(t)越大的分类器越有竞争性,分类器之间的竞争采用竞价体系,每个获得匹配的分类器根据其强度S(t)按某种比例出个价B,一旦该分类器被激活,其强度将被减去B,同时将所出价B付给提供消息的上家;若该分类器能进一步激活其它分类器,它也同样能从中得到补偿;如果分类器发出的是外部消息,则该分类器可以直接从环境中获得回报。。
本发明所达到的有益效果:
本发明提出了一种基于自适应遗传算法的变压器故障诊断方法,分析建立了模型系统的结构,在该故障分类规则学习系统中自适应遗传算法主要有两个作用:1)产生比现有分类器更优良的分类器,提高系统整体性能;2)在信用分配的基础上,搜索优良的分类器规则,防止算法早熟并避免陷入局部最优。而且由于遗传算法的全局搜索特性,会使系统最后搜索出的故障规则最优,因此将这种变压器故障诊断方法应用到实际中会取得很高的准确率,而且这种方法规则简明、故障机理判断明确,可以为变压器设备的检修带来极大的方便。
附图说明
图1是分类系统的框架示意图;
图2是基于自适应遗传算法的故障规则学习模型。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的基于自适应遗传算法的油浸式变压器故障诊断方法包含以下几个步骤:
一、建立故障规则学习模型
一般来说一个基于遗传算法的分类系统包含以下三个部分:执行子系统、评价子系统、规则发现子系统,其结构框架图如下图1所示:
执行子系统是底层与环境直接交互的子系统,它的作用像一个基于产生式规则的专家系统,每条规则称为一个分类器,这些规则我们可以使用决策树、贝叶斯分类、神经网络分类或遗传算法等等算法来进行挖掘,挖掘的规则都是比较简单的,其条件和动作都是串,起着传递消息的作用。
分类系统的学习是通过系统从环境中获得反馈信息而进行的,即通过评价分类器(规则)的正确性和效率来实现,这由评价子系统来完成,本方案使用的评价方法是组桶式算法(BBA:Bucket Brigade Algorithm)。
处于最高层的是规则发现子系统层。该子系统产生新的规则去替代系统中效率不高的规则,在本方案中新规则是由自适应遗传算法搜索、加以专家指导而得到的更优规则,一般来说新规则的投入可以提高分类系统的性能。在这个分类系统之中,规则是“if<条件>then<动作>”的产生式规则,一条这样的规则可以看作是一个分类器,即对应某一种条件,匹配的分类器应该做出怎样的反应。并且每一条故障规则都有一个参数“强度”S(t),用来表示它在t时刻时的有效性,S(t)越大表明该规则越有效,反之,规则有效性越小。
根据图1所示的一般分类系统的框架,在使用自适应遗传算法训练故障规则时,本方案给出了如图2所示的故障规则学习模型,在该模型中对每个子系统的功能和结构进行了细化,并且加入了一个专家系统。从该模型可以看出故障规则学习系统的具体流程是:
Step 1:检测器把系统黑盒环境(以下简称环境)的输出即采集到的油中溶解气体的含量编码成外部消息存入消息队列之中。外部消息是指该消息直接与环境打交道,又称环境消息。
Step 2:将消息队列中的所有消息与故障规则集(以下简称规则集)中的所有规则进行匹配,并把匹配成功的规则存入到“匹配规则集”之中,并且进行冲突检测。
Step 3:对匹配规则集中的规则进行冲突检测,最后激活冲突检测中存活的规则,这条规则可以将其动作部分即故障类别作为新消息发送出去,发送的消息可能是外部消息,也可能是内部消息。未被激活的规则继续放入消息队列之中。内部消息是指经过至少一次与规则集中规则匹配之后所发出的动作部分串,还可以作为规则的前提与规则集中的规则进行匹配的规则。
Step 4:清空消息队列。若Step 3中产生的是外部消息,则将该消息通过作用器作用于环境;若Step 3中产生的是内部消息,则将该消息再放入消息队列之中,并重复Step 2--Step 4,所以在此就可能形成一个内部消息循环链,直至在Step 3中产生的是外部消息为止。
Step 5:应用组桶式算法对规则进行信用分配。若当前的激活消息是外部消息,则该消息直接从环境中得到回报;若当前激活的消息是内部消息,则它需要重新放入“消息队列”,并在下一轮继续与故障规则集中的规则进行匹配,在匹配成功后获得由被匹配规则所发出的回报。
Step 6:在执行子系统和信用分配子系统运行一段时间Tga之后,启动自适应遗传算法,对分类规则集进行优化,即每隔Tga时间自适应遗传算法运行一次。
Step 7:由于自适应遗传算法在全局范围内进行搜索,有可能产生出的规则不具有代表性,于是根据先验知识产生的规则,对自适应遗传算法生成的规则进行专家指导,将确定的不正确、无代表性的规则舍弃,以提高算法的准确性。
Step 8:转到Step1。
至此,故障规则学习的模型已经建立,从该模型的流程来看,在实现上主要存在以下几个技术要点:
1)自适应遗传算法输入、输出模式的确立,即染色体编码方式,规则的生成方式;
2)规则匹配技术与冲突检测技术;
3)信用分配技术,即故障规则的强度参数S(t)具体是如何进行计算的。
二、变压器故障诊断实现
从上面对油浸式变压器中气体含量,以及不同气体含量所表征的不同故障分析来看,其分类规则可以构造成类似于“if<条件>then<动作>”的产生式规则:如:
if(T1)and(T2)and...(Ti)...and(Tn)then class=Ci
其中,(T1)and(T2)and...(Ti)...and(Tn)是条件部分,class=Ci是结果部分,也称动作部分。Ti是一个包含有属性Attribute,运算符Operator和值Value的三元组(Attribute,Operator,Value),表示的是某个Attribute与Value之间的关系是由Operator连接的。属性Attribute具体指的是H2、CH4、C2H2、C2H4、C2H6、CO、CO2这七种气体和由CH4、C2H2、C2H4、C2H6这四种烃含量之和(简称为ST)组成的总烃含量;运算符Operator包括大于(>)、小于(<)和等于(=);Value就是气体的含量,单位是:μL/L(微升/升)。例如三元组(H2,=,0)表明不包含H2,(CH4,<,100)表示CH4含量小于100μL/L。
Ci表示的是具体的类别,包括正常(C0)、一般过热(C1)、严重过热(C2)、局部放电(C3)、火花放电(C4)、电弧放电(C5)和进水受潮(C6)。
例如规则【1】:
if(H2,>,10)and(CH4,>,40)and(C2H2,>,5)and(C2H4,>,60)
and(C2H6,<,10)and(CO,>,40)and(CO2,>,20)and(ST,>,170)
then class=C2
表示在H2、CH4、C2H2、C2H4、CO、CO2、ST含量分别超过10μL/L、40μL/L、5μL/L、60μL/L、40μL/L、20μL/L、170μL/L以及C2H6含量低于10μL/L时发生的故障是C2,即变压器表现为严重过热,应当引起注意。
仔细观察规则【1】,其值Value使用的是连续的实型数据,对于遗传算法处理这种实型数据有一定的难度,例如三元组(CH4,<,100)表示CH4含量小于100μL/L,而在进行规则匹配时只要是小于100μL/L的都应满足要求,这就使得范围扩得很大,而且不能区分表示CH4含量在50μL/L至100μL/L之间,与CH4含量在0μL/L至20μL/L之间的差别。另外,也给规则匹配带来了一定的难度,不利于发现最有效的故障规则。为了体现采集到的气体含量不同的差异,可以将气体的含量进行归一化处理,转换后的样本数据取值范围全部在[0,1]之间,从而有效地缩小了样本间的数据差异。将[0,1]分成N个档位,并根据归一化后的数据进行离散化,例如某种气体归一化后的值为x,在满足时将其离散化为i,0≤i<N-1。至此,三元组可以转换为二元组(Attribute,Value),其中Attribute仍然是七种气体与总烃含量,Value是气体含量以及总烃经过归一化、离散化之后的值,取值为i,0≤i<N-1。在使用遗传算法时,本方案采用Michigan编码方式,即一条染色体代表一条规则,染色体的编码方式如下表2所示。对于这样的规则,也很容易进行规则的匹配。
表2规则的编码结构
生物的进化过程主要是通过染色体之间的交叉和染色体的变异来完成的,与此相对应,遗传算法中最优解的搜索过程也模仿生物的这个进化过程,使用遗传算子作用于规则群体中,从而得到新一代群体:
1)选择:根据个体的适应度,按照一定的规则从上一代中选择出优良的个体遗传到下一代。
2)交叉:将群体内的各个个体随机搭配成对,对每一对个体,以交叉概率Pc交换他们之间的部分基因位。
3)变异:对群体中的个体,以变异概率Pm改变某一个或某几个基因位上的值为其它的等位基因。
在使用遗传算法的时候,采用分类器的强度S(t)来表示分类器的适应度,每次选择出具有最大强度的故障规则加入到规则集中。对于用交换或变异操作产生的新分类器,强度初始值有多种计算方法。本方案采用的是一种典型的方法:即如果后代从交换中产生,则将两个父代的强度值各减去1/3,同时将被减值之和作为后代的强度值;如果后代从变异中产生,则将父代的强度值减半,并将被减值作为后代强度值。
为了防止进化过程过早收敛或降低收敛速度,本方案使用了自适应的遗传算法。自适应遗传算法有一个很大的好处就是其交叉算子Pc和变异算子Pm并不是一成不变的,而是随着进化代数的增加,群体的好坏而随时变化的。
采用自适应遗传算法的基本思想有两点:首先,当群体的最大适应度Smax(t)与平均适应度Savg(t)接近时群体趋于收敛,此时应该增大Pc和Pm,反之,则群体的多样性很强,应减小Pc和Pm,即Pc和Pm与Smax(t)-Savg(t)的值成反比;其次,要防止优良的基因结构遭到破坏,对于较大适应度的解应该有较小的Pc和Pm,而适应度小的解有较大的Pc和Pm,即Pc和Pm与Smax(t)-S(t)的值成正比。
在使用自适应遗传算法的时候,其适应度函数S(t)起着关键性的作用,S(t)表示的是某条故障规则的强度,值越大表明该规则越有效,反之,规则有效性越小。S(t)的产生来自于评价子系统,采用的是组桶式BBA算法。BBA算法可理解为一个进行情报买卖的交易所,交易人是分类器(故障规则)。分类器作为一个中间商只与“上家”(发送消息使该中间商激活的分类器)和“下家”(其条件部分为该中间商所发出的消息)作交易。因此,分类器形成了一条从消息“制造者”(系统输入)到消息“消费者”(系统输出)之间的中间商链。作为中间商,分类器的条件获得匹配时,并不马上发送消息,而是与其它几个同样获得匹配的分类器竞争(并非只有一个获胜)。参数S(t)就是为了表示分类器的竞争力而引入的,强度S(t)越大的分类器越有竞争性,亦即越有价值。分类器之间的竞争采用竞价体系。每个获得匹配的分类器根据其强度S按某种比例出个价B。一旦该分类器被激活,其强度将被减去B,同时将所出价B付给提供消息的上家。当然若该分类器能进一步激活其它分类器(下家),它也同样能从中得到补偿;如果分类器发出的是外部消息,则该分类器可以直接从环境中获得回报。
当有许多分类器能与当前消息匹配时,就可以进行冲突检测来选用分类器。例如,只执行有最大强度S(t)的已激活分类器,或根据强度大小决定各分类器的激活“程度”,然后执行激活程度高的一个(或几个)分类器。
至此,故障规则学习的模型的几个技术要点均已解决。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,包含执行子系统执行步骤:
步骤1:检测器把环境的输出即采集到的油中溶解气体的含量编码成外部消息存入消息队列之中;
步骤2:将消息队列中的所有消息与故障规则集中的所有规则进行匹配,并把匹配成功的规则存入到匹配规则集之中,并且进行冲突检测;
步骤3:对匹配规则集中的规则进行冲突检测,最后激活冲突检测中存活的规则,这条规则可以将其动作部分即故障类别作为新消息发送出去,发送的消息为外部消息或内部消息;未被激活的规则继续放入消息队列之中;
步骤4:清空消息队列:若步骤3中产生的是外部消息,则将消息通过作用器作用于环境;若步骤3中产生的是内部消息,则将该消息再放入消息队列之中,并重复步骤2-步骤4,直至在步骤3中产生的是外部消息为止;
还包含评价子系统评价步骤:
步骤5:评价子系统应用组桶式算法对规则进行信用分配,若当前的激活消息是外部消息,则该消息直接从环境中得到回报;若当前激活的消息是内部消息,则它需要在放入“消息队列”之后的下一轮匹配之后,获得由被匹配规则所发出的回报;
还包含规则发现优化的步骤:
步骤6:在执行子系统和信用分配子系统运行一段时间Tga之后,启动自适应遗传算法,对分类规则集进行优化,每隔Tga时间遗传算法运行一次;
步骤7:对自适应遗传算法生成的规则进行专家指导,将确定的不正确、无代表性的规则舍弃。
2.根据权利要求1所述的一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,规则集中的规则是“if<条件>then<动作>”的产生式规则,具体形式为:
if(T1)and(T2)and...(Ti)...and(Tn)then class=Ci
其中,(T1)and(T2)and...(Ti)...and(Tn)是条件部分,class=Ci是动作部分;Ti是一个包含有属性Attribute、运算符Operator和值Value的三元组(Attribute,Operator,Value),表示的是某个Attribute与Value之间的关系是由Operator连接的;Ci表示的是故障的类别。
3.根据权利要求2所述的一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,所述属性Attribute指H2、CH4、C2H2、C2H4、C2H6、CO、CO2这七种气体和由CH4、C2H2、C2H4、C2H6这四种烃含量之和组成的总烃含量;运算符Operator包括大于(>)、小于(<)和等于(=);Value就是气体的含量。
4.根据权利要求2所述的一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,所述故障的类别包括正常C0、一般过热C1、严重过热C2、局部放电C3、火花放电C4、电弧放电C5和进水受潮C6。
5.根据权利要求3所述的一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,将气体及总烃含量进行归一化,转换为数据取值范围全部在[0,1]之间,并将[0,1]分成N个档位,所述三元组转换为二元组(Attribute,Value),其中,Attribute仍然是七种气体与总烃含量,Value是气体以及总烃含量经过归一化、离散化之后的值,取值为i,0≤i<N-1。
6.根据权利要求3所述的一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,自适应遗传算法采用Michigan编码方式,一条染色体代表一条规则,一条规则是一个分类器,通过选择、交叉、变异得到新一代群体。
7.根据权利要求6所述的一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,自适应遗传算法每次选择出具有最大强度的故障规则加入到所述故障规则集中,故障规则的强度参数S(t)计算的方法为:如果后代从交叉中产生,则将两个父代的强度值各减去1/3,同时将被减值之和作为后代的强度值;如果后代从变异中产生,则将父代的强度值减半,并将被减值作为后代强度值。
8.根据权利要求7所述的一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,分类器的条件获得匹配时,并不马上发送消息,而是与其它几个同样获得匹配的分类器竞争,强度参数S(t)越大的分类器越有竞争性,分类器之间的竞争采用竞价体系,每个获得匹配的分类器根据其强度S(t)按某种比例出个价B,一旦该分类器被激活,其强度将被减去B,同时将所出价B付给提供消息的上家;若该分类器能进一步激活其它分类器,它也同样能从中得到补偿;如果分类器发出的是外部消息,则该分类器可以直接从环境中获得回报。
9.根据权利要求2所述的一种基于自适应遗传算法的油浸式变压器故障诊断方法,其特征是,内部消息是经过至少一次与规则集中规则匹配之后所发出的动作部分,还可以作为规则的前提与规则集中的规则进行匹配的规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110347167 CN102435893B (zh) | 2011-11-04 | 2011-11-04 | 一种基于自适应遗传算法的油浸式变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110347167 CN102435893B (zh) | 2011-11-04 | 2011-11-04 | 一种基于自适应遗传算法的油浸式变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102435893A true CN102435893A (zh) | 2012-05-02 |
CN102435893B CN102435893B (zh) | 2013-10-09 |
Family
ID=45984045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110347167 Active CN102435893B (zh) | 2011-11-04 | 2011-11-04 | 一种基于自适应遗传算法的油浸式变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102435893B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941131A (zh) * | 2014-05-14 | 2014-07-23 | 国家电网公司 | 基于精简集约简不均衡svm变压器故障检测方法 |
CN104217104A (zh) * | 2014-08-19 | 2014-12-17 | 上海交通大学 | 一种基于风险评估的电力变压器寿命分析方法及系统 |
CN105574589A (zh) * | 2016-01-07 | 2016-05-11 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN106707060A (zh) * | 2016-12-16 | 2017-05-24 | 中国电力科学研究院 | 一种获得电力变压器离散型状态参数的方法 |
CN106774266A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉过热器失效预警方法 |
CN106774265A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉小火阀失效预警方法 |
CN106774077A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉除尘除灰设备故障预警方法 |
CN107678870A (zh) * | 2017-08-23 | 2018-02-09 | 国网辽宁省电力有限公司 | 一种改进的电力变压器故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692113A (zh) * | 2009-10-12 | 2010-04-07 | 天津大学 | 基于区间数学理论的电力变压器故障诊断方法 |
CN101739025A (zh) * | 2009-12-03 | 2010-06-16 | 天津理工大学 | 一种免疫遗传算法及基于该算法的dsp故障诊断系统 |
CN101907665A (zh) * | 2010-07-16 | 2010-12-08 | 西安交通大学 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
CN101587155B (zh) * | 2009-06-08 | 2011-05-18 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
-
2011
- 2011-11-04 CN CN 201110347167 patent/CN102435893B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587155B (zh) * | 2009-06-08 | 2011-05-18 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
CN101692113A (zh) * | 2009-10-12 | 2010-04-07 | 天津大学 | 基于区间数学理论的电力变压器故障诊断方法 |
CN101739025A (zh) * | 2009-12-03 | 2010-06-16 | 天津理工大学 | 一种免疫遗传算法及基于该算法的dsp故障诊断系统 |
CN101907665A (zh) * | 2010-07-16 | 2010-12-08 | 西安交通大学 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
刘洁君: "业务规则管理的研究及其在变压器故障检测系统中的应用", 《中国优秀硕士学位论文全文数据库》 * |
段侯峰: "基于遗传算法优化BP神经网络的变压器故障诊断", 《中国优秀硕士学位论文全文数据库》 * |
王可等: "遗传BP网络在电力变压器故障诊断中的应用", 《冶金自动化》 * |
陆静: "蚁群算法在变压器故障诊断中的应用研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941131A (zh) * | 2014-05-14 | 2014-07-23 | 国家电网公司 | 基于精简集约简不均衡svm变压器故障检测方法 |
CN103941131B (zh) * | 2014-05-14 | 2017-10-03 | 国家电网公司 | 基于精简集约简不均衡svm变压器故障检测方法 |
CN104217104A (zh) * | 2014-08-19 | 2014-12-17 | 上海交通大学 | 一种基于风险评估的电力变压器寿命分析方法及系统 |
CN105574589A (zh) * | 2016-01-07 | 2016-05-11 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN105574589B (zh) * | 2016-01-07 | 2018-03-23 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN106707060A (zh) * | 2016-12-16 | 2017-05-24 | 中国电力科学研究院 | 一种获得电力变压器离散型状态参数的方法 |
CN106774266A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉过热器失效预警方法 |
CN106774265A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉小火阀失效预警方法 |
CN106774077A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉除尘除灰设备故障预警方法 |
CN107678870A (zh) * | 2017-08-23 | 2018-02-09 | 国网辽宁省电力有限公司 | 一种改进的电力变压器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102435893B (zh) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102435893B (zh) | 一种基于自适应遗传算法的油浸式变压器故障诊断方法 | |
Abu-Siada et al. | A new approach to identify power transformer criticality and asset management decision based on dissolved gas-in-oil analysis | |
Ghoneim et al. | A new approach of DGA interpretation technique for transformer fault diagnosis | |
Ghoneim | Intelligent prediction of transformer faults and severities based on dissolved gas analysis integrated with thermodynamics theory | |
CN103245861A (zh) | 一种基于贝叶斯网络的变压器故障诊断方法 | |
CN109118075B (zh) | 一种基于业务逻辑一致性的电力工控终端安全监测方法 | |
CN105675802A (zh) | 一种变压器故障的诊断方法 | |
CN103197177A (zh) | 一种基于贝叶斯网络的变压器故障诊断分析方法 | |
CN106405319A (zh) | 一种基于启发式信息的粗糙集电力系统故障诊断方法 | |
Menezes et al. | Induction of decision trees to diagnose incipient faults in power transformers | |
CN111555906B (zh) | 配电网信息物理系统的故障恢复策略制定评价方法和系统 | |
CN114881516A (zh) | 一种基于电力物联网多源数据融合的设备状态评估方法 | |
CN104360194A (zh) | 一种智能电网故障诊断方法 | |
Saranya et al. | Comparative study of various dissolved gas analysis methods to diagnose transformer faults | |
Golkhah et al. | Artificial neural networks applied to DGA for fault diagnosis in oil-filled power transformers | |
Taha et al. | Comparative study between dorneneburg and rogers methods for transformer fault diagnosis based on dissolved gas analysis using Matlab Simulink Tools | |
CN111709495A (zh) | 一种基于nbc模型的变压器故障诊断方法 | |
CN113283479A (zh) | 一种适用于电力变压器故障的特征提取与诊断方法 | |
JP7329017B2 (ja) | 診断装置、診断方法、プログラム及び診断システム | |
Afiqah et al. | Fuzzy logic application in DGA methods to classify fault type in power transformer | |
CN104659917A (zh) | 一种基于多约简和可信度的故障诊断方法 | |
Zakaria et al. | Optimized Artificial Neural Network for the detection of incipient faults in power transformer | |
CN112270183B (zh) | 一种基于文本的新闻传播效果监测系统 | |
Yu et al. | Transformer fault diagnosis based on improved artificial fish swarm optimization algorithm and BP network | |
Yan et al. | A new evolutionary neural network algorithm based on improved genetic algorithm and its application in power transformer fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |