基于集成學習的電力變壓器故障診斷方法研究.pdf

1、電力變壓器是電網(wǎng)中能量轉(zhuǎn)換、傳輸?shù)暮诵?，是電網(wǎng)安全第一道防御系統(tǒng)中的關(guān)鍵樞紐設備。變壓器一旦發(fā)生事故可能會造成設備資產(chǎn)和大停電等巨大損失，甚至會產(chǎn)生嚴重的社會影響。而電力變壓器的潛在故障診斷，對指導變壓器的運行維護和狀態(tài)檢修，預防和降低故障的發(fā)生幾率，具有重要的理論和實際意義。本文在對電力變壓器的主要故障模式及對應變壓器油紙絕緣產(chǎn)氣機理分析的基礎上，以油中溶解氣體為特征量，從智能學習角度提出了以重點樣本為目標的基于樣本重要度的最小二乘支

2、持向量機診斷模型，從知識學習與概率統(tǒng)計角度提出了基于云隸屬空間的故障診斷模型，并對這些算法從樣本權(quán)重角度進行了分析和優(yōu)化。論文所取得的主要創(chuàng)新性成果有：
　?、偬岢隽嘶跇颖局匾鹊淖钚《酥С窒蛄繖C（LS-SVM）。該模型將樣本重要度引入到LS-SVM中尋優(yōu)問題中的懲罰量，使支持向量機的最優(yōu)分類面思想從數(shù)量層面上升到信息量層面，具備識別樣本本身重要性或樣本所攜帶信息量的能力，以防重要樣本遺失、錯分類，能夠在保證整體正確率的基礎上

3、，提高重要樣本的識別正確率，并為集成學習提供算法基礎。
　?、谠谠评碚摲治龅幕A上建立了基于云隸屬空間的變壓器故障診斷模型。該模型集知識學習與概率統(tǒng)計為一體，能夠在樣本中獲取故障規(guī)律，以知識的形式存儲到云組合中，并以隸屬算法將知識模糊化應用到變壓器故障診斷中。該模型旨在與智能學習方法相互協(xié)作，實現(xiàn)變壓器準確的故障診斷。
　?、蹚臉颖緳?quán)重角度出發(fā)，提出了基于樣本重要度LS-SVM組合分類面診斷算法，以多個分類面的組合實現(xiàn)分類面