大型电力变压器故障诊断中人工智能算法与应用PDF|Epub|txt|kindle电子书版本网盘下载

大型电力变压器故障诊断中人工智能算法与应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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