河北省自然科学基金(E2009001392)
- 作品数：18 被引量：418H指数：13
- 相关作者：朱永利尹金良赵文清俞国勤武中利更多>>
- 相关机构：华北电力大学国家电网公司天津理工大学更多>>
- 发文基金：河北省自然科学基金中央高校基本科研业务费专项资金国家自然科学基金更多>>
- 相关领域：电气工程自动化与计算机技术更多>>
- 基于支持向量回归的电力变压器状态评估被引量：42
- 2010年
- 为提高电力变压器状态评估的准确性,将变压器健康状态分为5级。鉴于支持向量机对小样本具有良好的拟合能力,而变压器数据具有小样本、贫信息的特点,提出了基于支持向量回归的电力变压器状态评估模型。将变压器的油色谱分析数据和电气实验数据利用半岭模型确定变压器各个参数的分值,评分项目结果作为支持向量机的自变量,通过多层动态自适应优化算法优化了支持向量回归的参数,形成变权重的预测。实例验证了变压器状态评估模型的正确性及可行性,其结果更接近变压器的真实运行状态。
- 张哲赵文清朱永利武中利杨建
- 关键词：支持向量回归变压器油中溶解气体
- 基于高斯过程分类器的变压器故障诊断被引量：45
- 2013年
- 构建了基于拉普拉斯近似方法的高斯过程分类器(LGPC)。LGPC可自行优化超参数,以概率形式输出分类结果,便于问题的不确定性分析,从而克服SVM规则化系数、核函数参数确定困难等局限。在用典型分类数据验证LGPC在分类性能方面优于SVM的基础上,提出了基于LGPC的变压器故障诊断方法,并给出了其具体实现方法。通过工程实例验证了均值函数采用常函数、协方差函数采用全平方指数函数、似然函数采用误差函数时,故障诊断的正确率较高。同基于SVM的故障诊断方法相比,本文所提方法可以取得更高的故障诊断正确率,具有可行性和推广性。
- 尹金良朱永利俞国勤邵宇鹰关宏
- 关键词：支持向量机变压器故障诊断
- 代价敏感相关向量机的研究及其在变压器故障诊断中的应用被引量：15
- 2014年
- 实际中不同变压器故障类型的误分引发的危害程度往往不同,仅追求正确率并不一定会带来符合实际意义的分类结果。针对此,提出了代价敏感相关向量机(CS-RVM)。CS-RVM以误分代价最小为目标,按贝叶斯风险理论预测新样本类别。在用典型算例验证了CS-RVM具有代价敏感性的基础上,尝试将其应用于变压器故障诊断。基于溶解气体分析(DGA)数据的变压器故障诊断实例分析表明,CS-RVM全局诊断正确率略高于BP神经网络和支持向量机,略低于多分类相关向量机(M-RVM),但CS-RVM趋于提高误诊代价高的故障类型的诊断正确率,具有代价敏感性;CS-RVM的诊断速度足以满足变压器故障诊断的工程要求。
- 尹金良刘玲玲
- 关键词：变压器代价敏感学习相关向量机故障诊断
- 相关向量机及其在变压器故障诊断中的应用被引量：22
- 2012年
- 分析并用典型数据分类算例验证相关向量机(RVM)在分类性能方面优于支持向量机(SVM),在此基础上以标准化的变压器主要特征气体含量为输入量,采用二叉树的分类方法建立基于RVM的变压器故障诊断模型。实例分析表明,同基于SVM的故障诊断方法相比,该方法可以取得与其相当甚至更优的故障诊断正确率,相关向量个数明显少于支持向量个数,诊断速度显著提高。
- 尹金良朱永利俞国勤
- 关键词：相关向量机稀疏贝叶斯支持向量机核函数变压器故障诊断
- 基于主成分分析和基因表达式程序设计的变压器故障诊断被引量：5
- 2012年
- 提出一种基于主成分分析的基因表达式程序设计算法,并将其应用于变压器故障诊断中。用主成分分析对原数据进行一系列变换,可降低特征向量的维数,并消除向量间的不相关性;从而减小了故障分类器的计算复杂度,提高训练及测试的精度。然后将得到的新样本数据用基因表达式程序设计算法进行训练,构建变压器故障的诊断模型。利用该诊断模型对170组能反映出各种故障而又不冗余的变压器DGA数据进行学习,对另外130个实例进行诊断,取得了很好的效果。实验表明,所采用的算法比单独使用遗传规划或基因表达式程序设计具有更高的诊断精度和稳定性。
- 董卓朱永利张宇邵宇鹰
- 关键词：变压器故障诊断基因表达式程序设计主成分分析DGA
- 基于多分类相关向量机的变压器故障诊断新方法被引量：38
- 2013年
- 变压器故障诊断本质为多分类问题,具有故障样本数据少,故障不确定因素多的特点。现有变压器故障诊断方法中,贝叶斯网络(BN)需要大量样本数据且计算量大,支持向量机(SVM)存在规则化系数确定困难的局限。针对此现状,提出基于多分类相关向量机(M-RVM)的变压器故障诊断新方法。该方法以变压器溶解气体含量比值作为M-RVM模型的输入,采用快速type-Ⅱ最大似然(Fast Type-ⅡML)和最大期望估计(EM)的方法进行模型推断,诊断输出为各故障类别的概率,以概率最大的故障类别作为诊断结果。实例分析表明该方法诊断速度较快,能满足工程需要,同基于BN和SVM的变压器故障诊断方法相比,具有较高的诊断正确率。
- 尹金良朱永利俞国勤
- 关键词：相关向量机贝叶斯网络支持向量机变压器故障诊断
- 粒子群优化核极限学习机的变压器故障诊断被引量：15
- 2015年
- 核极限学习机(kernel-based extreme learning machine,KELM)在分类性能方面优于支持向量机(SVM),但仍存在参数敏感性的缺陷。针对这一缺陷,提出一种结合K折交叉验证(k-fold cross validation,K-CV)与粒子群优化(particle swarm optimization,PSO)的KELM分类器参数优化方法,将CV训练所得多个模型的平均准确率作为PSO的适应度评价函数,为KELM的参数优化提供评价标准。将该方法应用于变压器故障诊断中,充分利用数量有限的样本数据,提高KELM的泛化性能。实验结果表明,相比结合网格搜索(grid)的KELM、结合CV和Grid的KELM以及结合PSO的KELM,结合PSO的CV参数优化方法具有更好的性能。
- 裴飞陈雪振朱永利遇炳杰
- 关键词：粒子群优化变压器故障诊断参数优化
- 基于贝叶斯网络的电抗器健康诊断被引量：6
- 2013年
- 针对电抗器的特高压绝缘、局部过热、振动和噪声这3个问题,采用5级健康状态诊断法,并充分考虑电抗器预防性试验数据及其变化量。首先建立评估电抗器健康状态的分层模型,通过该模型评估电抗器的历史、当前状态,然后通过无偏GM(1,1)模型预测电抗器的未来状态,并确定分层模型中电抗器各个参数的阈值和分值,最终建立基于贝叶斯网络的电抗器健康诊断模型。实例验证了所提模型的正确性和可行性。
- 赵文清王强牛东晓
- 关键词：电抗器贝叶斯网络
- 基于因子分析和基因表达式编程算法的变压器故障诊断被引量：2
- 2012年
- 将因子分析和基因表达式编程结合起来,对变压器油色谱数据进行处理和智能训练,并建立变压器故障分类诊断模型;收集到332组油色谱数据,选取150组作为GEP分类器的训练样本,182组作为测试样本,并将测试结果与三比值法和朴素贝叶斯分类器进行比较。大量诊断实例表明,所提出的变压器故障诊断模型性能优于另外两种方法。
- 武中利董卓俞国勤朱永利
- 关键词：变压器故障诊断基因表达式编程DGA
- 基于深度信念网络的电力变压器故障分类建模被引量：80
- 2016年
- 基于深度信念网络,构建了深度信念网络分类器模型,分析并用典型数据集对其分类性能进行测试。在此基础上结合电力变压器油中溶解气体分析数据,提出了基于深度信念网络分类器的变压器故障分类新方法,它使用油中溶解气体分析结果作为故障分类属性。对所提出的方法进行了测试,测试结果表明该方法适用于变压器故障分类,具有较强的从样本中提取特征的能力和容错特性,性能优于BP神经网络和支持向量机的方法。
- 石鑫朱永利萨初日拉王刘旺孙岗
- 关键词：电力变压器故障诊断油中溶解气体分析
