PCA和KICA特征提取的变压器故障诊断模型

被引：50

作者：

唐勇波 ^{[1
,2
]}

桂卫华 ^{[1
]}

彭涛 ^{[1
]}

欧阳伟 ^{[3
]}

机构：

[1] 中南大学信息科学与工程学院

[2] 宜春学院物理科学与工程技术学院

[3] 中国瑞林工程技术有限公司

来源：

高电压技术 | 2014年 / 40卷 / 02期

关键词：

电力变压器; 油中溶解气体分析; 故障诊断; 特征提取; 主元分析; 核独立主元分析; 多核支持向量机;

D O I：

10.13336/j.1003-6520.hve.2014.02.031

中图分类号：

TM407 [维护、检修];

学科分类号：

摘要：

为了充分利用主元分析(PCA)和核独立主元分析(KICA)特征提取的互补性,提高变压器故障分类正确率,提出了基于PCA和KICA特征提取的变压器故障诊断模型。该模型中,首先,将油中溶解气体分析(DGA)测试样本投影到PCA空间中进行特征提取,采用多核支持向量机(MKSVM)作为分类器进行预分类,采用核密度估计方法估计阈值将测试样本预分类为易识别或难识别样本;对难分类样本则再次投影到KICA空间,采用另一MKSVM作为分类器进行分类识别,实现PCA和KICA双空间特征提取算法;最后,根据故障特征,建立变压器故障诊断模型。实验结果表明,所提出的双空间算法对变压器故障的识别率达到88.61%,比单空间算法和IEC3比值法的识别率分别高10%和24%。

引用

页码：557 / 563

页数：7

共 21 条

[11] Power transformer fault diagnosis based on dissolved gas analysis by support vector machine[J] . Khmais Bacha,Seifeddine Souahlia,Moncef Gossa.Electric Power Systems Research . 2011 (1)
[12] Nonlinear process monitoring using kernel principal component analysis[J] . Jong-Min Lee,ChangKyoo Yoo,Sang Wook Choi,Peter A. Vanrolleghem,In-Beum Lee.Chemical Engineering Science . 2003 (1)
[13] The application of principal component analysis and kernel density estimation to enhance process monitoring
Chen, Q
Wynne, RJ
Goulding, P
Sandoz, D
[J]. CONTROL ENGINEERING PRACTICE, 2000, 8 (05) : 531 - 543
[14] Independent component analysis: algorithms and applications[J] . Neural Networks . 2000 (4)
[15] Non-parametric confidence bounds for process performance monitoring charts
Martin, EB
Morris, AJ
[J]. JOURNAL OF PROCESS CONTROL, 1996, 6 (06) : 349 - 358
[16] 加权模糊核聚类法在电力变压器故障诊断中的应用
符杨
田振宁
江玉蓉
曹家麟
[J]. 高电压技术, 2010, 36 (02) : 371 - 374
[17] 基于粒子群优化支持向量机的变压器故障诊断
费胜巍
苗玉彬
刘成良
张晓斌
[J]. 高电压技术, 2009, 35 (03) : 509 - 513
[18] 基于PCA及ICA的双空间特征提取算法
王卫东
韩斌
杨静宇
[J]. 中国图象图形学报, 2008, 13 (11) : 2163 - 2169
[19] 应用核独立分量分析的电力用户负荷曲线估计
韦琦
魏新劳
[J]. 中国电机工程学报, 2008, (16) : 103 - 107
[20] 基于灰关联熵的充油变压器故障诊断方法
宋斌
于萍
罗运柏
文习山
[J]. 电力系统自动化, 2005, (18) : 76 - 79

← 1 2 3 →