基于关联规则分析的电力变压器故障马尔科夫预测模型

被引：32

作者：

王有元 ^{[1
]}

周立玮 ^{[1
]}

梁玄鸿 ^{[1
]}

刘航 ^{[1
]}

辜超 ^{[2
]}

杨祎 ^{[2
]}

机构：

[1] 重庆大学输配电装备及系统安全与新技术国家重点实验室

[2] 国网山东省电力公司电力科学研究院

来源：

高电压技术 | 2018年 / 44卷 / 04期

基金：

国家高技术研究发展计划(863计划);

关键词：

电力变压器; 故障预测; 关联规则; 状态分析; 马尔科夫模型;

D O I：

10.13336/j.1003-6520.hve.20180329002

中图分类号：

TM41 [电力变压器];

学科分类号：

080801 ;

摘要：

为了有效预测电力变压器故障发展的情况,提出了一种基于关联规则分析的电力变压器故障马尔科夫预测模型。运用云理论提取状态参量的云概念,使用Apriori算法挖掘状态参量与状态之间的关联规则以及各状态之间的关联规则;根据状态参量与状态之间的关联规则,建立基于云–Petri网的变压器状态分析模型,从而得到变压器在初始时各状态发生的可能性;利用各状态之间关联规则构建变压器状态转移矩阵,并建立修正因子体系对状态转移矩阵进行修正;将变压器初始时各状态的可能性结合修正后的状态转移矩阵对故障进行预测。实例计算表明,相比于IEC、BPNN与SVM,基于云–Petri网的分析模型具有更快的响应时间或更高的准确率,而对状态转移矩阵的修正可提高马尔科夫模型预测的准确率,能对变压器故障发展趋势进行更有效、合理的预测。

引用

页码：1051 / 1058

页数：8

共 18 条

[1]

不确定性人工智能.[M].李德毅;杜鹢著;.国防工业出版社.2005,

[2]

随机过程简明教程.[M].何迎晖;钱伟民编著;.同济大学出版社.2004,

[3] Artificial neural network-based prediction technique for transformer oil breakdown voltage [J].