变压器的贝叶斯网络故障诊断融合方法研究

随着工业技术的不断发展,电力变压器作为输配电系统中的一个重要设备,及时准确的检测出变压器早期的潜伏性故障对电力系统的正常运行具有重大的意义。本文在分析了变压器油中溶解气体分析技术的基础上,研究了贝叶斯网络、灰色系统理论和证据理论等人工智能方法,并用于解决变压器故障诊断问题。贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一,通过贝叶斯网络输入的样本集训练归纳出的贝叶斯分类器可用来对未知分类模型的数据进行分类。本文针对贝叶斯分类器单个区域中基本信任分配函数不变的问题,提出了改进的贝叶斯分类器的基本信度分配函数。实验表明该方法准确且有效。灰色系统理论以小样本、贫信息不确定性系统为研究对象,通过从“部分”已知的信息中生成、开发、提取有价值的信息。本文将基于白化权函数的基本信度分配函数构造方法引入变压器故障诊断并提出一些改进。实验验证了该方法的准确性。由于变压器气体征兆与故障之间存在复杂性和模糊性,各种故障诊断方法的判断结果容易出现分歧。本文采用证据理论的方法,利用合成规则将改良三比值法、贝叶斯网络和灰色系统理论的诊断结果进行融合,实现了多种方法的有效融合。实例分析表明,本文的融合算法可以提高变压器故障诊断的可靠性。