风能作为可再生的清洁能源,在近几年,我国大力发展风力发电,风力发电规模不断扩大,风力发电技术也愈发成熟,并且仍有着广阔的发展前景。当风力不稳定的时候,风电系统的输出电压也会不稳定,这会导致风电变压器出现各种故障,甚至有可能发生重大事故。因此,在故障初期精准地发现变压器的故障并对典型故障进行分析,是保障风电变压器安全可靠运行的重要举措。本文围绕风电变压器的故障诊断问题,将智能学习算法与中智理论相结合,主要做了以下四个方面的研究与分析:(1)简述了本文的课题背景和研究意义,分析了变压器故障诊断和模糊C均值算法在国内外的研究现状,并深入研究了变压器常见故障及故障发生时各特征气体间的关系,在此基础上总结了基于特征气体的常见的三种故障诊断方法。(2)介绍了两种基本的模糊聚类算法HCM和FCM,并进一步提出了中智C均值聚类算法NCM,该算法引入中智理论对样本的分布重新分配,创造性地在FCM基础上加入了不确定性,不确定度Ii通过考察样本点与中智点的关系,来反映样本与中立区域的联系。对于三种算法的优缺点本文也做了详细的对比。(3)在变压器绝缘故障中,不同故障类型产生的主要气体及气体组分含量存在很大差异,以油中溶解气体组分含量为特征量构成的样本,由于各维度典型程度不一样,对聚类的影响也是不同的。一般的聚类方法未考虑到数据各维度之间权重的差异,本文通过在传统的FCM算法中加入特征权重,使得样本数据集的每一维都有着主次划分,因此突出了某些特征对聚类的主要影响,降低了冗余特征的干扰。通过对比实验可知,此方法可以优化数据的分布,极大地提高聚类准确率,特征权重矩阵能够反映出聚类过程中数据集各维度所起作用的不同。(4)在上述基础上,本文提出一种基于加权中智C均值算法。该算法是在经典的FCM算法上引入了特征加权和中智理论,可对样本的权重和分布重新分配,使得某些不均衡样本的布局更为合理,样本精度得以提高。对于中智点,其有很重要的现实意义。通过对中智划分产生的中智点分析可以预测出某类故障接下来可能发生的变化,对故障的后续发展有指导性的作用,对于变压器的故障诊断有着重要的参考价值,故障的现实意义也能得到合理的说明。