论文部分内容阅读
作为电力系统最重要的电力设备之一,电力变压器的运行状态直接影响电网的经济运行和安全生产。为保障电力变压器安全可靠的运行,对其进行故障诊断研究极有必要。本文通过引入案例推理的人工智能方法,应用于变压器的故障诊断,建立了基于案例推理的变压器故障诊断模型。首先,分析了变压器故障原理、故障特征、故障影响和对应应采取的措施,整合大量故障案例信息,采用面向对象的案例表示方式,建立了故障案例库。其次,针对不同类型的故障数据,设计相应的相似度计算模型。对于特殊数据进行处理,以契合案例推理的运算规则。再次,对于案例推理的核心,案例的检索,本文提出基于熵和聚类的改进K-NN算法,使用信息增益来评价属性的分类能力和重要程度,并以此作为属性选择的依据。引入聚类的思想,提取与待诊断问题最相关的特征属性的权值。然后,本文分析了气相色谱分析与变压器内部故障的关系,针对变压器故障DGA数据的复杂分散的特性,设计以引入核函数的支持向量机(SVM)模型对变压器进行故障诊断。同时引入果蝇优化智能算法(FOA)对SVM模型的关键参数进行优化,建立了果蝇优化支持向量机的变压器故障诊断模型。与启发式算法优化SVM参数相比,FOA-SVM的故障分类性能更佳。最后,建立了基于CBR的电力变压器故障诊断系统模型。运用数据库技术,在Visual C++6.0、Matlab2010a等编程环境下,实现CBR的变压器诊断系统。通过变压器故障实例仿真,结果表明本文设计思想的合理性和有效性。