为提高油浸式电力变压器故障状态评估的准确性,结合局部密度聚类(local density clustering,LDC)算法和三比值法提出一种变压器故障状态评估方法——以油中溶解气体为研究对象,对气体数据进行LDC处理,以最后聚类结果作为故障状态评估模...为提高油浸式电力变压器故障状态评估的准确性,结合局部密度聚类(local density clustering,LDC)算法和三比值法提出一种变压器故障状态评估方法——以油中溶解气体为研究对象,对气体数据进行LDC处理,以最后聚类结果作为故障状态评估模型及结合三比值法对新数据进行故障评估。该方法在弥补聚类方法无法准确反映故障状态和三比值法编码不全、编码太片面等不足的同时,在变压器状态发生变化时能随着新数据的输入自主修正故障状态评估模型。不同实验结果表明该方法用在变压器故障评估中,具有较高的故障评估准确率,并且当出现未知故障时能有效修正所搭建故障状态评估模型,可以在一定程度上反映变压器故障状态,保证变压器正常、安全运行。展开更多
文摘为提高油浸式电力变压器故障状态评估的准确性,结合局部密度聚类(local density clustering,LDC)算法和三比值法提出一种变压器故障状态评估方法——以油中溶解气体为研究对象,对气体数据进行LDC处理,以最后聚类结果作为故障状态评估模型及结合三比值法对新数据进行故障评估。该方法在弥补聚类方法无法准确反映故障状态和三比值法编码不全、编码太片面等不足的同时,在变压器状态发生变化时能随着新数据的输入自主修正故障状态评估模型。不同实验结果表明该方法用在变压器故障评估中,具有较高的故障评估准确率,并且当出现未知故障时能有效修正所搭建故障状态评估模型,可以在一定程度上反映变压器故障状态,保证变压器正常、安全运行。
文摘为了提高辨识稳定图中真实模态的准确性与自动化程度,首先,从稳定点定义方式的角度论述了聚类算法效果欠佳的原因,并采用异阶系统非等权重的定义方式输出稳定点;其次,基于数据挖掘思想,采用改进的辨识聚类结构的有序点(ordering points to identify the clustering structure,简称OPTICS)算法自动清洗稳定点集,通过遍历性搜索的方式确定输入参数;然后,提出结合度矩阵去噪的自适应局部密度谱聚类(local density adaptive spectral clustering,简称SC-DA)算法分析稳定点集,并以簇中值作为模态参数的代表值,实现模态参数的自动化识别;最后,将含有密集模态的外滩大桥作为识别对象进行试验验证。试验结果表明:所提出方法具有较高的精度,与频域分解(frequency domain decomposition,简称FDD)法的频率结果最大相差仅为0.012 3 Hz,且在线识别的准确率达到82.86%,显著高于基于层次聚类的自动识别方法,实现了无人工干预下模态参数的自动、准确识别,具有一定的工程应用前景。
