油中溶解气体分析(dissolved gas analysis,DGA)监测技术数据质量的管理、维护及保障体系不完善,导致目前油中溶解气体数据质量存在一定缺陷。提出一种适合油中溶解气体时序数据的趋势预测方法,通过对油中溶解气体在线监测时序数据的特...油中溶解气体分析(dissolved gas analysis,DGA)监测技术数据质量的管理、维护及保障体系不完善,导致目前油中溶解气体数据质量存在一定缺陷。提出一种适合油中溶解气体时序数据的趋势预测方法,通过对油中溶解气体在线监测时序数据的特征进行深入分析,选择了泛化性能优越的统计模型,并借鉴加性模型的优点,对存在缺失值的油中溶解气体数据进行拟合,并对预测效果进行分析。同时,与XGBoos(textreme gradient boosting,XGBoost)模型预测效果进行对比,通过实例对比了两者在预测效果上的差异。展开更多
电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C...电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C-均值相结合的遗传-模糊聚类算法,并将其应用于DGA电力变压器数据分析,实现了变压器的故障诊断。实验数据表明:该算法收敛速度快,能有效地对样本进行聚类,提高了识别故障率。展开更多
文摘油中溶解气体分析(dissolved gas analysis,DGA)监测技术数据质量的管理、维护及保障体系不完善,导致目前油中溶解气体数据质量存在一定缺陷。提出一种适合油中溶解气体时序数据的趋势预测方法,通过对油中溶解气体在线监测时序数据的特征进行深入分析,选择了泛化性能优越的统计模型,并借鉴加性模型的优点,对存在缺失值的油中溶解气体数据进行拟合,并对预测效果进行分析。同时,与XGBoos(textreme gradient boosting,XGBoost)模型预测效果进行对比,通过实例对比了两者在预测效果上的差异。
文摘电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C-均值相结合的遗传-模糊聚类算法,并将其应用于DGA电力变压器数据分析,实现了变压器的故障诊断。实验数据表明:该算法收敛速度快,能有效地对样本进行聚类,提高了识别故障率。
