表3 常用人工智能技术在变压器故障诊断应用中的优缺点[25-27]

　　智能技术

　　优点

　　缺点

　　神经网络

　　具有分布式信息存储特点及并行处理能力;有自组织、自学习的能力;能够映射高度非线性的输入输出关系。

　　极易陷入局部极小点;收敛速度慢;网络的结果及学习参数难以确定;需要大量样本训练;知识推理能力较弱。

　　模糊理论

　　不需要先验知识，基于“物以类聚”的观点，来处理不精确信息，知识表达简便，设计方法较为简单，容易实现。

　　准确的隶属函数难以确定;人为干预太多;缺乏令人信服的客观依据，缺乏联想、自适应学习能力。

　　粗糙集理论

　　不需要任何初始或附加信息，直接处理不完整不精确数据，揭示内在规律;可以删除多余属性，又不失原数据集中的有用信息。

　　分析过程中会遇到噪声、数据丢失、海量数据等问题;信息处理的维数和计算量较大;规则的可解释性差。

　　灰色系统

　　能依据少量的样本数据来寻找故障因素之间的关系，通过主要特征变量之间的灰色关系建立简化模型。

　　故障特征气体含量基于很大的分散性;基于关联分析中，标准故障模式难以确定。

　　专家系统

　　具有大量的专家知识系统，并依据专家知识进行推理，能解决专家才能解决的复杂问题。

　　学习及知识推理能力差，知识获取困难;系统鲁棒性难以保证。

　　遗传算法

　　优化求解过程与梯度信息无关;所需领域知识少，鲁棒性强，

　　在进化后期搜索效率低，容易过早收敛，陷入局部最优解。

　　人工免疫

　　高度并行、分布、自适应和自组织系统，具有较强的学习、识别、记忆和特征提取的能力，可以处理不完全信息和数据。

　　计算复杂程度高;特征信息依赖性强。系统的免疫机理难以确定。

　　贝叶斯网络

　　能将先验知识与数据有机结合，易于学习因果关系，以及知识与数据信息的融合，能避免模型的过度拟合。

　　缺乏故障样本时就会导致输出错误的诊断结果。过度依赖样本数据信息的正确性和完整性。

　　支持向量机

　　样本数据训练时间短，不存在局部极小值的问题，并且结构非常简单。

　　知识的可表达性及可解释性差

　　多信息融合技术

　　克服了单一信息诊断的片面性和孤立性，增强了故障诊断的可信度。

　　需大量来自传感器的各种信息，信息量需求大，系统要求较高。

　　结束语

　　为了实现变压器特征气体的在线监测和故障诊断，国内外都致力于开发变压器在线监测装置及故障诊断系统，研究并开发了以ANN、模糊数学、灰色系统、粗糙集理论及专家系统等理论为基础的故障诊断系统。随着人工智能技术的发展，也将会带动变压器故障诊断技术的不断完善，促进在线监测与实时故障诊断系统的研发。提高了系统的诊断能力。

　　参考文献

　　[1] 吴广宇. 电力设备状态监测的理论与实践[M]. 清华大学出版社

　　[2] 朱德恒，严璋，谈克雄等.电气设备状态监测与故障诊断技术[M].中国电力出版社

　　[3] Bhattacharya S.K.，Smi th R.E.，and Haskew T.A.，A neural network approach to transformer fault diagnosis using dissolved gas analysis data，North America Power Symposium，1993.

　　[4] Zhang Y.，Liu Y.L.，Griffin P.J.，An artificial neural network approach to transformer fault diagnosis，IEEE Trans.on Power Delivery，1996，ll (4)：1836-1841.

　　[5] 魏星，舒乃秋，崔鹏程，吴波.基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断[J].电力系统自动化，2006年4月第30卷第7期.46-50

　　[6] 王涛，王晓霞.基于改进PSO-BP算法的变压器故障诊断[J].中国电力，2009年5月第42卷第5期.13-16

　　[7] 王晓霞，王涛.基于粒子群优化神经网的变压器故障诊断[J].高电压技术，2008年11月第34卷第11期.2362-2367

　　[8] 潘翀，陈伟根，云玉树，杜林，孙才新.基于遗传算法进化小波神经网络的电力变压器故障诊断[J].电力系统自动化，2007年10月第31卷第13期.88-92

　　[9] 符扬，蓝之达.遗传算法与人工神经网络结合在变压器故障诊断中的应用[J].变压器，2003年10月第40卷第10期.32-36

　　[10] 俞晓冬，马凤英，臧宏志.粗糙集理论与神经网络在变压器故障诊断中的应用[J].继电器，2006年1月第34卷第1期.10-14

　　[11] 张景明，刘建国.粗糙集和BP神经网络在变压器故障诊断中的应用[J].变压器，2009年4月第46卷第4期.18-21

　　[12] 陈伟根，潘翀，云玉树，王有元，孙才新.基于改进小波神经网络算法的电力变压器故障诊断方法[J].仪器仪表学报，2008年7月第29卷第7期.1489-1493

　　[13] 彭宁云，文习山，舒翔.模糊神经网络在变压器故障诊断中的应用[J].高电压技术，2004年5月第30卷第5期.14-17

　　[14] 俞晓冬，孙莹，臧宏志.基于粗糙集于模糊神经网络的变压器故障诊断方法[J].电力自动化设备，2003年2月第23卷第2期.

　　[15] 段慧达，王忠礼，周振雄，刘文斌.基于模糊输入的概率神经网络在变压器故障诊断中的应用[J].煤矿机械，2007年2月第28卷第2期.190-192

　　[16] 孙秋野，张光，刘鑫蕊.基于粗糙集合遗传算法的变压器故障诊断方法[J].仪器仪表学报，2008年10月第29卷第10期.2034-2040

　　[17] 邓宏贵，罗安，曹建，曹祥.关联度分析在变压器故障诊断中的应用[J].电力系统自动化，2005年9月第29卷第18期.73-89

　　[18] 李俭，孙才新，陈伟根，陈国庆等.基于灰色聚类分析的充油电力变压器基于故障诊断的研究[J].电工技术学报，2002年第17卷第4期，

　　[19] 王永强，律方成，李和明.基于贝叶斯网络和DGA的变压器故障诊断[J].高电压技术，2004年5月第30卷第5期.12-13

　　[20] 周爱华，张彼德，张厚宣.基于人工免疫分类算法的电力变压器故障诊断[J].高电压技术，2007年8月第33卷第8期.77-80

　　[21]王少芳，蔡金锭.GA-BP混合算法在变压器色谱诊断法中的应用[J].高电压技术，2003年7月第29卷第7期.3-6

　　[22] 邓宏贵，曹建，罗安.一种新的遗传算法及其在变压器故障诊断中的应用[J].中南大学学报，2005年6月第36卷第3期.481-485

　　[23] 吴晓辉，刘炯，梁永春，汪晓明，李彦明.支持向量机在电力变压器故障诊断中的应用[J].西安交通大学学报，2007月6月第41卷第6期.722-726

　　[24] 彭剑，罗安，周柯，夏向阳.变压器故障诊断中信息融合技术的应用[J].高电压技术，2007年3月第33卷第3期，144-147

　　[25] 王伟.油浸式电力变压器故障诊断技术的研究[D].山东大学

　　[26] 王霞.基于油中溶解气体分析的变压器故障诊断方法的研究[D].华北电力大学

　　[27] 伍伟慧，周媛媛，周立行.改进灰色关联算法在变压器故障诊断中的应[J].电力科学与技术学报，2009年9月第24卷第3期，45-48

 3/4   首页 上一页 1 2 3 4 下一页 尾页