基于谱聚类集成的变压器在线故障诊断

刘荣胜; 彭敏放; 肖祥慧

doi:10.3969/j.issn.0372-2112.2017.10.025

您当前的位置：

首页 >

文章列表页 >

基于谱聚类集成的变压器在线故障诊断

学术论文 | 更新时间：2025-07-16

- 基于谱聚类集成的变压器在线故障诊断
- The Transformer On-line Fault Diagnosis Based on Spectral Clustering Ensemble
- 电子学报 2017年45卷第10期页码：2491-2497
- 作者机构：
  
  1. 湖南大学电气与信息工程学院,湖南,长沙,410082
  2. 长沙理工大学电气与信息工程学院,湖南,长沙,410114
  3. 湖南大学电气与信息工程学院,湖南,长沙,410082
  4. 长沙理工大学电气与信息工程学院,湖南,长沙,410114
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61472128，No.61173108）;湖南省自然科学基金重点项目 (No.14JJ2150）;国家电网公司总部科技项目 (No.5216A514001K）
- DOI：10.3969/j.issn.0372-2112.2017.10.025
  中图分类号： TM411+.2
- 纸质出版：2017
- 稿件说明：
移动端阅览
刘荣胜, 彭敏放, 肖祥慧. 基于谱聚类集成的变压器在线故障诊断[J]. 电子学报, 2017,45(10):2491-2497.

LIU Rong-sheng, PENG Min-fang, XIAO Xiang-hui. The Transformer On-line Fault Diagnosis Based on Spectral Clustering Ensemble[J]. Acta Electronica Sinica, 2017, 45(10): 2491-2497.
刘荣胜, 彭敏放, 肖祥慧. 基于谱聚类集成的变压器在线故障诊断[J]. 电子学报, 2017,45(10):2491-2497. DOI： 10.3969/j.issn.0372-2112.2017.10.025.

LIU Rong-sheng, PENG Min-fang, XIAO Xiang-hui. The Transformer On-line Fault Diagnosis Based on Spectral Clustering Ensemble[J]. Acta Electronica Sinica, 2017, 45(10): 2491-2497. DOI： 10.3969/j.issn.0372-2112.2017.10.025.

摘要

为了提高基于油中溶解气体分析技术（DGA）的变压器故障诊断准确率，本文提出了一种基于谱聚类集成的变压器在线故障诊断（TOFD-SCE）方法.以加权二次抽样算法抽取样本、构建基础谱聚类的样本集，以基础谱聚类学习问题的局部知识；平衡多样性与正确性选择集成成员；集成多个成员谱聚类的结果来提高变压器故障诊断的准确率.传统变压器故障诊断方法基于历史数据建立模型，缺乏在线学习的能力；TOFD-SCE利用历史与在线新增两种DGA数据来训练、修正模型，提高了其故障诊断的准确率.对SSP300000/500型变压器的故障诊断实验结果表明：TOFD-SCE的准确率优于IEC三比值法、BP神经网络法及支持向量机法，验证了其有效性.

Abstract

To improve the accuracy of the transformer fault diagnosis based on dissolved gas analysis in oil(DGA)

a transformer on-line fault diagnosis based on spectral clustering ensemble (TOFD-SCE) was proposed in this paper.The weighted double sampling algorithm create the samples set of the basic spectral clustering

which learned the local knowledge of the problems.The accuracy was improved by integrating the results of ensemble members

which were picked up form the basic spectral clustering in terms of the accuracy and variety.The conventional models are only trained by the historical data

and can't learn on-line.TOFD-SCE is trained and modified by both historical and new online data

and the accuracy is improved.The TOFD-SCE was validated by diagnosing the fault of SSP300000/500 transformers.Comparing with IEC three ratio

BP-neural networks and support vector machine

TOFD-SCE is more outstanding.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于LoRa信号的实时手势识别算法

两步式自适应阈值法滤除心电信号中运动伪迹

一种基于CatBoost优化的光伏阵列故障诊断模型

基于迁移学习的零样本故障诊断

基于多电流特征形态组合模式挖掘的层冷辊电机故障诊断