论文部分内容阅读
电力变压器的运行状态直接影响着整个电力系统的稳定性，在众多的变压器故障诊断方法中，三比值法以其独特的优点在实际中得到了最广泛的应用，但是该方法的编码和故障类型之间对应太苛刻，存在编码缺失的问题，所以故障诊断的正确率不高。模糊聚类算法能够以隶属度的方式实现对样本集合的软划分，本文根据变压器故障诊断具有模糊性的特点，将FCM（模糊c均值聚类）算法和三比值法结合进行变压器故障诊断。对于FCM算法在聚类过程中没有区分样本作用差异的缺点，首先根据欧式距离可以表示样本间相异度的思想，对FCM算法进行加权改进，实现了SWFCM算法。用IRIS数据集进行试验，结果显示SWFCM（样本加权的模糊c均值聚类）算法所得的聚类中心能够更加接近实际位置。进行变压器故障诊断时，把标准样本和待测样本的数据按照三比值法中的故障类型顺序排列，组成样本矩阵，作为SWFCM算法的输入量，通过输出隶属度的比较，算法可以自动识别待测样本的故障类型。实例表明，这样的故障诊断模式能得到93.42%的故障诊断正确率，而且在有噪声干扰的情况下，算法的抗干扰能力也比三比值法强。根据实际的故障诊断模式，本文对SWFCM算法的隶属度矩阵设置了更合理的初始值，从迭代次数来看，SWFCM算法显著提高了收敛速度，和FCM算法相比，能够更快地确定故障类型。为了体现SWFCM算法在修正聚类中心位置上的作用，直接用SWFCM算法对152组样本进行聚类，由于每类的样本数目相差悬殊，数目小的样本类会被作为分散点或孤立点，FCM算法输出的聚类中心误差平方和明显比SWFCM算法输出的要大，从而显示出小样本数的类别对聚类结果有比较大的负面影响，此时的故障诊断正确率相当低。如果从样本数量比较大的三个类别中各取20个样本进行聚类，两种算法输出的聚类中心误差平方和相差就比较小，说明孤立点或分散点的负面影响得到了降低，此时SWFCM算法也能到86.67%的故障诊断正确率。因而，在用SWFCM算法对故障样本直接进行类别判断时，应该尽量使用样本数目比较均匀的大样本类别。