检索结果-内蒙古大学图书馆

电力系统及其自动化学报 2011年第5期23卷 1-5页

作者：蒋雯倩李欣然钱军湖南大学电气与信息工程学院长沙410082

变电站日负荷曲线含有丰富的综合负荷构成特性信息,可以用于负荷特性的分类与综合,但必须对原始生数据进行坏数据的辨识与调整。在深入分析已有方法以及负荷建模对日负荷曲线分类与综合要求的基础上,提出一种基于拉格朗日(Lagrange)插... 详细信息

变电站日负荷曲线含有丰富的综合负荷构成特性信息,可以用于负荷特性的分类与综合,但必须对原始生数据进行坏数据的辨识与调整。在深入分析已有方法以及负荷建模对日负荷曲线分类与综合要求的基础上,提出一种基于拉格朗日(Lagrange)插值方法和模糊聚类原理的改进的模糊c均值聚类FcM(fuzzy c-means)算法应用于变电站日负荷曲线的坏数据辨识与调整。首先运用内维尔(Neville)算法对缺失数据补全;然后采用改进FcM算法对日负荷曲线进行聚类,产生各类的特征曲线,利用负荷曲线的横向相似性辨识负荷坏数据;最后利用特征曲线进行坏数据调整。实例分析取得了良好效果。

关键词：负荷特性坏数据辨识内维尔算法改进的模糊c均值算法日负荷曲线

来源：评论

学校读者我要写书评

暂无评论

提高电力变压器故障分类准确度的数据优化新模型

提高电力变压器故障分类准确度的数据优化新模型

引用

作者： Ali Mohammed Ali Abdo 山东大学

学位级别：硕士

电力变压器在电力系统中起着至关重要的作用,其运行可靠性严重影响电网的安全运行。电力变压器的缺陷通常由电和热长期作用累积引起,可能导致介电强度和绝缘体部件的损坏,进而可能会对电气系统造成永久性损失,甚至导致电力生产和分配的... 详细信息

电力变压器在电力系统中起着至关重要的作用,其运行可靠性严重影响电网的安全运行。电力变压器的缺陷通常由电和热长期作用累积引起,可能导致介电强度和绝缘体部件的损坏,进而可能会对电气系统造成永久性损失,甚至导致电力生产和分配的巨大损失、宝贵的停机时间、巨大的维护成本以及社区和城市正常运营中断。当变压器内部发生故障时会产生不同类型的气体。通过检查这些气体的浓度变化,可以确定变压器内不同类型的故障缺陷及其严重程度。这些气体的处理可以通过不同的方法进行,如溶解气体分析(DGA),该方法对变压器故障及其健康状况的评价和分析起着重要作用,特别是它具备在线识别故障缺陷的能力,无需停止变压器的运行。DGA数据的处理可以通过比率法、关键气体法、图形法和人工智能法等不同方法进行。这些方法均存在一些问题,比如传统方法存在的严格边界比问题,人工智能方法存在的维度灾难、不平衡的数据集以及离群值等问题。本文探究了数据优化的两条路径来提高电力变压器故障分类模型的准确度,消除当前传统方法和人工智能方法存在的问题和不足。在第一条路径中,研究使用数据挖掘统计方法对提高变压器故障诊断准确性的影响。使用随机过/欠采样算法进行数据平衡,以及平均和标准偏差异常值去除方法,从而解决不平衡数据集的问题和从DGA数据中移除异常值。开展了两个案例研究,分别研究随机采样算法对优化数据的影响。在每种案例中,将获得的数据用于对数回归和K近邻模型。然后,将使用测试数据样本对训练完成的模型进行测试评估。在第二个路径中,通过引入数据优化新的模型来实现问题解决。该模型基于实现集合方法(c-set)和改进的模糊c-均值算法(MFcM)的子集的组合,以解决数据不平衡、边界比严格、维度灾难和离群值的问题。此过程首先使用c-set方法创建未重复的多个子集,其中包含具有高度相关性的信息,并有助于从输入空间的不同区域确保重要特征,从而有助于分析和管理故障组的每个子集。MFcM算法用于通过消除分配的离群值的误分类数据样本,单独对每个子集进行聚类。此步骤用于消除可能因测量或编码不准确而产生的异常值,并可能严重影响统计分析以及模糊相应数据的基本趋势。采用c-set和MFcM可以解决维度灾难问题,其中每个子集的样本总数可以减少,同时保持原始数据集的完整性。此外,MFcM的使用还可以解决严格的边界比问题,将模糊的成员值分配给所有数据点,使每个数据点都属于具有一定确定性的多个聚类。然后,将从每个子集获得的优化聚类中心组合在一起,形成平衡的优化数据集,其中所有类型的故障将具有等数量的样本。在这项研究中,已经研究了两个阶段的数据优化。第一阶段包括使用采用c-set算法和标准MFcM来优化训练数据。输入这些数据以训练多级支持矢量机(McSVM)并获得最终结果。这一阶段获得的分类准确率为88.9%。在第二阶段,原始数据集已分为训练和测试集。训练数据分为两组。然后,c-set和MFcM分别应用于两组,其中一组采用两个故障组合,另一组采用三个故障组合。将两组优化的数据集组合在一起,形成最终集合。此集被输入来训练不同的分类模型,如可优化的多级支持向量机(McSVM)、决策树(DT)和人工神经网络(ANN)。测试这些模型后获得的最终准确性结果为{(McSVM)=90.9%、(DT)=88.64%(ANN)=93.18%}。为了突出第二路径建议的数据优化模型的优越性,将第二路径中第一阶段和第二阶段获得的准确度与第一路径统计方法及其他方法取得的结果进行了比较。比较结果表明,第二路径中数据优化新模型的提出,大大提高了电力变压器的故障识别准确度。

关键词：随机过采样/欠采样算法数据集方法的组合子集优化的训练数据改进的模糊c均值算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：