论文部分内容阅读
摘 要:本文针对贝叶斯分类器精度不高,需要大量样本集学习,尤其是当获得大量的带有类别标注的样本代价较高时的缺点,探讨了一种基于增量式贝叶斯分类器的故障诊断方法,使用该模型不断积累完善样本,自动修正网络结构参数和概率分布参数,从而达到诊断效果的高效性。也把该模型运用到变压器的故障诊断中,通过大量的实例证明,该模型运用的算法在现实工作中有实质的可行性和操作性。
关键词:增量式贝叶斯 变压器 故障诊断 研究 机构及算法
中图分类号:TP2 文献标识码:A 文章编号:1674-098X(2012)07(c)-0104-011 引言
本文提出了基于小规模训练集的增量式贝叶斯分类,给出增量式贝叶斯分类机理参数计算及其算法。较贝叶斯算法增加自适应训练能力,提高故障诊断率。
2 增量式贝叶斯分类器结构及算法
相比较传统贝叶斯分类器的阈值常数的静态过程,增量式贝叶斯分类器主要是利用样本信息的不断修正,来提高分类精度是一个动态修正过程。
增量分类的任务实质是根据先验信息和样本信息来确定和。其中为训练样本中属于类的次数,为训练样本数,为增量样本数。采用拉普拉斯概率估计,可获得下面的参数估计:设定后续样本集的处理,输入:故障样本集,余下的作为测试样本集。输出:分类器C。
该结构的算法是一个无限循环过程,贝叶斯本身具有增量学习特性,再修正过程中选择性修正更新信息,使得分类器增量地进行,从而提高了分类精度,减少了大量重复样本学习与训练时间。
3 建立基于贝叶斯的变压器故障诊断模型
为了检验增量式贝叶斯分类器的有效性,建立基于增量式贝叶斯分类器的变压器故障诊断模型步骤如下:
(1)建立变压器故障样本集,全面分类;
(2)设定动态阈值参数,建立诊断数学模型;
(3)将故障样本集输入增量式贝叶斯分类器故障诊断模型;
(4)训练后的诊断模型测试样本集,将传统贝叶斯分类器与增量式贝叶斯分类器进行对比。
4 诊断实例
某发电厂变压器额定容量为110MVA,额定电压为110/35/10.5kV,根据绝缘电阻、泄漏电流、介质损耗、三比值法等测试样本,根据对应数值编辑数据测试样本为401000111.将其送入训练后的测试模型。经过增量式分类器与传统贝叶斯分类器的后验概率分别为0.078和0.012,见表1,对应为C8,因此判断该变压器故障为绝缘性能下降。通过实际检验变压器漏电现象确由铁芯内绝缘性能下降所致。(如表1）
5 结语
本文引入增量式贝叶斯分类器,通过建立变压器故障诊断模型,比较了传统贝叶斯分类器,通过实例说明增量式贝叶斯分类器比传统的贝叶斯分类器在运行性能上具有优越性,从而也证实了增量式贝叶斯分类器在诊断故障过程中的精确性与准确性。
参考文献
[1] 曾界洲,徐玉珍.一种基于模糊神经网路的变压器故障诊断方法的研究[J],闽江学院学报,2004(10):30-33.
[2] 尚勇,闰春江,严璋,等.基于信息融合的大型油浸电力变压器故障诊断[J].中国电机工程学报,2002,22(7):l15-l18.
[3] P.Purkait.Time and Frequency Domain Analyses Based Expert System for Impulse Fault Diagnosis in Transformers.Transactions on Dielectrics and Electrical Insulation,2002,6(3):433-445.
[4] Jorge Pleite,Carlos González.Power Transfomer Core Fault Diagnosis Using Frequency Response Analysis.MELECON,2006,5(16):1126-1129.
[5] 吴立增,朱永利,苑津莎.基于贝叶斯网络分类器的变压器综合故障诊断方法[J].电工技术学报,2005,4(4):45-51.
[6] 孙辉,李卫东,孙启忠．判决树方法用于变压器故障诊断的研究[J]．中国电机工程学报,2001,21(2):50-55.
[7] 高文胜,钱政,严璋.基于决策树神经网络模型的电力变压器故障诊断方法[J].西安交通大学学报,1999,33(6):11-16.
[8] 刘娜,高文胜,谈克雄.基于组合神经网络模型的电力压器故障诊断方法[J].电工技术学报,2003,18(2):83-86.
关键词:增量式贝叶斯 变压器 故障诊断 研究 机构及算法
中图分类号:TP2 文献标识码:A 文章编号:1674-098X(2012)07(c)-0104-011 引言
本文提出了基于小规模训练集的增量式贝叶斯分类,给出增量式贝叶斯分类机理参数计算及其算法。较贝叶斯算法增加自适应训练能力,提高故障诊断率。
2 增量式贝叶斯分类器结构及算法
相比较传统贝叶斯分类器的阈值常数的静态过程,增量式贝叶斯分类器主要是利用样本信息的不断修正,来提高分类精度是一个动态修正过程。
增量分类的任务实质是根据先验信息和样本信息来确定和。其中为训练样本中属于类的次数,为训练样本数,为增量样本数。采用拉普拉斯概率估计,可获得下面的参数估计:设定后续样本集的处理,输入:故障样本集,余下的作为测试样本集。输出:分类器C。
该结构的算法是一个无限循环过程,贝叶斯本身具有增量学习特性,再修正过程中选择性修正更新信息,使得分类器增量地进行,从而提高了分类精度,减少了大量重复样本学习与训练时间。
3 建立基于贝叶斯的变压器故障诊断模型
为了检验增量式贝叶斯分类器的有效性,建立基于增量式贝叶斯分类器的变压器故障诊断模型步骤如下:
(1)建立变压器故障样本集,全面分类;
(2)设定动态阈值参数,建立诊断数学模型;
(3)将故障样本集输入增量式贝叶斯分类器故障诊断模型;
(4)训练后的诊断模型测试样本集,将传统贝叶斯分类器与增量式贝叶斯分类器进行对比。
4 诊断实例
某发电厂变压器额定容量为110MVA,额定电压为110/35/10.5kV,根据绝缘电阻、泄漏电流、介质损耗、三比值法等测试样本,根据对应数值编辑数据测试样本为401000111.将其送入训练后的测试模型。经过增量式分类器与传统贝叶斯分类器的后验概率分别为0.078和0.012,见表1,对应为C8,因此判断该变压器故障为绝缘性能下降。通过实际检验变压器漏电现象确由铁芯内绝缘性能下降所致。(如表1）
5 结语
本文引入增量式贝叶斯分类器,通过建立变压器故障诊断模型,比较了传统贝叶斯分类器,通过实例说明增量式贝叶斯分类器比传统的贝叶斯分类器在运行性能上具有优越性,从而也证实了增量式贝叶斯分类器在诊断故障过程中的精确性与准确性。
参考文献
[1] 曾界洲,徐玉珍.一种基于模糊神经网路的变压器故障诊断方法的研究[J],闽江学院学报,2004(10):30-33.
[2] 尚勇,闰春江,严璋,等.基于信息融合的大型油浸电力变压器故障诊断[J].中国电机工程学报,2002,22(7):l15-l18.
[3] P.Purkait.Time and Frequency Domain Analyses Based Expert System for Impulse Fault Diagnosis in Transformers.Transactions on Dielectrics and Electrical Insulation,2002,6(3):433-445.
[4] Jorge Pleite,Carlos González.Power Transfomer Core Fault Diagnosis Using Frequency Response Analysis.MELECON,2006,5(16):1126-1129.
[5] 吴立增,朱永利,苑津莎.基于贝叶斯网络分类器的变压器综合故障诊断方法[J].电工技术学报,2005,4(4):45-51.
[6] 孙辉,李卫东,孙启忠．判决树方法用于变压器故障诊断的研究[J]．中国电机工程学报,2001,21(2):50-55.
[7] 高文胜,钱政,严璋.基于决策树神经网络模型的电力变压器故障诊断方法[J].西安交通大学学报,1999,33(6):11-16.
[8] 刘娜,高文胜,谈克雄.基于组合神经网络模型的电力压器故障诊断方法[J].电工技术学报,2003,18(2):83-86.