改进模糊聚类与主成分分析下的变压器故障识别
薛盛炜
李川
李英娜
1.昆明理工大学信息工程与自动化学院,云南昆明 650500;云南省计算机技术应用重点实验室,云南昆明 6505002.昆明理工大学信息工程与自动化学院,云南昆明 650500;云南省计算机技术应用重点实验室,云南昆明 6505003.昆明理工大学信息工程与自动化学院,云南昆明 650500;云南省计算机技术应用重点实验室,云南昆明 650500
摘要：针对经典模糊C均值聚类(FCM)对数据进行等权划分而造成聚类结果不理想的情况,首先,采用点密度加权方式,对变压器油中溶解气体分析(DGA)数据进行处理,提高样本可分性,削弱聚类时出现的等趋势划分对聚类中心以及分类结果造成的影响.然后,以DGA故障数据聚类中心作为变压器标准故障谱.最后,利用施加惯性系数的主成分分析方法对待测样本进行故障识别.研究结果表明:通过点密度加权的FCM对DGA数据进行故障类型分类时,平均准确率比传统FCM算法提升了9.6％.利用上述方法对多组油浸式变压器进行识别,识别结果与实测信息均一致.
关键词：变压器溶解气体分析点密度加权主成分分析模糊C均值聚类
分类号：TP3(计算技术、计算机技术)
资助基金：国家自然科学基金(61962031)国家自然科学基金(51567013)
论文发表日期：2020-12-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 39-44,50 )