蚁群算法在变压器故障诊断中的应用研究

论文摘要

我国电力工业发展迅速,变压器数量激增,相关数据越来越庞大,借助智能技术对变压器进行故障诊断势在必行。本文对基于蚁群算法的变压器故障诊断进行了深入研究,做了以下工作:（1）完成了变压器故障诊断系统的设计,该系统采用了专家系统,其主要功能包括:信息采集模块、数据分类存储、综合管理模块及分析诊断等。对变压器故障诊断系统进行了分析,这种结构的系统具有高效、可靠、易于维护等优点。（2）蚁群算法（ACO）已经成功的被运用到各种优化组合问题,Parpinelli和他的合作者将ACO运用到数据挖掘的分类问题中,介绍了一种新的算法Ant-Miner。本文对Ant-Miner算法进行了改进,避免算法陷入局部最优,缩短了搜索时间,提高算法的全局收敛性。同时,在数字仿真的基础上,研究了算法中主要参数的优化设置问题,得到了针对该类问题较好的参数设置。通过与CN2及Ant-Miner算法的试验结果比较,表明改进的算法能够发现更好的分类规则、有更强的预测能力,产生更少的规则集以及更简单的规则。（3）将改进的算法应用于变压器故障诊断系统中,并对应用实例进行了分析,证明了用蚁群算法进行故障诊断是一种比较可行的方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景及研究意义
• 1.2 研究现状
• 1.2.1 传统的变压器故障诊断方法的研究现状
• 1.2.2 数据挖掘技术在变压器故障诊断中的研究现状
• 1.2.3 分类技术研究现状
• 1.3 论文的组织结构
• 第二章 变压器故障诊断专家系统的设计
• 2.1 专家系统概述
• 2.2 故障诊断专家系统的一般结构
• 2.3 故障诊断系统的设计
• 2.3.1 数据采集模块
• 2.3.2 数据管理模块
• 2.3.3 知识管理模块
• 2.3.4 诊断推理模块
• 2.4 本章小结
• 第三章 蚁群算法简介
• 3.1 基本蚁群算法的描述
• 3.2 蚂群算法的参数设置
• 3.3 ACO 简介
• 3.4 蚁群算法的优缺点
• 3.5 蚁群优化算法的典型应用
• 3.5.1 ACO 在静态组合优化中的应用
• 3.5.2 ACO 在动态组合优化中的应用
• 3.5.3 ACO 在其他领域的应用
• 第四章 基于蚁群算法的分类规则挖掘方法
• 4.1 对算法的分析与改进
• 4.1.1 路径的选择
• 4.1.2 信息素的更新方式
• 4.2 ANT-MINER1 的解的多样性
• 4.3 算法的复杂度分析
• 4.4 离散方法及其改进
• 4.5 系统参数的选择
• 4.6 ANT-MINER 与ANT-MINER1 实验分析比较
• 第五章 蚁群分类算法在故障诊断中的应用
• 5.1 传统变压器故障诊断方法简介
• 5.2 蚁群算法中数据的预处理
• 5.2.1 条件属性、决策属性的确定
• 5.2.2 连续属性的离散化
• 5.3 参数的选择
• 5.4 规则建立
• 5.5 应用实例分析
• 5.6 本章小结
• 第六章 结论与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读学位期间发表的论文