第１８卷第２期

电工技术学报

２００３年４月

基于组合神经网络模型的电力变压器故障诊断方法

ＦａｕｌｔＤｉａｇｎｏｓｉｓｏｆＰｏｗｅｒＴｒａｎｓｆｏｒｍｅｒＵｓｉｎｇ

ａ

ＣｏｍｂｉｎａｔｏｒｉａｌＮｅｕｒａＪＮｅｔｗｏｒｋ

刘娜高文胜

ＬｉｕＮａ

谈克雄（清华大学电机系

Ｇａｏ

１０００８４）

Ｗｅｎｓｈｅｎｇ

Ｔａｎ

Ｋｅｘｉｏｎｇ

１０００８４

（ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙＣｈｉｎａ）

摘要对故障空间的划分以及组合神经网络的构造方式，是利用组合神经网络进行变压器故

障识别的关键。在讨论变压器故障空问划分方法及其存在问题的基础上，针对已积累的故障变压器的大量溶解气体数据，考察了各类故障的气体特征及聚类分析结果，并在此基础上构造了组合神经网络分层结构模型，实现了对变压器故障由粗到细的逐级划分，以提高诊断的准确性，为制定维修策略提供了依据。最后，结果显示了该模型的有效性。

关键词：电力变压器溶解气体分析故障诊断神经网络中图分类号：ＴＭ８５５

Ａｂｓｔｒａｃｔ

聚类分析

ｏｆ

ｃｏｍｂｉｎａｔｏｒｉａｌ

ｎｅｕｒａｌ

ｎｅｔｗｏｒｋ

ｏｉｌ

Ｍｅｔｈｏｄｓｏｆ

ｔｏ

ｆａｕｌｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄ

ｏｒｇａｎｉｚａｔｉｏｎ

（ＣＮＮ）ａｒｅｋｅｙｓ

ｔｈｅｄｉａｇｎｏｓｉｓｏｆｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒｆａｕｌｔｓｗｉｔｈＣＮＮ．Ｉｎｔｈｉｓｐａｐｅｒ，ｂａｓｅｄ

ａ

ｔｈｅ

ｄｉｓｃｕｓｓｉｏｎｏｆｆａｕｌｔｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓａｎｄｔｒａｎｓｆｏｒｍｅｒｆａｕｌｔｓ，ａＣＮＮｉｓｉｎｔｒｏｄｕｃｅｄｆａｕｌｔｓ，ｗｈｉｃｈ

ｎｏｔ

ｔｏ

ｃｌｕｓｔｅｒａｎａｌｙｓｉｓｏｆｄｉｓｓｏｌｖｅｄｇａｓｄａｔａｏｆｔｈｉｒｔｅｅｎｕｓｕａｌ

ｔｈｅｍｕｌｔｉ—ｒｅｓｏｌｕｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｏｆｔｈｅ

ｔｏ

ｒｅａｌｉｚｅ

ｉｎｓｕｌａｔｉｏｎｅｓｔａｂｌｉｓｈ

ａ

ｏｎｌｙ

ｃａｎ

ｍａｋｅｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｂｅｍｏｒｅｅｘａｃｅ，ｂｕｔａｌｓｏｉｓｈｅｌｐｆｕｌ

ｓｉｇｎｉｆｉｃａｎｔｓｔｒａｔｅｇｙｆｏｒｔｈｅｒｅｐａｉｒｗｏｒｋ．Ｆｉｎａｌｌｙ，ｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｏｄｅｌｉｓｅｆｆｅｃ—

ｔｉｖｅ

Ｋｅｙｗｏｒｄｓ：Ｐｏｗｅｒｔｒａｎｓｆｏｒｒｎｅｒ，ｄｉｓｓｏｌｖｅｄｇａｓａｎａｌｙｓｉｓ，ｆａｕｌｔｄｉａｇｎｏｓｉｓ，ｎｅｕｒａｌｎｅｔｗｏｒｋ，ｃｌｕｓｔｅｒａｎａｌｙｓｉｓ

１前言

故障的合理分类是电气设备诊断的重要基础之一．但以往文献及电力部门统计资料中，变压器的故障分类方式却存在较大差别。常用的三比值法是根据油中溶解气体分析（Ｄｉｓｓｏｌｖｅｄ

ＧａｓＡｎａｌｙｓｉｓ，

定维修策略缺乏指导性。电力系统统计资料中，通常将变压器的常见早期故障归纳为表ｌ所示的１３种类别，给出了故障的位置信息，对维修更具指导意义【２，３］。这些方法虽有逻辑清晰、类别完备等优点，但未考虑故障在特征气体空间上的聚集特性。

目前，聚类分析方法引入到ＤＧＡ技术中，它依靠故障数据的特点来划分故障类别，这种故障空间划分方式具有积极意义，在实际应用中取得了较

ＤＧＡ）结果，给出故障点的物理信息，即将故障分为８类不同的放电性或过热性故障”Ｊ。这种方法规则简明、故障机理判断明确，但对故障定位及制

国家自然科学基金资助重点项目（５９６３７２００）。

刘

蚌女，１９７５年生，博士生，研究方向为电力设备故障检测和诊断技术。

高文胜男，１９６８年生，ｉ｝｝师，研究方向电力设备故障检测和诊断技术。

万方数据　

８４

电工技术学报

２００３年４月

好的效果｝４Ｊ。然而直接利用聚类方法进行故障分类也出现了一些问题，如聚类结果受样本点的数量、聚类准则等多种因素影响；且其以最近类样本作为诊断结果，并不能给出完全确定性的结论。同时，树思路的引入，组合神经网络方法的提出，使分层次的、逐步细化的故障识别成为可能【５Ｊ。可是这些工作都以三比值法为基础，仍难以避免对维修缺乏指导的缺点。因此，本文以按照部位划分故障的方法为基础，针对已积累的故障变压器的大量溶解气体数据，考察了各类故障的气体特征及聚类结果，并在此基础上构建组合神经网络，实现对故障由粗到细的逐级划分，以提高诊断的有效性。２变压器故障类型的划分

表ｌ中列出了１３种变压器常见故障。这种划分方式具有划分细致、有利于维修等优点。可是进一步考察各类故障的溶解气体数据，发现这种划分也存在缺陷。一方面，某些类的故障气体数据不具有统一的特征。如，“悬浮放电”类故障的特征气体与放电源的位置等关系紧密，其特征量不具有一致的规律。再如，虽然“分接开关烧损”的特征气体数据绝大多数表现为过热性特征，却有少量数据的乙炔含量很高。另一方面，有时故障发生机理和部位相异，其气体特征也可能相似。如“油中气泡引发局部放电”和“绝缘进水受潮”的溶解气体的特征就很相近。

裹１变压鼍常见故膏类型

Ｔａｂ．１

Ｆａｕｌｔｓｏｆｐｏｗｅｒｔｒａｎｓｆｏｔｍｅｌ３

序号

故障类型

囤屏放电

匝间短路（高压绕组匝问击穿或低压绕组变形）

ｎ砣ｎ

引线对地放电或发生闶络

油流带电

有戴分接开关箱藩膏油铁心局部短路或多点接地

结构件及碱屏蔽体中漏磁引起的过热分接开关接触不良绕维引线接触不良

过负荷或冷却不良引起的绕组过热

油中气泡引发局部放电

硝丌张一Ⅲ川ｍ进水受潮

ｍ

悬浮电位体（硅屏蔽、央件及分接拨叉等）感应放

电

万　

方数据因此，本文对表１的分类方法作了改进。首先，取消“悬浮放电”类别，按照悬浮体的特点归并人其他类别。其次，依据统计学方法将“分接开关”故障样本中少量乙炔含量异常高的样本剔除。这样便形成了以表１为基础的１２类变压器故障类

别。

３基于聚类分析的组合神经网络模型

本文提出的组合神经网络的特点是：根据１２类故障在特征气体空间的聚集形态，将一些接近的类别暂先合并为过渡类别，使用组合神经网络先粗分，然后再对过渡类别细化识别。这种逐级细化的工作方式，使辨识更为有效。采用分层聚类分析可以明确给出在一定聚类相似度水平上样本间的分组情况，因此，可以依据对１２类故障特征气体数据的分层聚类结果组织网络的模型。３．１分层聚类分析

进行分层聚类分析首先需确定距离和相似性的度量方法，然后再依一定的算法进行聚类。本文中采用了歇氏距离计算样本间距离，在确定两个类之间相似性时经过如下比较后，选用最远距离法。式（１）为最远距离法，式（２）为最近距离法，式（３）为均值距离法，它们之间的差别在于选用哪两个样本间距离作为两类闻的距离。最近距离法选用以最近的样本间距离作为类间距离，而最远距离法选用最远的样本。

△（ｒｌ，Ｊ１，）＝：书８毛．占（Ｙ，Ｙ）（１）Ｊ【１ｄ‘１’

△（ｎ，Ｂ）２，∈ｍｎｉｌ∈ｌ

ｒｆ（ｙ，ｙ）

（２）△（ｒ。，ｒｊ）＝ｄ（ｍ。，ｍ，）

（３）

式中Ｌ，ｒ，——两个聚类

Ｙ，ｙ——ｔ，Ｊ１，的样本

ｍ。，ｍ，——ｎ，Ｅ的特征向量

ｄ——所选的距离计算方法

比较最近距离法和最远距离法可知：采用最近距离法的聚类算法实际上是一个生成最小生成树的过程。其缺点在于，如果在两个各自密集的点集间存在一些位置靠近的点的路径时，就可能把本应分属于两个类的点集聚集成一个类；而最远距离法可看成是产生一个图韵过程，图中同一个类的结点都是用棱线联接起来的，即每个类构成一个完备子图．它对类中远离点的情况反映较为灵敏；均值距

竺—！！兰竺！塑

型！竺苎三望鱼塑竺翌竺堡竺竺皇塑窒竺堡竺堕望塑塑堡

竺

离的效果则介于上述二者之间。所以使用最远距离法，可以更好地按距离由远及近原则，实现对１２类故障典型样本逐级分离的目的。

在确定了相似性度量方法后，具体的分层聚类算法如下【６Ｊ：初始时设置一＝”，Ｖｉ∈ｊ，』＝；，／ｊ＝１，２，…，Ｎ｝。这里一是各个聚类集合，Ｎ是样本数，即初始时设每一个样本为一个类。

步骤ｌ

在集合｛ｒ，乃∈Ｊ｝中找到－－ｘ十满足

条件：△（ｒ，，ｎ）＝。ｍａ罩，Ａ（ｒ，，Ｂ）的聚类集合ｒ。，和ｎ。其中△（ｒ：，ｎ）是ｒ，和ｎ之间的相似性度量。

步骤２把一并入ｎ，并去掉Ｅ。

步骤３把ｉ从指标集Ｉ中除掉，若Ｉ的基数仅等于２时，则终止计算；否则转向步骤１。３．２变压器故障识别组合神经网络的建立

首先收集７６１例结论明确的故障，取Ｈ，、ｃＨ４、ＱＨ６、Ｃ２Ｈ４、ＱＨ２为特征气体。以各气体占总量的百分比为特征量，建立１２种故障的样本集，并将其按表１所示分成两组，分析中以５２９例的训练集为已知故障样本，以２３２例的检验集为未知待验样本。首先利用训练样本集考察样本问的相似性：求取各类故障样本的平均样本，以平均样本作为该类故障的典型代表，对其进行分层聚类，并以树形图的方式显示每一步被合并的类别。图１是对１２类故障的平均样本进行分层聚类的树形图。

筋

∞

蚓蛙：２

水ｔ叫

加

０

ｏ

放障代号

图１分层聚类的树形图

Ｆｉｇ．１

Ｔｒｅｅｏｆｈｉｅｒａｒｃｈｉｃａｌｄｕｓｔｅｒａｎａｌｙｓｉｓ

该图将各类之间的距离转换成０～２５间的数值，显示了一定距离水平下各类故障的聚集情况。从图中可见，首先由“油中气泡放电（Ｆ１１）”和“绝缘进水受潮（Ｆ１２）”组成的过渡类与其余故障组成的

万　

方数据过渡类问的距离最大（距离转换值为２５），其次，显示了另一个水平上的分离结果：Ｆ７、Ｆ９、Ｆ１０、Ｆ６、Ｆ８与Ｆ２、Ｆ３、Ｆ１、Ｆ５、Ｆ４；然后，依次类推；最后．得到了有关１２类故障相似性的信息。

依据这样的相似性信息，建立如图２的组合神经网络。其中各节点分别由一定的规则和反向传播（ＢＰ）神经网络构成。规则０为《电力变压器检修导则》规定的ＤＧＡ结果的“注意值”，用来判断变压器属于“正常老化”（Ａ０）还是“存在异常”。ＡＮＮｌ～ＡＮＮ３３２为ＢＰ网络，其特征量和分层聚类时的相同，经过独立的训练集的学习形成各自的规则。

图２变压器故障识别的组合神经网络

Ｆｉｇ．２

ＣｏｍｂｉｎａｔｏｒｉａｌＡＮＮｍｏｄｅｌｆｏｒｔｒａｎｓｆｏｒｍｅｒ

＾ｍｌｔｄｉａｇｎｏｓｉｓ

表２列出了组合神经网络对１２类变压器故障

的识别结果，同时也给出了利用单层ＢＰ网络的识别结果。比较两者可知：采用单层神经网络的正判率仅有３２％，而基于聚类分析的组合神经网络的判断正确率可达７５％，远较单神经网络模型为优，另外还发现通过组合网络识别故障的工作进行

（Ｆ１２）”，在组合网络的第二层进行区分时，识别４基于组合神经网络的变压器故障诊断

基本达到现场应用可以接受的水平。

到一定层次时，对于相近故障的识别率很难进一步提高。虽然采用将故障间特征量差异增大的方法可使问题有所改善，可是结合其他测试手段进行故障的综合判断才是弥补ＤＧＡ方法缺陷的更好途径。如对“油中气泡放电（Ｆ１１）”和“绝缘受潮率就较低，很难利用ＤＧＡ进一步提高识别率。如

电工技术学报

２００３年４月

果结合介质损耗因数、电容量以及绝缘电阻等电气试验的分析，此问题将很容易得到解决。

裹２单层隔络和组合网络对１２类故障的识别情况

Ｔａｂ．２

ＣｏｍｐａｒｉｓｏｎｏｆｔｈｅｄｉａｇｎｏｓｉｓｒｅｓｕｌｔｓｏｆｓｉｎｇｌｅＡＮＮｎｅｔｗｏｒｋａｎｄｃｏｍｂｉｎａｔｏｒｉａｌ

Ｆ２３６２０７３５１６８０

Ｆ３３４１５８５３１２８０

Ｆ１２３１２４３３９７５

Ｆ５７

Ｆ４２３１１３２７５６３

Ｆ１１１４１５５３３８５３

Ｆ１２１６８２２５５６３

Ｆ７７８３５２２６３２５７ｌ

Ｆ９１２９５３１０】９４６８７

Ｆ１０５７２６３】６２０７７

ＡＮＮ

Ｆ６９８２５７２８２１８４

Ｆ８１４６１１７４６７

故障代号训练样本检验样本

单层

网络

合计

５２９２３２７５３２１７５７５

６３５０４６７

正判数识别率（％）

正判数

识别率（％）

组合网络

一级正判辜（％）＝级正判事（％）

９４９１９８

９１８７５８６９９３９４

兰级正判辜（％）

９３９３８７８１７８７９９４８４９１７２

５结论

按照发生部位，本文将电力变压器故障划分为１２类。利用聚类方法分析故障的相似性，并依据此相似性构造组合神经网络，运用于变压器的故障识别。得到的结论和建议如下：

（１）分析了基于ＤＧＡ的故障诊断中不同故障空间划分方法的特点，重点讨论了按故障发生部位的划分方法及其意义。考察了常见故障变压器的油中溶解气体特点，对故障划分方式进行了必要的改进．将变压器故障划分为１２种类别。

（２）通过聚类分析提供有关故障特征气体空间划分方式的基本信息，以ＢＰ网络为基本单元模块，构造组合神经网络模型，进行变压器故障识别。组合网络的几何结构体现出故障在特征气体空间的聚集特点，使识别过程更加合理。组合网络克服了单层神经网络模型结构复杂和学习难于收敛等不足，也使故障分析的准确度大为提高。

（３）由于ＤＧＡ方法在变压器故障识别中存在

的一定局限性，充分了解该方法以及其他试验方法对不同故障的识别能力，开展故障的综合分析工作很有必要。

参考文献

１

ＩＥＣＰｕｂｌｉｃａｔｉｏｎ５９９．Ｉｎｔｅｒｐｒｅｔａｔｉｏｎｆｏｒｔｈｅａｎａｌｙ西ｓｏｆ

ｇａｓ．

∞ｉｎｔｒａｎｓｆｏｒｍｅｒｓａｎｄｏｔｈｅｒｏｉｌｎＵｅｄｅｌｅｃｔｒｉｃａｌｅｑｕｉｐｍｅｎｔｉｎｓｅｒｖｉｃｅ

１９７８

２中国电能成套设备总公司５００ｋＶ变压器质量情况汇

编北京：电力部电力科学研究院．１９９６

３电力部电力可靠性管理中心２２０ｋＶ及以上变压器可靠

性分析北京：电力部电力科学研究院，１９９６

４

ＥｓｐＤＧ

ａｎｄ

Ｃａｒｒｉｌｌｏ

ｄａｔａ

ＭＤａｔａｍｉｎｉｎｇ

ａｐｐｌｉｅｄ

ｔｏｔｒａｉｌｓ—

ｆｏｒｍｅｒ

ｏｉｌａｎａｌｙｓｉｓ

Ｃｏｎｆｅｒｅｎｃｅ

ｏｎ

ＲｅｃｏｒｄｏｆＥｌｅｅｔｒｉｃａｌ

ｔｈｅ１９９８Ｉｎｓｕｌａｔｉｏｎ

ＩＥＥＥＩｎｔｅｍａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍ

ＶｉｒｇｉｎｉａＵＳＡ，１９９８．１２－－１５

５孙辉，李卫东，孙启忠判断树方法用于变压器故障诊

断的研究中国电机工程学报，２００１．２１（２）：５０～５５

６边肇棋模式识别北京：清华大学出版社，１９８８

收稿日期２００２—１２—１０

（上接第１０４页）

４

５

Ａｃｃｕｒａｔｅ

ＮｏｖｏｓｅｌＤ，ＢａｃｈｍａｎＢ，ＨａｒｔＤ，ｅｔａ１．Ａｌｇｏｒｉｔｈｍｆｏｒ１０—

ｃａｒｉｎｇ

Ｓａｄｅｈ

Ｊ，ＨａｄｊｓａｉｄＮ．ＲａｎｊｂａｒＡＭ，“ａｌ

ｓｅｒｉｅｓ

ｆａｕｌｔｓ

ｏｎｓｅＴｉｅ８

ｃｏｍｐｅｎｓａｔｅｄｌｉｎｄ

ｌＥＥＥ

ｕｓｉｎｇ

ｎｅｕｒａｌｎｅｔ－

ｆａｕｈｅｌｏｃａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒ

ｓｉｏｎ

ｃｏｍｐｅｎｓａｔｅｄｔｒａｎｓｍｉｓ—

ｗｏｒｋ

ａｎｄｄｅｔｅｒｍｉｎｉｓｔｉｃｍｅｔｈｏｄｓ

Ｔｒａｎｓ．ｏｎＰＤ，

ＪｉｎｅｓＩＥＥＥＴｒａｎｓ

ｏＦ／ＰＤ，２０００；１５（３）：１０２７

１９９６；１１（４）：１７２８～１７３４收稿日期２００２一１２—１０

～１０３３

万方数据　

基于组合神经网络模型的电力变压器故障诊断方法

作者：作者单位：刊名：英文刊名：年，卷(期)：被引用次数：

刘娜， 高文胜， 谈克雄清华大学电机系,100084

电工技术学报

TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY2003,18(2)28次

参考文献(6条)

1.边肇祺 模式识别 1988

2.孙辉;李卫东;孙启忠 判断树方法用于变压器故障诊断的研究[期刊论文]-中国电机工程学报 2001(02)3.Esp D G;Carrillo M Data mining applied to transformer oil analysis data Conference Record of the1998 IEEE International Symposium on Electrical Insulation 19984.电力部电力可靠性管理中心 220kV及以上变压器可靠性分析 19965.中国电能成套设备总公司 500 Kv变压器质量情况汇编 1996

6.IEC Publication 599 Interpretation for the analysis of gases in transformers and other oil filledelectrical equipment in service 1978

本文读者也读过(4条)

1. 钱政.高文胜.尚勇.严璋 用可靠性数据分析及BP网络诊断变压器故障[期刊论文]-高电压技术1999(1)2. 魏鲁原.崔霞 基于神经网络的变压器故障诊断[会议论文]-2007

3. 李儒.秦涛.李天云.于海英 基于Elman神经网络与遗传算法的变压器故障诊断[会议论文]-2008

4. 张楠.徐建政.俞晓冬.臧宏志 基于粗糙集理论的变压器神经网络诊断方法[期刊论文]-高电压技术2003,29(11)

引证文献(30条)

1.王杉.苑津莎.张卫华 基于BP神经网络的变压器故障诊断[期刊论文]-黑龙江科技信息 2011(29)2.邹杰慧 基于新型编码隶属函数的变压器故障模糊诊断法[期刊论文]-电力自动化设备 2010(7)

3.汪德才.郑殿春.张连星.赵文君.王新月.赵大伟 基于支持向量机的电晕放电模式识别方法[期刊论文]-黑龙江电力 2010(6)

4.叶高生.李创.杨家然 BP神经网络改进IEC-60599在电力变压器故障诊断中的应用[期刊论文]-电气开关 2009(2)5.郑建柏.朱永利 基于欧氏聚类和支持向量机的变压器故障诊断[期刊论文]-电力科学与工程 2008(4)6.孔英会.苑津莎.李新叶.赵振兵 基于时序特征和参数估计的变压器故障诊断方法[期刊论文]-电工技术学报2008(12)

7.胡启飞.夏士雄.牛强 基于RS的提升机故障诊断规则获取方法[期刊论文]-微计算机信息 2008(34)8.李清泉.王伟.王晓龙 利用DGA-NN诊断油浸式电力变压器故障[期刊论文]-高电压技术 2007(8)9.曹丰文 基于支持向量机的变压器故障分类[期刊论文]-苏州市职业大学学报 2007(2)

10.DENG Hong-gui.CAO Jian.LUO An.XIA Xiang-yang Application of extension method to fault diagnosisof transformer[期刊论文]-中南工业大学学报（英文版） 2007(1)

11.荣命哲.王小华.刘定新.吴翊.杨飞 基于遗传算法和模糊逻辑的油浸式电力设备故障诊断方法[期刊论文]-中国电机工程学报 2006(z1)

12.董明.严璋.杨莉.M.D.Judd 基于证据推理的电力变压器故障诊断策略[期刊论文]-中国电机工程学报 2006(1)

13.犹登亮 基于分形特征的交联聚乙烯电缆局部放电模式识别研究[学位论文]硕士 2006

14.朱永利.吴立增.李雪玉 贝叶斯分类器与粗糙集相结合的变压器综合故障诊断[期刊论文]-中国电机工程学报2005(10)

15.梁永春.李彦明 改进型组合RBF神经网络的变压器故障诊断[期刊论文]-高电压技术 2005(9)

16.董立新 基于Internet的电力设备虚拟医院的电力变压器数据挖掘故障诊断研究[学位论文]博士 200517.邓宏贵 可拓理论与关联分析及其在变压器故障诊断中的应用[学位论文]博士 200518.郑殿春 基于BP网络的局部放电模式识别[学位论文]博士 200519.吴立增 变压器状态评估方法的研究[学位论文]博士 2005

20.鞠平.左英飞.文福拴.卫志农.马宏忠 电力系统健康诊断[期刊论文]-电力自动化设备 2004(6)

21.莫娟.王雪.董明.严璋 基于粗糙集理论的电力变压器故障诊断方法[期刊论文]-中国电机工程学报 2004(7)22.彭宁云.文习山.舒翔 模糊神经网络在变压器故障诊断中的应用[期刊论文]-高电压技术 2004(5)

23.章剑光.周浩.盛晔 基于RPROP神经网络算法的主变DGA故障诊断模型[期刊论文]-电力系统自动化 2004(14)24.王永强.律方成.李和明 基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法[期刊论文]-电工技术学报2004(12)

25.章剑光.周浩.项灿芳 基于 Super SAB神经网络算法的主变压器故障诊断模型[期刊论文]-电工技术学报2004(7)

26.章剑光 变电设备状态检修应用研究[学位论文]硕士 2004

27.彭宁云 基于DGA技术的变压器故障智能诊断系统研究[学位论文]博士 2004

28.何航卫.朱德恒 基于Internet的电力设备虚拟医院[期刊论文]-高电压技术 2003(10)29.刘娜 以可靠性为中心的电力变压器维修策略研究[学位论文]博士 2003

30.汪德才.郑殿春.张连星.赵文君.王新月.赵大伟 基于支持向量机的电晕放电模式识别方法[期刊论文]-黑龙江电力 2010(6)

本文链接：http://www.77cn.com.cn/Periodical_dgjsxb200302018.aspx