采用IEEE关键气体法与优化模糊逻辑的电力变压器故障诊断方法：基于溶解气体分析

arXiv cs.AI 论文
fuzzy-logic fault-diagnosis power-transformers dissolved-gas-analysis IEEE-key-gas-method predictive-maintenance

摘要

本文介绍了一种结合IEEE关键气体法与优化模糊逻辑的方法，用于利用溶解气体分析诊断电力变压器故障，在实验验证中实现了高达98.6%的准确率。

arXiv:2608.18133v1 公告类型：新 摘要：可靠的变压器故障诊断对于维持电力系统稳定性至关重要。IEEE关键气体法（KGM）是溶解气体分析（DGA）中广泛使用的方法，但在处理模糊数据和确保高诊断准确性方面存在局限性。本研究提出了一种结合模糊逻辑与IEEE关键气体法（FL-KGM）的增强模型，该模型引入了改进的隶属函数、优化的模糊规则集，以及一种新颖的CO和CO2分离方法以消除诊断不一致性。通过利用多维气体比率分析和自适应分类框架，FL-KGM提供了优越的故障识别和分类能力。使用真实世界数据集的实验验证表明，FL-KGM实现了高达98.6%的准确率，显著优于KGM和其他基于模糊逻辑的方法。这些发现阐明了FL-KGM在推进变压器监测、实现智能故障检测以及增强现代电力系统预测性维护策略方面的潜力。
查看原文
查看缓存全文

缓存时间: 2026/08/20 09:58 

# 基于IEEE关键气体法与优化模糊逻辑的变压器油中溶解气体分析故障诊断
来源：https://arxiv.org/abs/2608.18133
查看PDF (https://arxiv.org/pdf/2608.18133)

> 摘要：可靠的变压器故障诊断对维护电力系统稳定性至关重要。IEEE关键气体法作为油中溶解气体分析中广泛应用的方法，在处理模糊数据和确保高诊断精度方面存在局限性。本研究提出一种结合模糊逻辑与IEEE关键气体法的增强模型，该模型引入精细化隶属函数、优化模糊规则集，并创新性分离CO与CO₂以消除诊断不一致性。通过多维气体比值分析与自适应分类框架，FL-KGM模型实现了卓越的故障识别与分类能力。基于真实数据集的实验验证表明，FL-KGM模型准确率高达98.6%，显著优于传统关键气体法及其他模糊逻辑方法。研究结果阐明了FL-KGM模型在推动变压器监测技术发展、实现智能故障检测及提升现代电力系统预测性维护策略方面的应用潜力。

## 提交历史

来自：Huy Hoang Le \[查看邮件 (https://arxiv.org/show-email/bfba02a1/2608.18133)\] **\[版本1\]** 2026年7月28日 星期二 12:36:59 UTC \(976 KB\)

相似文章

用于定位 Grokking 相变的分布谱诊断方法

arXiv cs.LG

本文提出了一种分布谱诊断方法，用于在测试准确率上升之前定位 Transformer 模型中的 Grokking 相变。该方法利用经验分布和汉克尔动态模态分解（Hankel DMD）创建监测信号，以区分发生 Grokking 和未发生 Grokking 的训练运行。