基于改进FCM的变压器故障模糊分类方法

摘要

变压器油中溶解气体分析（DGA）是识别变压器的故障类型的一项重要技术，模糊聚类是一种有效的分析手段。但传统模糊聚类算法存在对随机初始化的聚类中心敏感、隶属度函数的有效度量范围较小使其容易陷入局部极值点的问题，因而实际分类效果不佳。针对传统FCM的不足，首先采用Canopy算法对DGA数据进行粗聚类，将其结果作为后续FCM聚类的初始聚类中心和最佳聚类数，降低了人为和随机初始化参数的主观性；然后通过引入负指数函数形式的相似度指标重构了FCM隶属度的迭代函数，降低了算法陷入局部极值点的可能性；最后通过对故障气体数据进行实例分析，验证了改进后的算法在识别变压器故障类别上的有效性和实用性。