大型油浸式變壓器故障特征參量預處理及預測方法

　　油浸式變壓器毛病猜測過程中，可采用在線監測數據和離線實驗歷史數據對毛病特征量的發展趨勢進行猜測。由于油浸式變壓器運轉工況條件不同，毛病特征量的收集方法和精度也具有必定差異性，造成采用不同來源的數據進行毛病猜測時，即使毛病猜測模型不變，猜測成果也會有顯著不同。其底子原因是毛病猜測模型泛化能力較弱。

　　猜測模型泛化才能是指對不同樣本數據的適應才能。泛化才能強的猜測模型能夠針對不同來歷的同類樣本數據，在可接受的猜測精度范圍內，取得一致的猜測結果。

　　此外，油浸式變壓器缺點猜想面臨的問題是有參考價值的歷史數據缺少、數據據質量不高、往往存在反常數據、受季節性動搖影響及搜集時間間隔不等等問題，因而難以滿意多種猜想模型對樣本數據的要求。回歸分析模型、時間序列分析模型及人工神經網絡等一般需求許多的樣本數據進行缺點猜想，當樣本數據部分缺失或數量偏少時，猜想差錯較大，甚至難以實現缺點猜想。