[论文解读] Condition Monitoring of HV Bushings in the Presence of Missing Data Using Evolutionary Computing
本文提出使用遗传算法（GA）和粒子群优化（PSO）来估算高压（HV）套管中缺失的溶解气体分析（DGA）数据，以提升状态监测性能。GA在两项缺失变量的情况下准确率达到84%，优于PSO的66%，表明GA在基于IEEE C57.104、IEC 599和IEEE生产率方法进行套管状态分类时，具有更强的鲁棒性。
The work proposes the application of neural networks with particle swarm optimisation (PSO) and genetic algorithms (GA) to compensate for missing data in classifying high voltage bushings. The classification is done using DGA data from 60966 bushings based on IEEEc57.104, IEC599 and IEEE production rates methods for oil impregnated paper (OIP) bushings. PSO and GA were compared in terms of accuracy and computational efficiency. Both GA and PSO simulations were able to estimate missing data values to an average 95% accuracy when only one variable was missing. However PSO rapidly deteriorated to 66% accuracy with two variables missing simultaneously, compared to 84% for GA. The data estimated using GA was found to classify the conditions of bushings than the PSO.
研究动机与目标
- 解决高压套管状态监测中缺失溶解气体分析（DGA）数据的挑战。
- 评估进化计算技术——特别是遗传算法（GA）和粒子群优化（PSO）——在估算缺失DGA变量方面的有效性。
- 比较GA与PSO在高压套管分类中数据插补的准确性与计算效率。
- 通过插补的DGA数据提升油浸纸（OIP）套管状态分类的可靠性。
- 确定在不同缺失数据条件下，哪种进化算法能提供更准确且稳定的数据估计。
提出的方法
- 本研究采用与粒子群优化（PSO）和遗传算法（GA）集成的神经网络，以估算高压套管数据中缺失的DGA值。
- PSO与GA被用于优化60,966个油浸纸（OIP）套管数据集中缺失数据点的插补。
- 套管状态的分类采用基于标准的方法：IEEE C57.104、IEC 599和IEEE生产率方法。
- 通过将估算值与实际值对比来评估插补准确性，性能在一项和两项变量缺失的情况下进行测量。
- 使用插补后的数据训练神经网络模型以分类套管状态，准确率在不同缺失数据场景下进行评估。
- 比较GA与PSO的计算效率和收敛速度，以评估其在实际部署中的可行性。
实验结果
研究问题
- RQ1PSO与GA在高压套管中缺失DGA数据估算方面的准确率如何？
- RQ2当两项DGA变量同时缺失时，PSO与GA的性能如何下降？
- RQ3在高压套管状态分类中，PSO与GA哪一个能提供更可靠的插补数据？
- RQ4在缺失数据估算背景下，PSO与GA的计算效率差异是什么？
- RQ5由GA插补的数据是否能带来比PSO更高的套管状态分类准确率？
主要发现
- 当仅一项DGA变量缺失时，GA与PSO在估算缺失值方面的平均准确率均为95%。
- 当两项变量同时缺失时，PSO的准确率下降至66%，而GA保持84%的准确率，表明GA具有更强的鲁棒性。
- 使用GA估算的数据在套管状态分类中比PSO估算的数据更准确。
- GA在多项变量缺失的场景下表现出更好的稳定性和可靠性。
- PSO虽收敛更快，但随着缺失数据复杂度增加，性能下降明显，凸显了速度与准确率之间的权衡。
- 本研究证实，与PSO相比，GA更适合用于高压套管状态监测系统中缺失DGA数据的插补。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。