大型油浸式变压器故障特征参量预处理及预测方法

　　油浸式变压器毛病猜测过程中，可采用在线监测数据和离线实验历史数据对毛病特征量的发展趋势进行猜测。由于油浸式变压器运转工况条件不同，毛病特征量的收集方法和精度也具有必定差异性，造成采用不同来源的数据进行毛病猜测时，即使毛病猜测模型不变，猜测成果也会有显著不同。其底子原因是毛病猜测模型泛化能力较弱。

　　猜测模型泛化才能是指对不同样本数据的适应才能。泛化才能强的猜测模型能够针对不同来历的同类样本数据，在可接受的猜测精度范围内，取得一致的猜测结果。

　　此外，油浸式变压器缺点猜想面临的问题是有参考价值的历史数据缺少、数据据质量不高、往往存在反常数据、受季节性动摇影响及搜集时间间隔不等等问题，因而难以满意多种猜想模型对样本数据的要求。回归分析模型、时间序列分析模型及人工神经网络等一般需求许多的样本数据进行缺点猜想，当样本数据部分缺失或数量偏少时，猜想差错较大，甚至难以实现缺点猜想。