变压器事故后的色谱分析

变压器油中溶解气体的色谱分析技术是当前监督变压器内部是否存在潜伏性故障、故障的严重程度和故障趋势的一种有效的状态监测手段.阐述变压器事故后两种检测方法,油中色谱分析法和电气试验法,提出把两种方法相结合可提高事故处理效率的想法,并通过对发生事故的两台110 kV变压器实例的检测,介绍诊断其内部是否存在故障及故障的性质和严重程度的步骤.重点分析如何利用溶解气体色谱分析法分析该变压器油中溶解气体的成份、特征气体含量、变化趋势及三比值的方法,进行故障识别、故障类型和状况诊断、故障部位估算.     

改进的小波神经网络在变压器故障诊断中的应用

为提高变压器油溶解气体分析法的故障诊断能力,以变压器油溶解气体作为研究对象,提出了加动量批处理小波神经网络算法。选取200组油溶解气体含量作为故障识别样本,通过多输入/多输出模式小波神经网络模型的构造,对训练过程和仿真结果进行对比分析。实验结果表明,改进的小波神经网络算法故障检测符合率高达95%,较传统的检测算法提升十几个百分点,从而极大的提高了故障诊断效率,实用性较好。     

基于谱聚类集成的变压器在线故障诊断

为了提高基于油中溶解气体分析技术(DGA)的变压器故障诊断准确率,本文提出了一种基于谱聚类集成的变压器在线故障诊断(TOFD-SCE)方法.以加权二次抽样算法抽取样本、构建基础谱聚类的样本集,以基础谱聚类学习问题的局部知识;平衡多样性与正确性选择集成成员;集成多个成员谱聚类的结果来提高变压器故障诊断的准确率.传统变压器故障诊断方法基于历史数据建立模型,缺乏在线学习的能力;TOFD-SCE利用历史与在线新增两种DGA数据来训练、修正模型,提高了其故障诊断的准确率.对SSP300000/500型变压器的故障诊断实验结果表明:TOFD-SCE的准确率优于IEC三比值法、BP神经网络法及支持向量机法,验证了其有效性.     

基于RS优化的电力变压器故障诊断方法

针对现有的故障诊断技术应用在电力变压器故障诊断中存在的冗余信息过多,诊断结果不准确等问题将粗糙集理论与概率神经网络相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再经概率神经网络进行故障模式分类,可简化故障诊断网络规模,且相比于单一的概率神经网络的诊断方法,能够更精确地诊断出变压器故障类型,其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。     

基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。     

基于特征优选和HHO-SVM的变压器故障识别

在油中溶解气体的分析方法的研究中,不同故障类型下,各气体所体现的故障特征存在细微的区别。依次对不同故障的数据提取特征,能够补充和完善变压器故障特征的表征。数据集包括5种气体含量比值和三比值数集,将其拆分为6种不同故障类型的子集,利用核主元分析每一种故障类型的主元特征量,综合所有故障特征量,通过哈里斯鹰搜索算法,优化SVM模型进行故障识别验证,准确率为94.1%。实例结果表明,该方法保留了不同的故障类型的特征差异,提升了特征样本集的可分性。     

变压器油溶解气的激光光声光谱分析

变压器油中溶解气分析能够预防变压器故障的发生。激光光声光谱检测技术具有灵敏度高、抗干扰能力强等优点,用于变压器油中溶解气分析的前景广阔。本文利用激光光声光谱检测系统,分别对C2H2、CO2及C2H2/CO2混合气体进行了检测,单一气体的检测极限灵敏度分别达到了12 ppb和36 ppm。通过自制高压脉冲发生器模拟变压器放电故障,并利用顶空油气分离装置,对变压器放电故障的特征气体C2H2的产气量进行了测量。     

变压器中微弱信号光声光谱检测系统的设计

变压器是电力系统中的核心器件,对变压器油中溶解气体进行分析可以发现存在的早期故障,研究并设计了一套用于变压器油中溶解气体在线检测的光声光谱系统,主要在数字信号处理系统的设计中,引入了微弱信号的混沌检测和互相关处理方法,有效地提取了低信噪比的周期信号。最后,对系统进行了浓度标定,并针对变压器中主要故障气体进行了准确 性、稳定性等实验。实验表明,系统检测精度达到了４.２５％,在变压器油中溶解气体检测方面有一定应用价值。     

变压器油中溶解气体的在线监测系统研究

为了提高变压器油中溶解气体分析技术进行故障诊断的快捷性,文章开发了一套主要监测氢气H2和乙炔C2H2的在线监测系统。用Φ6管道通过变压器预留口采集绝缘油,再通过油气分离膜分离出气体。采用电化学传感器SGA-400进行气体数据采集,在现场检测装置上进行阈值判断,同时,通过RS485总线传至上位机,进一步诊断故障类型。系统装置结构简单,故障诊断及时,分辨率高。     

基于进化神经网络的电力变压器故障诊断

提出了基于进化神经网络（ENNs）的电力变压器故障诊断方法。基于文中所提算法,ENNs能自动调整神经网络的网络参数以达到最佳模型。应用进化算法的全局搜索能力和神经网络的高度非线性映射性质,ENNs可以识别变压器油中溶解气体含量和相应故障类型之间的复杂关系。文中所提的ENNs以某电力公司的诊断记录为依据进行测试,并与模糊诊断系统、人工神经网络和传统方法进行对比。测试结果证明ENNs比现有的方法更能准确诊断故障,所需学习时间更少。     

气相色谱技术在变压器故障分析中的应用

在电力系统中,变压器是其最重要的核心设备,由于变压器自身独特的构造,当发生故障时,不易对其故障进行分析,而气相色谱技术是当前用于分析变压器故障的重要方法,可以通过对变压器油中溶解的气体进行检测,从而找出变压器故障的重要方法。本文对气相色谱技术在变压器故障分析中的应用进行具体的分析。     

变压器油色谱分析及其应用的研究

在现代科学技术不断进步与发展的过程中,油中溶解气体分离技术能够有效地在检测变压器的故障,延长变压器的使用寿命,确保变压器运行的稳定与安全等方面起到良好的作用。通过对变压器油的色谱进行分析,可以预判它所潜在的故障与威胁。本文主要是对变压器油的色谱进行科学研究,并探讨它的实际应用情况。     

变压器油色谱分析及其应用的研究

在现代科学技术不断进步与发展的过程中,油中溶解气体分离技术能够有效地在检测变压器的故障,延长变压器的使用寿命,确保变压器运行的稳定与安全等方面起到良好的作用。通过对变压器油的色谱进行分析,可以预判它所潜在的故障与威胁。本文主要是对变压器油的色谱进行科学研究,并探讨它的实际应用情况。     

基于在线监测技术发现的一起变压器内部故障的分析及处理

通过油中溶解气体在线监测装置发现变压器内部故障,利用色谱分析试验结合高压电气试验对故障性质及故障点进行分析判断,并对故障进行了及时的处理,避免了一起主设备重大事故的发生。     

绝缘油色谱产气速率分析

变压器是电网的重要设备,变压器油的色谱分析是判断变压器运行状态的重要检测方法,本文简述了变压器油分析的原理及变压器油中溶解气体成分含量和溶解气体产气速率对了解变压器运行状态的作用。     

基于优化极限学习机的变压器故障诊断方法研究

电力变压器的智能故障诊断是推动智能电网发展的主要环节,但传统的单一智能诊断算法无法有效处理变压器大量不完整的故障信息,导致故障诊断准确率低。因此,结合溶解气体分析(DGA)技术,本文提出了一种基于灰狼优化算法优化的混合核极限学习机的变压器故障诊断方法。首先,根据Mercer定理,结合局部径向基核函数和全局多项式核函数,构建了混合核极限学习机模型。其次,可以通过灰狼优化算法对混合核函数的参数进行优化。最后结合实际数据对6种变压器故障数据进行了诊断,诊断准确率为90.02%（普通神经网络仅为77.8%）。此相比如传统的神经网络具有较高的诊断精度。应用混合核函数可以提高KELM的学习能力和泛化能力,以至于提高诊断精度。     

基于HHT和概率神经网络的变压器局部放电故障识别

为解决传统傅里叶变换和小波分解对变压器局部放电信号非平稳性的分析缺陷,以及BP神经网络易陷入局部极小点等问题,提出一种基于希尔伯特能量聚类和概率神经网络的变压器局部放电识别算法。算法利用希尔伯特-黄变换提取局部放电信号的希尔伯特能量谱,然后进行指数族聚类计算获得特征值,最后利用概率神经网络进行分类识别。分别对油中悬浮放电、沿面放电等放电类型进行模拟实验,并用此算法进行分析,实验结果表明,该算法所提取的特征值有较高的可分性,且分类识别率高,可以有效地识别变压器局部放电故障类型。     

基于随机森林的变压器故障检测方法的研究

研究变压器的故障检测对电力系统安全稳定运行具有重大意义,对油中溶解的各特征气体含量建立决策器进行分析是变压器故障检测的重要方法,针对单棵决策树的分类效果不良,抗干扰能力差,提出了利用随机森林的方法建立组合分类器模型进行故障分类,该组合分类器精确度高、稳定性强且不会出现过拟合现象,从而使发生的故障能得到更及时有效的诊断,进一步保障变压器的正常运行。     

极端气象条件下基于深度学习网络特征的变压器故障预测

根据极端气象条件下变压器产生故障时的环境参数,结合变压器故障预测中常用的油中溶解气体的含量,提出一种基于深度学习网络的故障预测方法。针对已有的变压器故障诊断方法泛化能力弱、时效性低、精度低等缺点,引入极端气象参数,并通过对多组数据序列进行时因分析,提取数据随着时间的变化关系;其次,设计一种新型的神经网络,将油气参数与极端气象参数的时间特征融合,并通过深度学习网络进行故障分类与预测。仿真实验结果表明,相比于其他传统故障预测方法,所提出的极端气象条件下基于深度学习网络的变压器故障预测方法准确率有显著提高。     

关于变压器故障诊断中油中溶解气体色谱分析技术的有效运用研究

近些年来,我国的工业科技得到了快速的发展.在电力行业的输变电系统中,变压器是十分重要的设备,电力系统质量的高低直接由变压器的优劣决定.为确保整个供电网络运行正常,必须正确判断变压器的运行状态,及时反映变压器的故障.在分析变压器的运行状态时,运用油中溶解气体色谱分析技术,通过总结和分析色谱数据的变化规律来判断和检测变压器的潜在故障.