电力变压器油中溶解气体在线监测技术

介绍了变压器油中溶解气体在线监测装置的基本组成以及油中溶解气体在线监测技术判断变压器内部故障的判据,同时介绍了油气监测装置存在的问题.     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

变压器油中溶解气体的在线监测技术

介绍了变压器油中溶解气体在线监测技术的应用与研究现状,分析比较了现有的油中溶解气体在线监测技术。     

便携式变压器油中溶解气体色谱分析装置的研制

介绍了一种便携式变压器油中溶解气体分析装置的工作原理及其研制过程。     

小论变压器油中溶解气体在线监测技术

以Dog-1000型油中溶解气体在线监测装置为例,对油中溶解气体在线监测技术进行了系统介绍。     

变压器油中溶解气体含量在线监测技术综述

综述了国内外变压器油中溶解气体含量在线监测技术,并进行了展望。     

关于变压器油中溶解气体在线监测的综述

综述了国内外变压器油中气体在线监测的发展状况,并指出了存在问题,提出了改进意见.     

关于变压器油中溶解气体在线监测的综述

分析油中溶解气体能提前预报变压器等充油电气设备的内部故障。因此,近年来发展了油中溶解气体的在线监测,用以随时监视这些设备的运行状况,对保障充油电气设备的安全运行起到积极作用。文章综述了国内外的发展状况,并指出了存在问题和改进意见。     

变压器油中溶解气体色谱分析的改进

通过对变压器油中溶解气体色谱分析,判断其存在问题及缺陷原因,实施用大口径毛细柱进行变压器油中溶解气体分析,取得较好效果。     

变压器油中溶解气体的在线监测技术评述

油中溶解气体在线监测是获取变压器运行状态的重要手段之一.该文在概括变压器油中溶解气体在线监测技术一般方法的基础上,从油气分离和气体在线检测两个方面对其研究现状及工程应用进行了回顾.通过对多种油气分离技术的分析比较,认为薄膜透气法具有良好的性价比,更适合于变压器油中溶解气体在线监测.通过分析现有气体在线检测技术原理及特点,阐述了色谱柱和气体传感器阵列技术的不足在于消耗气样、长期稳定性差、交叉敏感等;对傅立叶红外光谱与光声光谱技术的比较表明,光声光谱在气体检测量、检测灵敏度等方面更有优势,其在油中溶解气体在线监测中具有良好的应用前景.     

基于随机森林的变压器油中溶解气体浓度预测

对油中溶解气体浓度进行分析及发展趋势预测,可以为变压器的状态评估提供重要的依据。传统的离线DGA方法因易导致延迟判断变压器的运行状态,造成一定的经济损失,现已不适用于油中溶解气体浓度分析及预测。因此,提出一种基于随机森林的变压器油中溶解气体浓度预测模型,以更准确地分析与预测油中溶解气体浓度。该模型以7种气体浓度构成特征向量空间,作为可视输入,并以目标气体浓度作为输出。试验结果表明,相较于传统的机器学习方法(BPNN、RBF和SVM),随机森林模型能更准确地预测油中溶解气体浓度,且需要调整参数少、训练效率高。通过算例分析,验证了该方法的有效性。     

变压器油中溶解气体在线监测系统的应用

介绍了基于燃料电池技术的变压器油中溶解气体在线监测系统的原理,组成及其在深圳供电局的实际情况。     

变压器油中溶解气体在线监测方法

介绍了一种在线检测的方法,实时分析油中溶解气体的含量,对现场油气分离、气体检测、数据处理、自动控制、数据远程传输等关键技术的研究方法进行了介绍。     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。     

Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm

Forecasting of dissolved gases content in power transformer oil is very significant to detect incipient failures of transformer early and ensure hassle free operation of entire power system. Forecasting of dissolved gases content in power transformer oil is a complicated problem due to its nonlinearity and the small quantity of training data. Support vector machine (SVM) has been successfully employed to solve regression problem of nonlinearity and small sample. However, SVM has rarely been applied to forecast dissolved gases content in power transformer oil. In this study, support vector machine with genetic algorithm (SVMG) is proposed to forecast dissolved gases content in power transformer oil, among which genetic algorithm (GA) is used to determine free parameters of support vector machine. The experimental data from several electric power companies in China is used to illustrate the performance of proposed SVMG model. The experimental results indicate that the proposed SVMG model can achieve greater forecasting accuracy than grey model (GM) under the circumstances of small sample. Consequently, the SVMG model is a proper alternative for forecasting dissolved gases content in power transformer oil.     

基于溶解气体分析的电力变压器在线监测与诊断技术

油中溶解气体分析是评估变压器绝缘状态和分析变压器绝缘故障的重要依据。在介绍基于油中溶解气体分析的变压器在线监测与诊断技术原理的基础上,进一步总结了当前在线监测与诊断系统的研究现状及存在的问题:系统主要是在线监测油中气体成分及超阈值报警,而对故障性质、种类、定位及发展趋势预测等诊断尚不具备或很不完备,故障诊断需靠离线分析;因缺乏相应的理论指导,在线监测数据在正常情况下应满足的规律还很模糊,装置自身的精确度不能保证。对今后的研究提出了展望,指出如何通过对在线数据的挖掘找到变压器故障诊断的相应理论依据是进一步研究的核心。     

基于最大信息系数的变压器过热故障特征选择

改良三比值法只关注若干个气体浓度比值,信息利用不充分,而且气体浓度的随机误差对故障诊断结果有影响,因此文中将变压器故障特征气体扩充为单种气体增长率、多种气体比值和相对浓度等62个故障特征,通过具有稳健性的最大信息系数提取与变压器故障状态相关度高的故障特征。同时为了避免筛选特征之间的冗余性,采用相关系数筛选冗余性小的特征组合,并采用距离相关系数和多种分类器进行检验。结果表明与油中溶解气体相比,筛选特征集合与变压器过热故障状态联系更加紧密,且针对过热故障类型的诊断精度,筛选特征集合在样本类别不平衡时性能更优,突破了单一分类器性能上限。     

基于SDS-SSA-LSTM的变压器油中溶解气体浓度预测

油中溶解气体浓度预测对变压器早期故障检测至关重要。为了提高预测精度,本文提出了奇异谱分析(SSA)结合长短期记忆网络(LSTM)的预测模型。首先针对传统序列分解做法中的数据泄露问题,提出一种基于SSA逐步分解的采样策略,然后基于该策略将特征复杂的原始油中溶解气体浓度序列分解为特征相对单一的趋势分量与波动分量,最后利用LSTM网络对各个分量分别进行单步和多步预测。累加各分量的预测值,得到原气体浓度的预测结果。算例表明,相较于单一LSTM,本文所提模型在实验天数内整体的预测精度更高。     

基于BI-GRU改进的Seq2Seq网络的变压器油中溶解气体浓度预测方法

基于门控循环单元(GRU)构建双向多层门控循环单元,并引入编码器-解码器结构搭建Seq2Seq网络模型,通过优化神经元及神经网络结构提取时序数据依赖关系.同时引入注意力机制和Scheduled Sampling算法,自动获取与当前时刻预测输出显著相关的关键输入时间点,提高长时间预测的精度.变压器正常运行状态下的气体浓度...     

基于油中溶解气体特征量筛选的变压器故障诊断方法

油中溶解气体分析对变压器故障预警及诊断具有重要意义。针对油中溶解气体特征量种类众多、故障关联特征分析不足等问题,文中以油浸式变压器为研究对象,提出了基于油中溶解气体特征量筛选的变压器故障诊断方法。首先,对油中溶解气体的原始特征量进行特征衍生,通过随机森林(random forest, RF)计算特征量对故障诊断的重要度,筛选得到最佳特征组合。其次,采用树结构概率密度估计(tree-structured parzen estimator, TPE)实现RF模型的参数寻优,并形成TPE-RF诊断模型。同时,结合多种评价指标,证明所提方法能够对变压器作出准确的故障诊断。最后,提出TreeSAHP模型分析特征量对各故障的重要度,优选出各故障关联的主要特征量,并根据变压器运行案例,探讨了该方法在电力行业现场应用中的适用性,验证了该方法的有效性。