变压器油色谱分析与故障诊断

变压器作为电力设备工作运行的重要基础设备,其实际运行状态直接关系到电力系统运行的可靠性和安全性。文章主要对变压器油色谱分析与故障诊断进行了探究,旨在借助色谱分析方法对变压器故障进行诊断,以此提高变压器日常运行的安全可靠性,为电力系统平稳运行奠定坚实的基础。     

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.     

电力变压器状态评估及故障诊断方法的应用研究

在电网的运行当中,变压器一直是其重要的组成部分.若想使电力系统在稳固运行中得到进步,就要对变压器进行有效的管理.本文针对电力变压器的状态评估现状,对其故障诊断方式进行研究.     

基于多维参量关联分析的变压器故障诊断算法研究

针对目前变压器的智能故障诊断技术精确度低、耗时长且仍需现场确认等问题,提出了一种改进的变压器故障诊断算法。该算法构建了变压器故障诊断的多维参量关联分析体系,包括局放数据、振动传感器数据及油色谱数据共三个维度参量。利用深度置信网络（DBN）对不同来源数据进行分析处理,完成多维参量特征的同步提取。采用基于改进DS证据理论的融合决策方法,实现对多维参量特征的关联分析与决策,并获得异常变压器的远程故障诊断结果。基于山东电网某变压器的真实运行数据展开算法性能测试的结果表明,与基于BP神经网络和传统DS证据理论的故障诊断算法相比,文中算法能够融合多维数据特征,从而有效提高变压器远程故障诊断的准确率。     

基于SVM的纠错编码多分类算法的研究与应用

为了提高变压器故障诊断的准确率,提出了一种基于纠错编码和支持向量机相结合的多分类算法,根据SVM理论建立变压器故障诊断数学模型,首先基于纠错编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的分类准确率。最后把变压器油中溶解气体(DGA)作为纠错编码支持向量机的训练以及测试样本,实现变压器的故障诊断,同时用UCI数据对该算法进行验证。通过VS2008和Libsvm相结合对其进行验证,结果表明该方法具有很高的分类精度。     

智能诊断方法在电力变压器故障识别中的应用研究

随着人工智能技术不断发展,很多学者把传统DGA方法和智能算法相结合实现对电力变压器的故障诊断,采用DGA技术诊断电压器故障提高了诊断精准度。文章通过对智能诊断方法进行研究,在一定程度上可以避免变压器发展工作故障,确保变压器能正常运行,并且保证供电稳定,为大型电网建设奠定基础。变压器经过长时间运行,容易引发故障,精准识别变压器故障可以减低变压器故障发生率,通过对变压器引发故障的原因进行分析,结合科学的诊断方法,通过构建贝叶斯模型,改变传统识别方法,结合人工智能网络技术,构建智能诊断模型,提高识别准确率,并提供新型的诊断思路,通过分析故障原因,提高实时在线电力变压器故障诊断精准率。     

The Research and Appliaction of the Multi-classification Algorithm of Error-Correcting Codes Based on Support Vector Machine

为了提高变压器故障诊断的准确率,提出了一种基于纠错编码和支持向量机相结合的多分类算法,根据SVM理论建立变压器故障诊断数学模型,首先基于纠错编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的分类准确率。最后把变压器油中溶解气体（DGA）作为纠错编码支持向量机的训练以及测试样本,实现变压器的故障诊断,同时用UCI数据对该算法进行验证。通过VS2008和Libsvm相结合对其进行验证,结果表明该方法具有很高的分类精度。     

小波分析在变压器故障诊断中的应用

作为最为重要的设备之一,变压器在电力系统中的作用是十分重要的,如果发生故障,不仅会威胁到电网系统的安全,还会导致安全事件的发生。对于变压器的故障检测和健康水平测试,传统方式由于检测周期一般比较长,会给电力系统的稳定运行带来不便。所以有必要发展变压器在线监测系统,及时发现变压器故障,减少事故的发生。本文研究了利用小波分析技术在变压器故障诊断中的应用,主要考虑变压器局部放电情况,实验结果发现,利用小波分析技术对变压器的在线故障诊断的策略是有效的。     

基于优化支持向量机参数的变压器故障诊断

电力变压器是电力系统输变电的枢纽设备,为了提高电力变压器故障诊断的准确性,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力。首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够正确的分类变压器故障,从而达到故障诊断的目的。     

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。     

基于人工免疫算法的变压器故障诊断

针对变压器故障各种诊断方法的优缺点,人工免疫作为一种新的有效故障诊断方法,因其自身的独有特性,可用于解决故障诊断中难以解决的一些特殊问题,为解决变压器故障诊断问题提供了新的思路。通过标准数据集对免疫网络的Matlab实验,表明该算法有较高的分类准确率。     

继电保护技术在变压器故障中的改进措施

电力变压器是电网的重要组成部分同时也是电力结构的关键节点,变压器的正常稳定运行是在整个电力系统运行的关键,会直接影响电力系统的安全运营,在现代电力网络系统中通常采用继电保护技术对变压器实施相关保护工作,这也给变压器的继电保护工作提出了一定的要求,本文根据电力变压器继电保护工作中常见的问题,提出了优化电力变压器继电保护措施,提高变压器继电保护运行水平的措施和方法.     

基于边缘计算的变压器光声光谱故障诊断系统研究

针对变压器故障诊断的气相色谱法需要定期标定、操作繁琐、检测周期长的问题,基于光声光谱检测传感器能够实现变压器油中溶解气体的非接触式测量,具有免标定、检测速度快、灵敏度高的特点。研制了光声光谱边缘检测装置,能够接入光声光谱检测传感器并在边缘侧运行基于SVM的变压器故障诊断算法,实现变压器的实时状态监测与故障诊断。构建了适用于变压器故障诊断的边云协同服务,并进行了应用验证。该系统提高了变压器故障诊断的智能化水平,提升了变压器运维的质量和效率,具有良好的推广和应用价值。     

浅谈变电设备在线监测技术与状态检修

在电力系统自动化建设过程中,我国对电能的稳定性提出了更多、更高的要求.在电力系统中,变压器是非常重要机制设备,我国电力系统提出了越来越高的要求.电力系统要想保持可持续发展,必须采用智能化故障诊断方法和在线监测技术.通过运用变电设备在线监测技术与状态检修,能够使变电设备运行状态变得更为稳定和安全,有助于变电设备应用时间的延长,提高变电设备的工作效率.因此,本文对变电设备在线监测技术与状态检修进行研究,具有重要意义.     

变压器运行过程异常现象的检修与维护策略分析

在整个电力系统运行时,常会出现各种各样的问题,导致电力系统出现各种故障,因而为了使得变压器能够更安全稳定的运行,则需要明确变压器在运行过程中可能出现的异常现象,并且明确其维护策略.本文主要对变压器运行过程中主要检查要点以及变压器在运行时出现的异常问题进行了分析,并提出了相应的应对措施,以便保障电力系统的安全运行.     

在大型油浸式电力变压器故障诊断中信息融合技术的应用

根据变压器运行原理和结构特点，将信息融合思想引入到变压器的故障诊断中，建立基于信息融合技术的故障诊断模式，即通过曲面拟合算法和证据推理技术从不同侧面，充分利用各种特征信息对变压器的故障进行诊断，来有效地提高确诊率。     

基于深度学习模型的电力变压器故障声音诊断方法研究

利用声音信号对电力变压器进行故障诊断是一种不停机的设备维护方法,可以诊断变压器故障类型或预测故障产生的时间。声音诊断相对于其他诊断方式有许多优点,但是传统的声音自动诊断方法识别率不够理想。为了探索深度学习技术在声音故障诊断方面的可行性,本文采集了真实变压器在正常状态、老化和放电两种故障运行状态下发出的声音信号,对信号分别进行了声谱图转换和梅尔对数谱图的转换,输入一种高效轻量级卷积神经网络--Mobile Net深度学习模型中开展了训练。训练结果表明,将卷积神经网络应用在变压器故障声音诊断上能够得到较高的准确率,尤其是采用梅尔对数谱图对三种状态下识别准确率均能达到99%以上,而采用声谱图进行训练对放电类型的故障识别率较高,老化故障识别率不够理想。     

基于参数优化支持向量机的矿用变压器故障诊断

支持向量机（Support Vector Machines,SVM）理论在变压器故障诊断中得到了越来越多的应用,由于变压器故障数据有限,在参数的优化选择方面还存在理论支持问题。为及时监测矿用变压器潜伏性故障和提高故障诊断效率,根据支持向量机原理,采用变压器故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的浓度数据,本文提出了支持向量机的参数和参数的交叉验证算法,寻找最佳的参数和参数,利用优化后的参数对训练集进行训练,最终得到最佳的支持向量机模型,并对测试集进行分类,从而诊断出矿用变压器的故障类型。实例研究结果表明,该方法可行,具有较高的故障诊断准确率。     

电力变压器高压试验技术分析

电力变压器对电力系统来说有着非常重要的作用,而且在电力系统中普遍都会应用到,主要通过电力变压器的高压试验对电力系统运行进行检验,保障着电力系统的正常运行,目前由于人们的对电力的需求不断的增加,电力系统是否能够安全正常的运行是人们比较关注的一个问题。本文主要对电力变压器的高压试验技术进行具体的分析。     

电力变压器冷却器运行故障处理技术探讨

变压器是整个电力系统的"心脏",变压器能否正常的运行是保证电力系统安全稳定运行的关键因素.