换流变压器网侧高压套管绝缘在线监测系统的设计与应用

针对换流变压器网侧高压套管离线油色谱检测存在诊断不及时、数据不连续的缺点,导致无法及时发现套管内部故障的问题,提出一种网侧高压套管绝缘在线监测方法,现场应用表明：换流变压器网侧套管绝缘在线监测通过采集套管末屏的泄漏电流来反映套管的运行状态,实现了网侧高压套管的在线诊断及故障预警。     

基于超声波法的变压器重症监护系统研制及应用

变压器局部放电超声波检测技术作为一种有效的绝缘诊断技术,目前已在超特高压变电站变压器故障诊断中广泛应用。借鉴重症监护医学领域技术,研制了基于超声波法的变压器重症监护系统,并应用于存在故障隐患或危急停运的变压器设备上。该系统以变压器局部放电超声波信号特征量为基础,结合现有的在线或离线特征量,如油色谱在线监测、数据采集与监视控制(SCADA)运行负荷等实时数据,采用数据融合的方法综合分析,实时检测并准确定位局部放电源。现场应用情况表明,该系统能够有效检测变压器内部放电性故障,为变压器状态诊断及检修策略的制定提供有效支撑。     

500kV变压器多维状态监测与故障诊断

为提升变压器故障诊断水平并有效实现状态检修,通过一起500 kV主变压器内部潜伏性故障案例介绍了利用多种在线监测、离线检测等手段与故障诊断方法快速准确查找出变压器故障原因及位置。它通过采用油色谱检测、变压器振动及声音检测、容性设备在线监测、变压器局部放电检测、带电测试等多维状态监测技术开展变压器状态评价及故障诊断,并帮助实现对主变压器内部故障的准确定位和制定状态检修策略。该主变在通过状态监测及故障诊断后实现隐患故障快速准确定位,并通过紧急处理重新恢复正常运行状态,从而避免一起重大设备事故发生。结果表明,应用变压器油溶解气体色谱分析检测技术,可通过排除法准确地判断变压器故障性质和严重程度,它是早期发现变压器潜伏性故障特别有效的方法。同时,采用基于交叉小波的变压器振动信号特征量提取方法分析评价结果表明,变压器铁芯发生接地故障后其振动信号存在大量50 Hz谐波分量。借助振动及声音检测技术,能够有助于变压器故障诊断及准确定位,提高设备状态检修效率。     

基于模型与模糊Petri网融合的高铁牵引变压器故障诊断

针对基于模型诊断方法(Model-based Diagnosis,MBD)存在的处理不确定性和组件间的关联关系方面的问题,基于互补融合的思想,将模糊Petri网与MBD有机结合在一起,提出了一种高速铁路牵引变压器外部故障和内部故障诊断的新方法。建立牵引变压器结构和功能的两层模型,通过离线搜索最小冲突候选集和在线识别最小冲突集,实现牵引变压器的外部故障诊断。对于内部故障的诊断, 采用MBD进行牵引变压器故障元件定位,利用模糊Petri网进行区域知识表示,推理实现内部故障类型诊断。以武广高速三相V/x接线牵引变压器故障数据为实例进行分析,诊断结果验证了MBD与模糊Petri网融合的牵引变压器故障诊断方法的可行性和有效性。     

变压器故障诊断中信息融合技术的应用

电力变压器的可靠性直接影响供电的稳定,为此结合电力变压器故障诊断的具体情况,从信息融合的角度提出了基于信号类型及不同特征向量组合的集成诊断模型。该模型利用基于故障机理内在因素的专家系统,采用匹配知识规则,通过模糊推理,得特征向量与变压器故障信息间的关联性质,完成故障诊断,且诊断完成后,利用数据挖掘技术将诊断过程中的特征量、推理过程、结果以编码形式存入专家系统规则库。该模型将油中溶解气体、电气参数等特征量结合作为故障判据,评估变压器状态,并利用评估结果丰富专家系统的规则库。在讨论了多传感器信息融合技术用于变压器在线故障诊断时的具体实现方法后通过实例进行分析说明:利用来自传感器的各种故障信息进行融合,作为变压器故障诊断的判据,提高了诊断的可靠性和准确性,这将对提高电网安全性能及电气设备的诊断自动化与智能化水平起到推动作用。     

WRSR与改进朴素贝叶斯融合的变压器故障诊断技术研究

电力变压器的运行状态评估及其故障准确定位,一直是制约电网运行安全和设备运维效率的技术瓶颈。建立一种基于加权秩和比(Weighted Rank Sum Ratio, WRSR)并结合改进朴素贝叶斯网络的诊断模型,用以评估电力变压器整体运行状态,确定故障位置及具体故障类型。首先从多个变电站收集变压器的历年故障数据,并将其作为训练集,在改进朴素贝叶斯网络中建立起特征参量与故障位置、故障类型之间的非线性映射关系。结合某电网的具体变压器运行状态信息与检测数据,利用WRSR模型对具体变压器整体运行状态进行评价,然后将状态性能较差的变压器故障检测数据作为测试集代入至改进朴素贝叶斯网络中来预测故障位置。最终结果表明,所提模型能够实现对电力变压器状态的合理评价,又可在预测故障部位及故障类型时保持较高的准确率。     

基于信息融合的变压器故障多级诊断方法

建立了基于信息融合的变压器故障多级诊断模型,该模型融合了在线监测、油中溶解气体、电气试验等多源数据信息。采用自适应遗传算法优化的小波神经网络对变压器故障进行初级诊断,通过改进D-S证据理论对初级诊断结果进行决策级融合,实现对变压器故障的深度诊断与定位。通过应用实例证明,该方法可以有效提高变压器故障诊断的精度和可信度,减小诊断的不确定性。     

变压器油中溶解气体在线监测技术及其应用前景

变压器油中溶解气体在线监测装置应包括油中气体组分含量的检测和故障的诊断两大部分，但现有的大多数在线监测装置主要功能是在线监测油中气体组分含量及超阈值报警，对故障性质、种类、定位及发展趋势预测等诊断功能尚不具备或很不完备。从运行部门来考虑，采用变压器油中溶解气体在线监测装置的目的是实时或定时监视电气设备的运行状态，判断其是否运行正常，诊断电气设备内部已存在的故障性质、类型、部位、严重程度并预测故障的发展趋势，指导运行部门对变压器的管理和维修。     

基于多模型的变压器故障组合诊断研究

变压器故障诊断是保证整个电力系统正常运行的重要部分,为此提出了一个基于支持向量机并与多种贝叶斯分类算法相结合的组合诊断模型。诊断过程中,首先通过相关统计分析,选择典型油中气体的12个相关属性值作为模型的输入参数,并对其进行数据预处理,生成一次样本。其次,按照变压器常见的13种故障类型,利用多个单一诊断方法如朴素贝叶斯模型、半朴素贝叶斯模型、增强的朴素贝叶斯模型和贝叶斯网络增强模型构成诊断模型群,对一次样本数据进行诊断。最后,把贝叶斯诊断模型群的诊断结果作为支持向量机的输入进行二次诊断,构成变权重的组合诊断。对基于支持向量机的组合诊断过程和参数计算进行了详细地探讨。通过与多种预测方法进行比较,基于支持向量机的变压器故障组合诊断模型的正确率明显优于单一诊断模型和其它的组合诊断模型。此外,通过2个实例证明了提出的组合诊断模型的有效性。因此,该模型可以用于实际工程。     

基于随机森林算法的线路接地在线诊断模型

当配电网发生单相接地故障时,配电设备健全运行和人身安全将受到威胁,因此能否快速确定接地路线并将其隔离,成为电力系统的热点和难点问题。本文提出一种基于随机森林算法的线路接地在线诊断模型。首先读取线路接地故障案例库并对大数据进行预处理,实现数据清洗并对电压、电流、有功、无功和功率因素等电气特征量进行特征衍生,然后利用随机森林算法计算每个电气特征量的重要程度,挖掘不同线路在接地故障前后电气特征量的变化规律,从而建立线路接地在线诊断分析模型,并通过交叉验证和网格搜索法,对在线诊断模型的参数进行优化,实现智能在线接地选线。最后以石门供电公司实际配电网为例,利用训练得到模型进行故障在线诊断,结果表明了所给方法的有效性。     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出。首先通过变分自编码器对少数类训练样本进行预处理,在学习确定少数类训练样本分布特征的基础上实现训练样本自动生成,进而提高训练样本的均衡性。基于3隐层结构堆栈稀疏自编码器深度学习网络构建变压器故障诊断模型,并以经变分自编码器预处理后的均衡训练样本对诊断模型参数进行更新优化。基于实例验证了所提方法的有效性。实验结果表明,所提方法可改善训练样本不平衡的不利影响,各训练集下,采用所提方法的变压器故障诊断结果准确率均保持在91%以上,且漏报率较低。     

基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术

数据非均衡问题是制约机器学习技术在电力变压器故障诊断领域中应用效果的关键因素。为克服传统过采样方法未考虑数据整体分布信息的缺陷,提出了一种基于深度学习的故障数据增强方法,以实现样本库的类别均衡化目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型的训练不稳定问题;然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出了基于数据增强方法的设备故障诊断技术框架;最后,选用由准确率、F1度量以及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能,可作为电力变压器故障诊断的重要数据预处理环节。     

一种结合DS证据信息融合的变压器故障诊断方法

基于变压器油中溶解气体分析,对运行变压器故障类型及故障部位进行了诊断.     

基于最大相关最小冗余准则的变压器故障诊断特征选择

电力变压器油中溶解气体分析(DGA)技术广泛应用于变压器内典型故障诊断,其中基于DGA数据的人工智能诊断方法在变压器故障诊断领域具有较高的识别率,但该类方法在选择故障特征量时尚无统一的标准。鉴于此,本文尝试引入最大相关最小冗余算法(mRMR),以互信息理论为基础挖掘变压器故障特征量之间以及特征量与故障类型之间的关联关系,通过分析大量的DGA在线监测数据挖掘出最优的变压器故障特征量集,并采用支持向量机(SVM)分类器对比优选特征量集和传统的特征量集合在变压器故障诊断的效率。最后,通过与SVM智能分类、IEC推荐的三比值分类方法的对比测试表明该方案的故障诊断准确率优于传统的故障诊断方案,故障识别效率高于新型的人工智能诊断方案,更适合于现场的工程应用及推广。     

电力变压器故障的客观熵权识别及诊断方法

为了有效管理和监测电力变压器的健康状态,在对变压器油中溶解气体数据进行分析的基础上,建立了一种基于客观熵权的电力变压器故障信息模式识别及诊断模型。首先,在定义包含电力变压器故障模式全局信息的矩阵范式基础上,引入信息熵权理论构建故障特征信息的客观熵权精确量化模型;然后,基于距离和投影原则构建了故障模式判别准则函数,并通过准则函数对模式进行排序,运用综合排序结果进行故障测试模式分类,得到用于判断故障类型的基准类心向量;最后,运用基于类心欧氏距离的方式判别故障测试样本所属的类别,实现变压器故障的客观熵权识别及诊断。利用从某电力公司采集到的120组电力变压器油中溶解气体样本进行实例验证,结果表明,所提出的方法能克服传统的三比值故障诊断方法存在无编码以及边界编码模糊致误判的问题。     

基于油中气体分析的变压器故障诊断ReLU-DBN方法

油中溶解气体分析可为变压器故障诊断提供重要依据。为提高变压器故障诊断精度,研究了基于修正线性单元改进的深度信念网络(rectified linear units deep belief networks,Re LU-DBN)变压器故障诊断方法。通过分析油中溶解气体与故障类型的联系,建立以油色谱特征气体无编码比值为特征参量的Re LU-DBN诊断模型。Re LU-DBN通过多维多层映射提取出故障类型更细致明显的特征区别,通过反向调优达到诊断模型参数最优化。通过识别实验分析了不同特征参量、不同训练集及样本集大小下Re LU-DBN诊断模型效果,研究了放电兼过热复合型故障对诊断模型的影响,并与支持向量机、反向传播神经网络方法做了对比。实验结果表明基于无编码比值的模型诊断效果优于IEC比值、Rogers比值、Dornenburg比值为特征参量的模型,且Re LU-DBN较支持向量机和反向传播神经网络方法相比诊断准确率有较大提高。区分复合型故障的模型诊断效果优于未区分复合型故障的模型。随着样本数据的增多,模型诊断精度得到较大提升。     

基于数据挖掘的智能电能表在线监测方法

应用数据挖掘技术提取采集数据中的有用信息,提出一种基于关联规则挖掘的智能电能表在线监测方法,根据采集系统的结构设计了在线监测的实现方式。智能电能表在线监测结构分为传输层和应用层,传输层实时监测电能表的异常运行情况,对数据进行分析后形成故障信息;应用层采用离线运行方式从历史数据库中抽取关联规则,并以在线方式将故障信息转换后进行匹配,实现故障诊断。算例结果表明该方法能够快速、准确的诊断故障结果,实用性强。     

变压器故障诊断综合在线监测系统及应用

采用变压器油色谱的在线监测技术,通过对变压器在运行条件下,绝缘油中气体的性质和浓度进行在线采集和分析,分析数据达到和试验室色谱分析数据相同的结果,并能及时发现变压器内部初期潜伏性故障及监控故障的发展情况,随时掌握设备的运行状况。实现了对大型变压器内部运行状态的在线监控。介绍了中分3000型油色谱在线监测系统与其在故障变压器上的应用实例。     

变压器故障特征量可信度的关联规则分析

变压器在线监测得到的多个特征量对于不同故障类别的潜在信息量不一样,量化各特征量与特定故障类型之间的关联度将对变压器的潜在故障诊断和预测都有着很重要的作用。为此,利用布尔型离散化方法和基于ChiMerge算法的多值离散化方法分别对变压器在线监测的连续数据进行离散化,再利用改进的Apriori关联规则数据挖掘算法计算多个变压器在线监测特征量与各个故障类型之间的可信度。最后在实例中进行了多个特征量与多个故障类型的可信度的计算,结果表明特定特征量与故障类型之间确实存在不同的关联程度,量化关联程度能有效提高故障诊断算法的效率;另外还在实例中进行了多值的关联规则挖掘,结果表明关联规则可以应用在对故障类型划分较细的变压器故障诊断。