利用数据挖掘的绝缘油色谱分析故障建模初探

利用DataCruncher数据挖掘工具对变压器油色谱分析结果进行数据挖掘处理和故障模型建立 ,给出了油中溶解气体体积分数及其组合参数与变压器故障是否存在之间的关联关系。所建模型预测故障的结果证明与三比值法吻合 ,并能预测无三比值编码的故障 ,故障预测准确率较高     

基于BP神经网络的变压器故障预测研究

利用油中溶解气体数据诊断变压器故障(DGA法)是目前使用最为广泛的方法之一,本文引入了BP神经网络,选取7种特征气体含量作为输入量,6种故障类型作为输出量,提出了一种对变压器故障进行估算和预测的方法。利用MATLAB建立对变压器DGA数据的BP神经网络模型,并通过对实际样本数据的学习训练,分析诊断结果,提出了未来研究的方向和展望。     

基于加权小波神经网络的油浸式电力变压器故障检测

分析变压器油中溶解气体含量进行变压器故障诊断的关键是找到油中溶解气体含量和故障之间的非线性关系。针对已有检测方法诊断准确性不高的问题,提出不基于Fourier变换,而是利用细分的方法构造一类新的具有加权性质的小波函数。将小波函数作为前馈神经网络的隐含层函数并优化网络的学习率,构造出加权小波神经网络处理变压器油中溶解气体含量数据。通过实际故障数据验证,此方法较已有的诊断方法准确性更高,在同等计算精度下速度更快,进而提高了变压器故障诊断的效率。     

基于加权小波神经网络的油浸式电力变压器故障检测

分析变压器油中溶解气体含量进行变压器故障诊断的关键是找到油中溶解气体含量和故障之间的非线性关系.针对已有检测方法诊断准确性不高的问题,提出不基于Fourier变换,而是利用细分的方法构造一类新的具有加权性质的小波函数.将小波函数作为前馈神经网络的隐含层函数并优化网络的学习率,构造出加权小波神经网络处理变压器油中溶解气体含量数据.通过实际故障数据验证,此方法较已有的诊断方法准确性更高,在同等计算精度下速度更快,进而提高了变压器故障诊断的效率.     

局部放电下SF6分解组分检测与绝缘缺陷编码识别

用SF6分解气体组分含量大小来识别全封闭式组合电器内的绝缘缺陷,须先建立分解气体组分与绝缘缺陷之间的关联法则。利用建立的SF6绝缘气体局部放电分解试验平不同类型绝缘缺陷产生的局部放电下,SF6的分解特性存在台,对4种典型绝缘缺陷进行了大量局部放电试验,发现在明显差异,其组分含量及变化率有特定的规律,为此提出用气体组分含量编码树识别绝缘缺陷的思路和方法,并对SOF2/SO2F2、CF4/CO2和(SOF2+SO2F2)/(CO2+CF4)3组气体组分含量比值范围进行了编码,建立了相应的比值编码树,得到了识别4种绝缘缺陷类型的编码组合,并针对组分含量编码处于交叉无法确定的情况,给出了最终确定编码依据的辅助方法。     

基于云理论的变压器多重故障诊断及短期预测方法

为了对电力变压器在出现异常征兆时基于色谱数据进行短期预测,且在可能存在多重故障类型时能有效诊断,在变压器油色谱分析时引入云理论并进行相应改进。利用云变换算法将故障变压器油色谱数据转换成符合人认知的多个定性云概念,并提出发掘油中气体云概念与故障类型间关系的云推理机制。基于分析油中气体单个检修周期内的变化规律,利用云理论对短期内油中气体变化的期望值进行预测,然后利用改进的云推理预测组合规则发生器推理得到一系列有稳定倾向的故障预测结果,并求解相应的可信度,最终给出可信度大于设定阈值的若干预测结果供选取。多实例分析验证表明,云推理故障诊断能对变压器各故障类型及多重故障准确诊断;云预测模型能在非等间隔时间的数据序列下,对适当波动的油中溶解气体分析(DGA)数据准确预测其短期变化趋势及期望值。     

基于光声光谱峰面积的微量乙炔气体定量检测

乙炔是区分电力变压器过热性和放电性故障的标志性气体,其含量对判断电力变压器内绝缘故障类型和严重程度具有重要意义。为此,采用分布反馈式半导体激光器搭建了基于光声光谱峰面积的微量乙炔气体定量检测平台,选择乙炔分子1 529.18 nm处的吸收谱线,试验研究了分布反馈式半导体激光器输出峰值波长的温度漂移特性和乙炔气体的光声光谱响应特性,获取了基于Lorentz线型拟合的不同体积分数标准乙炔气体的光声光谱响应特性曲线,并基于最小二乘法对特性曲线峰面积与乙炔气体体积分数之间的定量关系进行了研究。结果表明:在气体吸收未饱和的情况下,乙炔气体光声光谱峰面积与其体积分数之间存在良好的线性关系,该试验平台对乙炔气体的检测下限为0.46×10-6。该研究结果为变压器油中溶解气体的在线监测及电力变压器内绝缘故障诊断奠定了基础。     

基于加权模糊C均值聚类算法的变压器故障诊断

模糊C均值聚类(FCM)算法具有将数据集合进行相等划分的趋势,每一个样本对数据集分类的影响相同.在变压器绝缘故障中,不同故障类型产生的主要特征气体及气体组分含量存在很大差异.因此,为了区别各类数据对故障划分的影响程度,可考虑对各类数据施加一个权.文中提出了一种加权模糊C均值聚类(WFCM)算法,该算法可实现故障聚类.与FCM算法相比,WFCM算法明显提高了故障划分的正确性和鲁棒性.     

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。     

基于胶囊网络的电力变压器故障诊断

传统的变压器故障诊断方法难以准确地拟合溶解气体和故障类型之间复杂的非线性关系,其诊断精度有限。为了提高变压器故障诊断的精度,提出了一种基于胶囊网络(capsulenetwork,CapsNet)的变压器故障诊断方法。利用卷积层强大的特征提取能力,将溶解气体数据映射到特征空间,实现关键特征的自动提取。进一步,通过主胶囊层和数字胶囊层建立特征和故障类型之间的映射关系,利用动态路由算法和反向传播算法完成CapsN et的训练。仿真结果表明:在多种不同输入特征和数据规模的场景下,CapsNet的故障诊断性能都优于卷积神经网络、多层感知机、支持向量机、极限梯度提升树和轻梯度提升机等传统方法,能够有效适应诊断精度的需求,为继电器动作的方式提供指导。研究结果可为电力变压器的故障诊断提供参考。