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。     

基于信息融合技术的电力变压器故障部位诊断

首先对变压器故障诊断中的可用信息进行分类,然后在分析目前诊断信息欠缺的基础上,提出信息融合诊断的思想,并针对变压器故障部位诊断,探讨了识别框架的形成、基本概率赋值函数的构造以及运用D-S证据理论进行证据组合与推理的过程,并用实例验证了该方法的有效性。     

电力变压器故障红外诊断专家系统

介绍了一种实用的电力变压器故障红外诊断专家系统，对红外诊断的基本原理，故障诊断的数学模型模糊知识的表示和推理机制进行了研究，还详细叙述了该专家系统的结构，知识表示与获取及推理机制的设计，实现方法。     

电力变压器故障诊断及检修

作为重要的输变电设备,电力变压器的故障诊断以及检修一直是电力系统工作人员研究的重点内容,因为一旦电力变压器在运行过程中出现故障,对电力系统的影响将是不可估量的。本文对电力变压器故障诊断以及检修的相关内容展开研究,以期给同行参考。     

简述电力变压器故障的技术诊断

从实例出发,阐述了电力变压器故障的技术诊断过程,对故障原因进行分析和测试,得出了相关结论。     

电力变压器过热故障及其综合诊断

电力变压器各类故障中过热故障比重很大且类型多样,油色谱能较有效判断出过热故障,电气试验和红外测温能较准确判定故障的原因和部位,提出了以油色谱为主结合有关电气试验、红外测温来分析过热故障性质、原因和部位的综合诊断方法。实践证明此法诊断中、小型变压器典型过热故障十分有效。     

大型变压器内部放电故障实例诊断与分析

为了能在放电故障发展的初始阶段发现并监测其发展过程,及时分析判断其故障状态和严重程度,从而提高运行的可靠性,笔者针对几种常用局部放电监测方法的不足,通过油中溶解气体分析及相关电气试验,准确判断了某大变压器的内部放电性质、严重程度及可能发生的大致部位。利用脉冲电流法和超声波检测法的综合运用,成功地检测了该变压器的内部放电故障、发展趋势,并精确地进行了故障定位,在进人检查时上述方法判断和分析的结论得到了验证。     

变压器铁芯多点接地故障及其诊断

变压器是电力系统中的核心设备,在发供电企业中起着枢纽环节。一旦变压器出现故障,将大大的影响系统的安全稳定运行。本文从变压器常见故障一铁芯多点接地,从诊断、分析和消除等方面进行阐述。     

变压器内部故障诊断研究

主要介绍以变压器油中溶解气体为分析对象,采用BP神经网络对变压器内部故障进行诊断。采用几种BP神经网络算法进行网络建模和仿真,并对它们进行了分析比较,得到了优于其他几种算法的将自适应学习率法和动量BP法相结合的学习率可变的动量BP算法,建立了一种具有较强学习能力、泛化能力和适应能力的神经网络模型,并通过实验证明了其对变压器故障诊断的准确性。     

电力变压器的故障分析与诊断

介绍了电力变压器运行中几种常见故障的类型及诊断方法。     

电力变压器故障诊断与处理

对近两年来东风公司电网１１０ｋＶ电力变压器发生的故障进行了分析与诊断。结合对这些故障处理的体会,提出了相应的建议。     

电力变压器故障诊断的人工免疫网络分类算法

变压器油中溶解气体分析是电力变压器绝缘故障诊断的重要方法.文中将人工免疫网络分类算法应用于电力变压器故障诊断,利用增加抗原、记忆抗体类别信息的人工免疫网络对故障样本进行学习,可以获取更好地表征故障样本特征的记忆抗体集,再用最邻近分类法对故障样本进行分类.经大量实例分析,并将其结果与IEC三比值法和BP神经网络等方法的结果相比较,表明该算法能有效地对电力变压器单故障和多故障样本进行分类,具有较高的诊断准确率.     

基于极限学习机的变压器故障诊断方法研究

针对基于传统智能学习方法的变压器故障诊断存在训练速度慢、需调整的参数多及参数确定困难的问题,本文提出了基于极限学习机(Extreme Learning Machine,ELM)的变压器故障诊断方法。文中根据变压器故障的特点选取输入特征向量,分析了激活函数、隐含层节点数目对诊断性能的影响,并与基于BP神经网络和SVM的诊断方法进行了对比。实验结果表明,文中提出的变压器故障诊断方法性能明显优于BP神经网络,与SVM的诊断正确率相当,需要预先设置的参数更少,训练速度更快,更加便于工程应用。     

基于小波神经网络和D-S证据理论的电力变压器故障诊断研究

>Transformer faults are quite complicated phenomena and can occur due to a variety of reasons.There have been several methods for transformer fault synthetic diagnosis,but each of them has its own limitations in real fault diagnosis applications.In order to overcome those shortcomings in the existing methods,a new transformer fault diagnosis method based on a wavelet neural network optimized by adaptive genetic algorithm(AGA)and an improved D-S evidence theory fusion technique is proposed in this paper.The proposed method combines the oil chromatogram data and the off-line electrical test data of transformers to carry out fault diagnosis.Based on the fusion mechanism of D-S evidence theory,the comprehensive reliability of evidence is constructed by considering the evidence importance,the outputs of the neural network and the expert experience.The new method increases the objectivity of the basic probability assignment(BPA)and reduces the basic probability assigned for uncertain and unimportant information.The case study results of using the proposed method show that it has a good performance of fault diagnosis for transformers.     

组合核相关向量机在电力变压器故障诊断中的应用研究

仅依据反映变压器运行状态的单一特征信息很难对变压器的状态做出正确的诊断,而组合核相关向量机可实现多特征空间的融合。鉴于此,提出了基于组合核相关向量机的变压器故障诊断新方法。该诊断方法可融合蕴含变压器运行状态的多种特征信息,输出变压器为各种状态的概率,为变压器的检修提供更多的可用信息。此外,为进一步提高组合核相关向量机的性能,提出了基于 K 折交叉验证和遗传算法的核函数参数优化方法,对组合核相关向量机进行了优化。实例分析表明,与BP神经网络、支持向量机诊断方法相比,该文所提方法具有较好的故障诊断效果。     

电力变压器冲击试验故障诊断方法的研究

针对变压器冲击试验,提出了中性点电流法、传递函数法和联合时频分析法等3种故障诊断方法。结合具体实例,分别用3种不同的方法对电力变压器进行故障诊断,其中着重介绍了联合时频分析法。通过对3种方法的优缺点进行分析比较,认为联合时频分析法是最先进、准确性最高的方法,具有良好应用前景。     

基于最小二乘支持向量机的变压器故障诊断

介绍了一种基于最小二乘支持向量机(LS-SVM)的电力变压器故障诊断方法,将样本数据进行归一化处理,以绝缘油中特征气体种类及其含量为依据建立变压器故障诊断LS-SVM模型,对模型中的核参数σ与惩罚参数C进行优化,并将测试样本输入训练好的LS-SVM模型,得到诊断结果。实例结果分析表明,LS-SVM将原先的非线性问题转化为求解线性问题,即使在小训练样本的前提下,也能获得更为准确的诊断结果。     

不对称样本下基于支持向量机的变压器故障诊断

为解决基于支持向量机(SVM)的变压器故障诊断中因样本不对称导致诊断准确率降低的问题,提出了一种改进的向上采样策略和SVM结合的方法。首先通过K-近邻算法提取少数类样本数据中的边界数据集并生成新的少数类随机样本,在此基础上向少数类样本中添加人工生成的随机新样本使得两类样本数量达到基本均衡。对比均衡样本和不对称样本下的SVM分类模型的性能,结果表明:该方法能够有效降低SVM分类平面的偏移程度,进一步提高了SVM变压器故障诊断的准确率。