灰色神经网络在变压器故障诊断中的应用

针对变压器故障类型受油中溶解多种气体含量的影响,为提高变压器故障诊断的准确性,笔者使用灰色神经网络建立故障诊断模型,拟合输入与输出之间的复杂非线性函数关系,结果证明了该方法的可行性。     

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.     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。     

BP神经网络在油浸式变压器过热性故障诊断中的应用

针对充油变压器绝缘故障诊断的三比值法的局限性,建立以变压器油中溶解气体含量为样本数据,对不同的隐含层数目进行仿真分析,通过比较确定了适用于变压器绝缘故障诊断的BP神经网络模型。研究表明,这种方法提高了神经网络的收敛速度,符合电力变压器故障诊断系统的实际情况,准确率高。     

基于最小二乘支持向量机的电力变压器故障诊断

油中溶解气体分析是变压器绝缘故障诊断的重要方法。为了提高分类的准确度和可靠性,应用最小二乘支持向量机理论建立了变压器的分类模型。该模型以变压器油中5种主要特征气体作为输入量,以7种变压器状态作为输出量,选用了径向基核,使用了一对一的多分类算法,充分发挥了支持向量机具有较高泛化能力的优势。通过大量的实例分析,并将诊断结果与IEC三比值法、改良三比值法和BP神经网络的诊断结果相比较,表明基于径向基核的最小二乘支持向量机在变压器故障诊断中具有更高的准确率。     

基于模糊神经网络的变压器故障诊断技术与方法的研究

将模糊技术与神经网络引入到变压器故障诊断中,提出了运用基于特征气体法的神经网络模块和基于改良三比值法的模糊神经网络模块对变压器油中溶解气体进行综合分析,判断油中溶解气体的特征,以此来诊断变压器可能发生的故障。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

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。     

关联度分析在变压器故障诊断中的应用

为了提高传统油中溶解气体分析(DGA)的诊断能力,克服相对关联度诊断变压器故障的不足,探讨了基于关联分析的故障诊断理论,提出了三级关联算法,建立了一种定性与定量相结合的电力变压器故障诊断的三级关联度方法。以氢气、甲烷、乙烷、乙烯和乙炔这5种油中溶解气体的含量参数作为特征量,验证了新方法对变压器故障的实际诊断效果。结果表明,该方法不仅能找出故障类型,而且能确定故障部位,其有效性超过了传统的相对关联度方法。     

变压器故障诊断用油中溶解气体新特征参量

油中溶解气体分析(dissolved gas analysis,DGA)是现场电力变压器故障诊断最常用的方法。然而,油中溶解气体含量较容易受到变压器结构、容量、故障位置以及故障程度等因素的影响,从而降低了变压器故障诊断的可靠性。为了提升变压器故障诊断正确率,该文提出了基于支持向量机(support vector machie,SVM)和遗传算法(geneti calgorithm,GA)优选的DGA新特征参量。首先,以28个DGA比值为输入,建立了基于SVM的变压器故障诊断模型;其次,采用GA同时对SVM参数和DGA比值进行优化,得到9个优选DGA比值作为变压器故障诊断用新特征参量。对IEC TC 10故障数据库的诊断结果表明:DGA新特征参量的故障诊断正确率为84%,较常用的DGA含量和IEC比值的诊断正确率提高10%~25%;并且无论采用哪种特征参量,支持向量机的诊断结果均优于神经网络诊断模型。最后,采用DGA新特征参量对国内117组变压器的故障诊断正确率达到了87.18%,再次验证了该方法的有效性。     

基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究

提出用支持向量机作为分层决策电力变压器故障诊断模型。首先通过相关统计分析,选择典型油中气体作为支持向量机输入参数,然后在深入发掘油中气体所含故障信息基础上,利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型诊断。该方法基于小训练样本条件下寻求最优解,具有很好的推广能力及一致性等优点,还适用 于变压器典型故障数据少的特点。文中还给出了两种不同支持向量机核函数分类结果的比较。为了提高故障诊断的正判率,该模型同时在相关性强的特征气体之间,利用K-近邻搜索聚类在最优分类面附近对分类结果进行精确逼近,使分层决策模型可靠性显著改善。计算结果表明,该模型具有很好的分类效果。     

基于气体增长速率和Petri网的变压器内部故障状态推理

针对变压器故障诊断中的故障漏判、误判和某些故障无法判断的问题,将Petri网和油中气体增长速率相结合,提出一种基于模糊Petri网来构建变压器故障诊断模型,它通过分析油中溶解的气体浓度来判断变压器的故障类型。该方法首先利用通过气相色谱法得到各气体的浓度值,使用建立起来的Petri网模型,推理出每种故障类型的可能性大小。用这种方法能避免三比值编码的缺失等问题,也就能有效地处理变压器故障诊断中漏判、误判和无法判断的问题,并能定量地给出每种故障的可能性大小。实例进一步证明,研究模型提高了诊断的正确率。     

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。     

基于通道注意力与残差卷积神经网络的变压器故障诊断

为了提高变压器故障诊断的准确性,提出一种基于通道注意力与残差卷积神经网络的变压器故障诊断方法.在卷积神经网络中,考虑不同通道信息间的差异,引入通道注意力,自适应调整不同卷积通道的权重;为了尽可能保留网络层间的差异信息,在网络中引入了残差网络;同时,采用跨网络层的连接方式进一步融合差异信息,充分挖掘油中溶解气体信息和变压...     

基于胶囊神经网络的电力变压器故障诊断方法研究

电力变压器作为电力系统运行的枢纽设备,其运行状况直接关系到整个系统的运行安全。长期以来,油中溶解气体分析（dissolved gas analysis,DGA）技术由于不易受变压器内部复杂电磁场及外部噪声影响,成为变压器故障诊断的一种有效手段。为了解决现有基于DGA的故障诊断方法的局限性并进一步提升故障诊断的准确率,文中提出了一种基于胶囊神经网络（capsule network,CapsNet）的油浸式电力变压器故障诊断方法。通过结合CapsNet在处理向量数据方面的优势和变压器油中溶解气体的特征,所提方法能够准确地模拟油中溶解气体与故障类型之间复杂的非线性关系,通过动态路由技术和反向传播算法对模型的训练实现关键特征的自动提取。基于电网真实DGA数据的测试结果表明所提方法在故障诊断准确率、宏平均和召回率几何平均3个性能指标上得分数分别为90.48%、82.46%、87.93%,均优于支持向量机（support vector machine,SVM）和深度信念网络（deep belief network,DBN）,证明了其在实际变压器故障诊断应用中的优势。     

基于特征量优选与ICA-SVM的变压器故障诊断模型

为了弥补现有变压器故障诊断方法在油中气体分析(DGA)特征量选取和诊断模型方面的不足,采用IEC三比值法中的3种气体比值作为变压器故障诊断的特征量。同时从含有8种油中溶解气体中任意3种及以上的共254种气体组合中筛选出准确率最高的3组最优DGA特征气体组合,将其作为对照组特征量。然后采用帝国竞争算法(ICA)优化支持向量机的变压器故障诊断模型(ICA-SVM),与标准支持向量机(SVM)法、粒子群优化向量机(PSO-SVM)以及IEC三比值法进行对比。实例结果表明:三气体比值特征量相比3组最优DGA气体组合,故障识别准确率提高了10%左右;ICA-SVM故障诊断模型相比标准SVM法、PSO-SVM和IEC三比值法故障识别准确率提高了7%～35%;综合三比值特征量与ICA-SVM故障诊断模型的准确率为89.3%,相较其他几种方法准确率提升了7%～35%。结果验证了该方法的有效性和准确性。     

基于灰色最小二乘支持向量机的变压器油溶解气体预测

变压器油中溶解气体的体积分数是进行变压器绝缘故障诊断的重要依据,对变压器油中溶解气体进行预测有助于及时预测变压器的故障。将灰色预测方法与支持向量机相结合,通过使用对原始数列进行一次累加生成的处理方法,以提取数列所具有的深层规律特征,建立了基于灰色最小二乘支持向量机的变压器油中溶解气体预测模型,并对最小二乘支持向量机参数的选取进行了优化,最终通过实例与BPNN、灰色模型预测结果相比较,验证了该模型的准确性和有效性。     

基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法

电力变压器属电力系统中的重要设备,目前油中溶解气体分析(DGA)的三比值法是对变压器进行故障诊断的最方便、有效的方法之一.本文结合改良的三比值法,将贝叶斯网络方法引入大型变压器的故障诊断,提出了基于贝叶斯网络(BN)理论和变压器油中溶解气体分析方法的变压器智能故障诊断方法,并据此建立了变压器故障诊断模型.通过实例判断验证了本文方法的有效性.     

基于SE-DenseNet的变压器故障诊断

由于变压器故障数据有限,采用神经网络诊断容易出现过拟合.通过Wasserstein生成对抗网络(Wasserstein Generative Adversarial Networks,WGAN)数据增强,采用变压器油中溶解气体作为故障诊断参量,本文提出了SE-DenseNet神经网络模型,该模型使用无编码比值法,结合深...