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。     

基于信息融合和神经网络的变压器内部故障快速诊断方法

变压器内部故障诊断通常需要利用油中溶解气体进行分析,但这些信息提取、检测分析过程繁琐,实时性较差。因此文章中提出了一种仅需要电气量的变压器内部故障快速诊断方法,采用小波包分析提取短路电流和差动电流的频域故障特征,采用最大值体现零序电流的故障特征,采用信息融合技术将所得到的所有故障特征进行融合,并利用BP神经网络算法对变压器内部电气故障类型进行诊断。在MATLAB/Simulink平台建立来仿真模型并进行了算例分析,结果表明文章中所提出的变压器内部电气故障诊断方法具有高准确性和高可靠性的优点。     

基于模型分层的配电网故障诊断方法

针对配电网故障的基于模型诊断方法在发生多重多相故障时存在诊断速度慢、诊断准确率不高、容错能力低的情况,提出一种适用于配电网故障的基于模型分层诊断方法。在诊断算法上,利用新的适应度函数和特征学习搜索策略来提高诊断速度和诊断准确率。在诊断模型上,利用分层的方法,将单层单次高维度运算转变为2层多次低维度运算,进而再次提高诊断速度、诊断准确率;通过定义等效部件的约束关系式提高第1层诊断的容错能力,利用电压约束和电流约束的冗余关系提高第2层诊断的容错能力。算例表明,与其他模型相比,基于模型分层诊断方法的诊断速度有了较大的提高,诊断准确率始终维持在理想值附近,容错能力明显增强;在大规模配电网故障诊断中,其优势明显。     

基于Elman神经网络的油浸式电力变压器故障诊断

油浸式电力变压器的运行状态直接影响到电力系统的安全与稳定,对其进行故障诊断具有重要的现实意义。依据Elman神经网络具有动态处理数据及对历史数据敏感的能力,提出了将它用于油浸式电力变压器的故障诊断新方法,并给出了其具体的实现,同时对故障诊断的结果,将Elman网络与BP网络进行了比较。检测结果表明,Elman网络具有区别油浸式电力变压器不同故障类型的能力。     

基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。     

电力变压器故障诊断的可拓集法

基于可拓理论,在传统油中溶解气体分析DGA(Dissolved Gas Analysis)三比值法基础上,提出一种可拓集变压器故障诊断方法。首先,建立三比值法的物元模型,然后给出点对区间的可拓相关函数,利用该函数计算进行变压器故障诊断。仿真计算证明该方法能克服传统三比值法的编码不全,不能诊断多重故障的缺陷,提高了诊断精度。     

基于组合贝叶斯网络的电力变压器故障诊断

针对电力变压器故障诊断中的信息和知识具有随机性和不确定性的特点,提出了一种利用AdaBoostM1算法构建组合贝叶斯网络进行变压器故障诊断的方法.AdaBoostM1算法能够提高分类器的性能,为此,将若干个不同结构的TAN看作一系列基分类器,进行boosting迭代.即依次在训练集上训练每个基分类器.第1个基分类器用原始的训练集训练,其他基分类器的训练决定于在其之前产生的分类器的表现,被已有分类器错误判断的实例将以较大的概率出现在新分类器的训练集中,最后,这些分类器组合成为一个贝叶斯网络组合分类器.由于贝叶斯网络是用来表示变量间连接概率的图形模式,它提供了一种自然的表示因果信息的方法,用来发现数据间的潜在信息,因此应用中显示了该方法对于变压器故障诊断的适用性.在讨论变压器故障空间的基础上,针对已积累的故障变压器的大量油中溶解气体等数据,利用boosting迭代,并在此基础上构造出组合贝叶斯网络诊断模型,实现了变压器故障诊断,有利于提高诊断的准确性.此外,通过与其他组合诊断的方法进行比较进一步表明了该模型的有效性.     

基于神经网络的变压器故障诊断

为了保障变压器在电力系统中能够安全有效的运行,提出了一种将RBF神经网络与模糊控制算法相结合对变压器进行故障诊断的方法。设计了具有6层神经网络的学习体系,并且将模糊隶属度函数引入到第2层中,加快了神经网络的学习速度。基于变压器故障的数据统计,通过对其内部的气体含量进行分析对故障类型进行分类。通过样本数据对所设计的模糊RBF神经网络进行故障诊断训练。实验结果表明,通过训练后的该模型对变压器的故障诊断具有更好的效果。     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

变压器匝间绝缘故障的分析

介绍了变压器匝间绝缘故障的起因和特点。阐述了诊断变压器匝间绝缘故障常用的绝缘油色谱分析和高压试验数据相结合的分析方法。结合实碌工作经验,提出了分析变压器匝间绝缘故障几点意见。     

变压器油中溶解气体在线监测方法

介绍了一种在线检测的方法,实时分析油中溶解气体的含量,对现场油气分离、气体检测、数据处理、自动控制、数据远程传输等关键技术的研究方法进行了介绍。     

基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合诊断中的应用

根据模糊理论和神经网络理论,提出了变压器故障诊断的新方法。根据DGA(dissolvedgasanalysis)法、电气试验法及外部故障特征法,建立了基于模糊输入的BP ART2混和神经网络对电力变压器故障进行综合诊断。仿真结果表明本方法能有效提高变压器故障诊断正确率。     

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。     

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法。利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力。将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型。利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性。     

运用模糊神经网络来区分变压器励磁涌流和内部故障

变压器励磁涌流和内部故障的鉴别一直是变压器差动保护中的一个热点问题。在几种传统的识别励磁涌流方法的基础上 ,结合模糊神经网络这一新型的人工智能技术 ,综合利用这几种原理对电气量的采样值分别提取形成网络的特征输入量 ,并采用了Simpson模糊极小 -极大神经网络来形成区分励磁涌流和内部故障的模糊模式分类器。运用EMTP程序通过大量的仿真计算获取网络的训练和测试样本 ,结果表明 ,训练后的网络能快速地区分变压器各种运行工况下的励磁涌流和内部故障 ,对测试样本的正确率达到 10 0 %。     

混合神经网络在变压器故障诊断中的应用

针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。     

基于ZigBee无线传感器网络的变电站人员定位的改进算法研究

为了对在数字化变电站中的人员进行精确、低成本的定位,将ZigBee无线传感器网络引入到变电站,并对其目前用于变电站中人员定位的直接测距算法进行了改进,提出了模糊推理算法。该算法将每个参考节点接收的信号强度和参考节点间的相对距离作为输入,经模糊化、模糊推理、去模糊化后得到每个参考节点接收信号强度的可信度,然后取三个可信度高的参考节点进行三边定位计算。仿真结果表明,所提出的算法可在使用较少节点且不添加任何硬件的条件下明显提高变电站中人员的定位精度。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于GRNN神经网络的变压器励磁涌流识别方法

为了提高变压器差动保护识别励磁涌流与内部故障电流的能力,提出一种基于广义回归神经网络(GRNN)的变压器励磁涌流识别方法。首先通过全波傅里叶算法求得差动电流的特征量作为训练样本,然后利用交叉验证法寻找出GRNN神经网络的扩展常数spread的最优值,同时也计算出训练样本的最佳输入、输出值。由这些参数构建出识别励磁涌流的神经网络,仿真结果表明:GRNN神经网络收敛性好,运算速度快,并且预测输出精度非常高,能准确、有效、快速的识别出励磁涌流与内部故障电流。     

江苏电网500 kV变压器缺陷跟踪分析

详细介绍了近年出现的江苏电网3台(相)500kV变压器油中气体色谱分析异常,并由此发现设备缺陷的情况,分析了缺陷产生的原因,并提出了缺陷诊断方法以及消缺、防范措施。