变压器油中溶解气体的多智能体故障诊断方法

为解决目前基于油中溶解气体分析(DGA)方法的变压器故障诊断系统中存在的模型单一化、自适应能力差及容易出现误诊和漏诊的问题,在对现有智能故障诊断系统和变压器DGA方法的研究基础上,提出了基于多智能体(Agent)系统的变压DGA智能故障诊断系统协作模型,给出了模型内的主要Agent、黑板、JavaAgent开发环境(JADE)总线的功能,并详细论述了基于多Agent系统的变压器DGA智能故障诊断协作过程,设计了多专家Agent投票诊断算法及基于黑板的资源竞争算法。最后通过应用实例,表明了基于多Agent系统的变压器油中溶解气体智能故障诊断方法的可行性和有效性。     

基于贝叶斯网络和DGA的变压器故障诊断

用 3步法构造贝叶斯网络 (BN)方法 ,结合油中溶解气体分析 (DGA)的三比值法后 ,引入大型变压器的故障诊断 ,提出了基于BN理论和DGA方法的变压器智能故障诊断模型。 2 2台故障变压器的诊断实例验证此法有效     

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。     

基于加权灰色关联度的牵引变压器绝缘故障诊断软件

在分析了牵引变压器负荷特征和故障产气机理的基础上,针对牵引变压器的故障特点提出了一种基于加权灰色关联度分析的牵引变压器DGA故障诊断方法:收集了大量的故障变压器历史数据,对变压器状态分类成七种牵引变压器标准状态模式序列;选取五种变压器油色谱分析(DGA)特征气体值作为灰色关联度分析的参考因子并标准化;采用参考因子加权计算关联度.将基于加权关联度分析的故障诊断方法应用在开发的牵引变压器在线监测诊断软件中.通过分析大量的历史运行数据,诊断结果表明与沿用的电力变压器传统故障诊断方法相比,该方法有着更高的准确度.     

基于支持向量机的变压器故障诊断研究

在变压器故障诊断方法的研究进程中,以油中气体分析技术(DGA)运用的最早而且最为广泛,它在变压器的预防保护试验中有着重要的意义。但是DGA技术存在许多缺点:不能准确的诊断多重故障、诊断准确率不高等。针对以上缺点,提出基于支持向量机的变压器故障诊断方法。通过变压器故障诊断仿真证明,该方法能诊断出多重故障,准确率也很高。     

基于K-S检验与改进mRMR的电力变压器故障诊断

DGA可为电力变压器故障诊断提供重要依据,但基于DGA数据的智能诊断方法在选择故障特征量时尚无统一的标准.鉴于此,构建了由特征气体及相关比值组成的27维原始故障特征空间,以完善故障特征信息.在此基础上,先用K-S检验剔除大部分噪声特征,削弱噪声特征对故障分类产生的不利影响;再用提出的mRMR方法,从剩余故障特征中自适应...     

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DGA的变压器状态监测与故障诊断技术研究

首先介绍变压器的故障种类和监测方法,提出基于DGA的变压器状态监测与故障诊断的方法,阐述该方法原理及主要的监测和诊断方法,系统组成,分析技术的发展趋势,为变压器故障诊断与状态监测技术提供参考。     

DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。     

基于RIMER专家系统和DGA的变压器故障诊断

针对电力变压器故障诊断中的复杂非线性关系,提出一种基于RIMER(基于证据推理算法的置信规则库推理方法)专家系统和油中溶解气体分析(DGA)技术的变压器故障诊断方法。该方法考虑了变压器故障特征量和征兆的概率不确定性和模糊不确定性,在IEC三比值法和变压器油中溶解气体故障数据样本训练的基础上获得置信规则库的主要参数,结合证据推理算法建立一个新型的变压器DGA故障诊断模型。通过RIMER和DGA变压器故障诊断模型进行故障诊断,克服了IEC三比值法故障编码缺失的问题,故障诊断准确率获得提高,其分布式置信度的输出方式对描述混合故障类型更加有效。仿真实验表明该方法推理计算简单有效,具有较强实用价值。     

基于多维度信息融合的实用型变压器故障诊断专家系统

针对由于变压器结构复杂而导致其故障诊断的快速准确判断越来越依赖于大量信息的融合处理的情况,建立了基于多维度信息融合的实用型电力变压器故障诊断专家系统。首先分析多维度信息融合模型结构,给出基于因子分析计算各维度信息融合权重的方法,再构建基于多维度信息融合的专家系统,分析该专家系统的诊断流程,对多维度信息的识别、选择和判断进行了研究,最后结合110 kV变压器案例进行验证。结果表明,该专家系统逻辑简单、诊断精度高、诊断快速,可嵌入智能终端装置,为现场工作人员提供智能专家诊断。     

利用变压器油中溶解气体分析技术进行故障诊断的研究

基于油中溶解气体分析技术是变压器故障诊断重要的分析手段,提出了多种以油中气体含量为依据的判断变压器故障类型的方法.主要对基于油中溶解气体分析技术的变压器绝缘故障诊断方法进行探讨.总结了传统变压器绝缘故障诊断方法,讨论了基于人工智能技术的变压器绝缘故障诊断方法,这些方法有效地提高了,叟压器绝缘故障诊断的正确率.人工智能技...     

基于粗糙集与支持向量机的变压器故障诊断法

为了及时监测变压器潜伏性故障和准确诊断故障,提出了一种基于粗糙集与支持向量机相结合的电力变压器故障诊断的新方法。该法应用粗糙集理论将专家知识简化,获得简约诊断规则并对变压器进行粗诊断,然后以支持向量机准确的二类分类功能进行准确故障诊断。该方法实现了两种智能算法的有效互补,拥有粗糙集理论的处理不完备信息能力、简单快速以及支持向量机准确的二类分类功能,有效弥补了单一算法的不足,提高了故障诊断的快捷性和准确性,且降低了样本训练时间和诊断的复杂度。实验结果与改进的IEC三比值法比较,表明该方法有效、可行,具有较高的诊断准确率。     

预制舱式智能变电站继电保护关键环节故障诊断分析

针对智能变电站继电保护故障引发一系列电网事故,研究预制舱式智能变电站的继电保护关键环节故障诊断方法.首先对继电保护故障诊断所需数据进行预处理,提出基于广义变比辨识的电流测量回路故障诊断方法,通过建立广义变比状态矩阵,实现对故障的判断.同时研究电子式互感器的突变故障问题,在辨别电子式互感器的故障模式和认知一次系统特点的基...     

面向智能变电站二次设备的故障诊断方法研究

针对智能变电站二次设备检修和故障隔离工作的高安全风险,通过对智能变电站二次设备故障状态的分析,提出了一种智能变电站故障诊断新方法用于继电保护测量回路。在变压器阻抗测量的基础上,利用广义变比建立了故障诊断模型,对极性故障进行分析。并通过仿真对该方法的有效性进行验证。结果表明,该方法可以很好地评估电流电压测量回路的故障状况。该研究为智能变电站设备故障诊断的发展提供了参考和借鉴。     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

Power transformer fault diagnosis based on dissolved gas analysis by support vector machine

This paper presents an intelligent fault classification approach to power transformer dissolved gas analysis (DGA). Support vector machine (SVM) is powerful for the problem with small sampling (small amounts of training data), nonlinear and high dimension (large amounts of input data). The standard IEC 60599 proposes two DGA methods which are the ratios and graphical representation. According the experimental data, for the same input data, these two methods give two different faults diagnosis results, what brings us to a problem. This paper investigates a novel extension method which consists in elaborating an input vector establishes by the combination of ratios and graphical representation to resolve this problem. SVM is applied to establish the power transformers faults classification and to choose the most appropriate gas signature between the DGA traditional methods and a novel extension method. The experimental data from Tunisian Company of Electricity and Gas (STEG) is used to illustrate the performance of proposed SVM models. Then, the multi-layer SVM classifier is trained with the training samples. Finally, the normal state and the six fault types of transformers are identified by the trained classifier. In comparison to the results obtained from the SVM, the proposed DGA method has been shown to possess superior performance in identifying the transformer fault type. The SVM approach is compared with other AI techniques (fuzzy logic, MLP and RBF neural network); the proposed method gives a good performance for transformers fault diagnosis. The test results indicate that the novel extension method and the SVM approach can significantly improve the diagnosis accuracies for power transformer fault classification.     

改进支持向量机在电力变压器故障诊断中的应用研究

针对电力变压器故障诊断中状态量判断指标过于绝对、智能算法准确率受参数影响等问题,在分析电力变压器故障的基础上,提出将支持向量机(Support Vector Machine,SVM)和细菌觅食算法(Bacterial Foraging Algorithm,BFA)相结合用于电力变压器的故障诊断方法。通过细菌觅食算法的寻优能力找到最优的支持向量机惩罚因子和核参数,提高了故障诊断能力。通过仿真和实例进行对比分析,验证了该方法的优越性。结果表明,相比于粒子群优化,细菌觅食算法具有更好的寻优能力。基于BFA-SVM的故障诊断模型,相比于改进前,具有更高的准确性、鲁棒性和寻优能力,故障诊断准确率相比于粒子群优化提高了7.50%,具有一定的实用价值。     

基于SVM的电力变压器内部故障部位的概率估计

目前变压器智能故障诊断大多是以油中溶解气体为特征对故障性质的诊断,缺乏对内部故障部位的分析及量化的诊断结果。针对上述问题,提出一种基于SVM的电力变压器内部故障部位的概率估计模型。该模型结合SVM与概率建模的优点,充分利用油中溶解气体和电气试验数据的互补信息,运用SVM后验概率理论,对变压器内部可能发生故障的部位进行概率估计,克服了标准SVM硬判决输出的缺陷,以概率的形式给出诊断结论。通过实例分析表明,该模型不仅故障识别率较高,还具有良好的概率分布形态,具有较好的实用性和推广性。     

基于灰关联熵的充油变压器故障诊断方法

油中溶解气体分析是目前发现变压器潜伏性故障的重要方法,鉴于用IEC推荐的三比值法中编码缺陷(编码超出码表)及变压器故障诊断的复杂性,文中详细阐述了如何将灰关联熵应用于变压器故障诊断。首先通过统计方法,选择典型油中气体作为参考列,并经反复调整,挖掘出油中气体所含故障信息,然后利用灰关联熵方法进行变压器故障类型诊断。该方法基于融合互补的思想,将灰关联分析方法与信息熵理论有机结合起来,克服了单一灰关联分析中易造成局部关联及信息损失等缺陷,尽可能多地包含变压器本体所含信息。实例分析结果表明,该方法具有较好的分类效果。