红外诊断高压设备相对温差的应用研究

随着红外诊断技术的普及应用,红外诊断技术在变电站高压电气设备的故障诊断中发挥着越来越重要的作用。本文介绍了红外成像仪的成像原理,研究了利用红外热成像仪对高压电气设备的故障进行诊断,说明了判断电气设备缺陷使用相对温差判断方法的必要性,并对主变和高压电气设备的红外成像进行实例分析,证实了红外诊断相对温差判断方法的实用性。     

基于径向基网络实现变压器故障诊断

研究采用径向基神经网络进行变压器故障诊断,以提高变压器故障诊断率。分析了径向基函数神经网络的结构和工作原理,确立了适合变压器故障诊断的网络学习算法,并设计了一个诊断变压器故障的三层径向基网络。通过采用MATLAB进行仿真实验。结果表明径向基神经网络是一很强的分类器,能够有效的对变压器故障进行诊断。     

基于粗糙集和RBF神经网络的变压器故障诊断方法研究

针对变压器故障诊断神经网络模型存在网络结构复杂、训练时间长等问题,提出基于粗糙集及RBF神经网络的变压器故障诊断方法。运用粗糙集理论中无决策分析,建立基于可分辨矩阵和信息熵的知识约简算法,进行数据挖掘,寻找最小约简;以处理后的数据集合作为训练样本,采用高斯函数作为径向基函数,分别求解方差及各层权值,建立变压器故障诊断模型。通过测试对比,此算法虽然略微降低诊断正确率,但网络结构简单、训练速度快、泛化能力强,对提高神经网络在变压器故障诊断中的应用性能有较好的指导意义。     

RBF-NN对发电机转子绕组匝间短路的诊断

为了能更准确地诊断出发电机转子绕组匝间短路故障,基于改进的双层动态均值聚类分析的径向基神经网络对转子绕组匝间短路故障进行了诊断.同时,通过对同步发电机转子绕组故障信号进行分析,并把从中提取的故障信号的特征量作为学习样本,通过改进的径向基神经网络的训练,使构造的径向基神经网络能够反映样本的特征向量和转子绕组匝间不同程度的...     

卷积神经网络在油浸式变压器故障诊断的应用*

变压器作为变电站的主要电气设备,其智能化程度直接决定了智能变电站的发展程度,是电力系统中关系国民生产生活的重要环节。采集变压器油中溶解气体的含量及类型,通过建立卷积神经网络模型确定变压器的故障类型。在卷积神经网络算法原理的基础上,利用Java编程构建模型,将一维卷积神经网络应用到变压器故障诊断中,以变压器油中溶解的5种气体含量值作为输入向量,变压器的6种状态对应的编码值作为输出向量,并对网络中的池化层进行改进。在模型建立过程中讨论了卷积核的大小、数量、样本长度对模型精度的影响,并通过优选函数的方法确定激活函数。实验表明,将该方法生成的网络应用于变压器故障诊断,可为合理诊断变压器故障提供有价值的参考。     

高压运行设备的红外热象诊断

本文介绍了利用进口的 AGA—782红外热象仪,开展高压运行设备红外热象诊断的情况,积累并分析了运行中各种电气设备的外部及内部热故障的红外图象,而且在室内进行了模拟试验,结合现场诊断的经验,初步提出了对各种高压运行设备热故障的红外热象诊断方法。     

基于BP神经网络和故障树分析方法的变压器故障综合诊断模型

电力变压器是电力系统中最重要的输变电设备之一,其故障征兆和故障原因之间的关系错综复杂,单项诊断方法信息特征独特、考虑角度单一,通常难以满足其故障诊断要求。提出了一种基于BP神经网络和故障树分析方法的变压器故障综合诊断新模型。首先收集整理变压器故障信息量作为训练和识别样本,建立了基于BP神经网络的变压器故障诊断模型,再利用故障树分析方法,对变压器故障等级、严重程度等进行划分。通过大量的现场数据验证表明,与单一诊断方法相比,该模型能提高故障诊断正确率。研究成果为变压器故障评估诊断提供了一种新思路。     

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。     

基于深度学习的输变电设备异常发热点红外图片目标检测方法

随着红外热成像检测技术在变电站巡检机器人及输电线路无人机等检测平台的广泛应用,大量输变电设备红外异常发热故障的红外图片需要人工定期进行评估诊断,亟待需要智能算法对图片进行智能诊断。当前经典的机器学习算法难以有效识别输变电设备红外图像故障异常发热点。基于人工智能深度学习理论,本文采用了深度学习算法体系中基于区域建议网络的Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。本文以红外热成像仪采集到的输变电设备发热故障图像库为基础,对数据集进行人工标注包围框,通过交替训练构建网络共享参数,构建输变电设备异常发热红外智能检测模型。所描述的方法为输变电设备红外热成像智能检测提供了新思路。     

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。     

基于模糊积分融合技术的变压器故障识别

提出了一种基于模糊积分融合技术的变压器故障诊断新方法。首先建立三比值的隶属函数并对三比值数据进行模糊预处理,再用4个不同的径向基函数神经网络进行故障识别,最后利用模糊积分融合方法将4组诊断结果进行融合处理,得出诊断结果。仿真实例表明这种方法比单个人工神经网络具有更高的故障诊断性能。     

改进型组合RBF神经网络的变压器故障诊断

提出了一种在逼近能力、分类能力、学习速度等方面都优于BP神经网络的径向基函数神经网络和组合诊断的概念,并将其应用到变压器DGA故障诊断中。在处理输入数据和改进训练方法后,组合RBF神经网络诊断变压器故障训练速度快、收敛精度高、诊断准确。     

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。     

基于蚁群算法的变压器智能故障诊断系统

基于变压器溶解气体分析数据,介绍了采用基于蚁群算法的神经网络方法,建立变压器在线智能故障诊断系统.变压器油中溶解气体数据的训练和诊断表明,蚁群算法的收敛速度快,克服了网络陷入局部极小值的缺陷,具有较高的诊断准确率,是一种切实有效的方法.     

变压器油色谱在线监测中BP神经网络算法分析

针对现今变压器故障诊断方法存在的编码不齐全、准确率不够高等问题,提出了一种基于BP神经网络的变压器油色谱在线监测综合智能诊断方法.该方法结合国标阚值诊断以及改良三比值法,运用BP神经网络理论诊断变压器综合运行状态.运用Matlab建立基于特征气体的BP神经网络变压器故障诊断模型,发现BP神经网络具有良好的特征提取功能,但是通过不断训练发现,只运用BP神经网络对变压器进行诊断得到的变压器运行状态并不是十分准确.最后,结合常用的比值法,通过仿真对实例进行综合诊断,得出此方法运用到变压器故障诊断中具有更高的准确性.     

模糊神经网络在变压器故障诊断中的应用研究

基于模糊逻辑理论和人工神经元网络，提出了将模糊神经网络应用于变压器故障诊断的方法，该方法实现了变压器故障的智能诊断。     

应用红外成像技术检测电气设备热缺陷的探讨

红外成像技术是一种诊断电气设备和线路热缺陷的先进测试技术,对及时发现、处理、预防重大事故的发生起到了举足轻重的作用,对保障电气设备安全运行和推进检修制度改革也具有一定作用.对红外成像原理、电气设备常见热缺陷进行了介绍,探讨了电气设备红外诊断的方法,并以实例说明了红外热像技术在检测电气设备热缺陷中的应用,旨在提高对电气设备热缺陷判定和定性的准确性,最终实现设备状态预知维修,为电网的安全运行奠定技术基础.     

双径向基神经网络用于电力传输线故障诊断研究

提出了一种利用概率径向基神经网络和规一化径向基神经网络,构成智能故障诊断系统,进行电力传输线故障分类和故障定位的方法。同时,故障分类的结果加入到规一化径向基神经网络的输入矢量中,提高了故障定位结果的精确度,并且能够判断故障分类的正确性,从而提高了故障诊断系统的可靠性能。用所提出的方法进行电力输电线的短路故障诊断仿真测试表明,所提出的方法是可行、有效的。     

基于遗传优化支持向量机的变压器绕组热点温度预测模型

油浸式电力变压器的运行寿命及负载能力与绕组热点温度密切相关。精确预测变压器绕组的热点温度,是有效预防变压器热故障、准确预测变压器运行寿命和优化变压器设计的关键技术之一。论文研究了绕组热点温度支持向量机建模。为提高模型预测的精确度,选用径向基核函数优化模型结构;利用遗传算法对参数进行寻优。结合实验室模拟温升变压器绕组温度实测数据,提取输入和输出的特征量,并划分训练集和预测集,建立了基于遗传优化支持向量机的变压器绕组热点温度预测模型。实验表明:应用本文模型预测结果与实测值基本一致,优于BP神经网络以及Elman神经网络的预测结果。     

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。