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。     

电力变压器灰色关联故障诊断模型的组合权重法

油中溶解气体分析(dissolved gas-in-oil analysis,DGA)是识别变压器故障的重要手段。笔者基于油中溶解气体数据介绍灰色关联理论,给出了基于组合权重变压器故障诊断的灰色关联分析法。在判定变压器故障类型时,各溶解气体其权重不同,利用层次分析法求出各特征气体在诊断变压器故障类型时的主观权重,但各专家通过层次分析法确定指标权重会存在许多主观因素,文中应用灰色关联分析法对其进行调整,消除各专家造成的各指标权重分配不统一,用熵值法确定指标的客观权重,结合熵值法和层次分析法对指标权重值进行综合确定得到组合权重,再将组合权重应用到灰色关联诊断模型中。最后结合实例对诊断方法进行分析讨论,诊断结果表明了该方法的有效性。     

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DGA和改进型灰关联度模型的牵引变压器故障诊断

油中溶解气体分析(DGA)是诊断普通电力变压器故障的重要方法,但牵引变压器有着自身的特点,若仿效普通电力变压器的故障诊断方法,在诊断牵引变压器故障时精度较低。文中针对牵引变压器发生故障时的气体特征,提出了一种基于改进的灰关联度分析模型用于牵引变压器故障诊断的方法。该方法充分利用了牵引变压器油中气体数据的全部信息,且发挥了灰关联度适用于小样本、贫信息系统的优势,避免了局部关联和信息损失的缺陷。实例分析结果表明,该方法可以很好地判断牵引变压器故障类型,提高诊断精度。     

改进型灰色关联算法在变压器故障诊断中的应用

灰色关联分析已应用于电力变压器故障诊断,传统基于单一故障标准模式向量灰色关联分析算法的油中溶解气体分析(DGA)诊断模型精度有限.为此,提出一种改进型灰色关联算法,该算法在充分考虑DGA数据分散性的基础上,将每类故障的标准故障模式向量由原来算法中的1个扩充到6个,并给出每类故障的DGA数据分布范围,增大诊断信息量;利用关联分析原理,求出待诊模式与各类故障标准模式的灰色关联度,得到故障诊断判定.实例分析证明,所提算法的诊断准确率高于原来的普通灰色关联方法.     

基于变压器DGA广义灰色故障诊断

电力变压器是电力系统中最重要的电气设备之一。变压器油中溶解气体分析是变压器故障诊断的重要手段。故障征兆和故障类型之间存在复杂的非线性关系决定了传统的方法难以完全满足工程应用的要求。本研究提出一种改进面积广义灰色关联度来分析序列之间的相似性与相近性,以期能有效诊断变压器的故障类型。     

基于时序特征和参数估计的变压器故障诊断方法

油中溶解气体分析(DGA)是对变压器进行故障诊断最方便、最有效的方法之一,其中静态分析方法取得了较多的研究成果。实际中故障信息的出现具有时序特征,趋势信息可以反映故障的状态及发展,将基于时序特征的动态分析方法与传统的静态分析方法相结合,可以对故障发展及危害进行更为全面准确的描述。提出了基于时序特征和参数估计诊断变压器故障的方法,采用最小二乘参数估计算法识别特征气体的变化趋势,采用滑动窗口方法实现在线分析,利用递推最小二乘估计算法减小运算复杂度。以实际变压器油中气体测量数据进行实验,结合静态三比值和灰色关联度分析方法,对变压器进行故障诊断,实验结果证明了方法的有效性。     

基于多因素的变压器油中溶解气体体积分数预测方法

为克服传统预测方法只单独考虑少量参量的不足,提出了一种基于多因素的变压器油中溶解气体体积分数预测方法。收集变压器油中溶解气体在线监测数据、EMS数据和气象数据,通过数据预处理完成各类数据的清洗和同步。利用灰色关联分析方法确定与待预测气体关联度较高的关键输入参量,有效约简输入数据的维数;建立基于KNN回归的多因素预测模型,实现变压器正常状态下油中溶解气体体积分数的预测。收集变压器故障案例库中的故障样本数据,针对单台设备故障数据稀缺的特点,利用关联分析方法筛选与故障设备情况相近的故障案例作为输入数据,并将关联度确定为各输入的权重。建立基于故障样本加权均值回归的多因素预测方法,实现故障状态下变压器油中溶解气体体积分数预测。实例分析表明,相比于常规的预测方法,将多种影响因素合理纳入预测模型,有效提高了油中溶解气体体积分数的预测精度。     

基于特征表征度与多变量预测模式识别的变压器故障诊断

针对现有的基于油中溶解气体分析的诊断方法忽略了特征对故障类型的表征力度差异,限制了故障区分度的问题,提出了一种新的变压器故障诊断方法。该方法首先将主成分分析与灰色关联度分析相结合,用于度量特征量表征各故障类型的重要程度,并确定各故障类型下各特征量的权重;其次,构建一种多变量预测模式识别方法,用于电力变压器故障分类。其基本思想为:基于训练样本数据建立各类别下特征量之间相互表达的数学模型,即各类别的预测模型;将待测样本特征量输入至已建立好的预测模型中,并输出对应的特征量预测值;基于各特征量的权重信息,以预测值与实际值的加权误差平方和最小为判据,确定样本所属类别。最后通过与神经网络、支持向量机等方法进行对比,验证了所提方法的有效性。     

基于改进灰色关联分析的变压器故障识别

提出了一种新的基于改进灰色关联分析的变压器故障识别方法。在研究讨论了传统灰色关联分析理论的基础上，提出了群灰色关联度概念，并给出了它的计算方法。同传统的灰色类关联分析相比，该改进灰色关联分析具有两个优点：①提高灰色关联分析的准确性和可靠性：②降低了对单个参考信号的依赖性，扩大了灰色关联分析的应用范围。最后将该方法应用于变压器故障识别。识别结果显示，改进的方法比传统的灰色关联分析效果更佳、更可靠。该方法还可以广泛地应用于其他领域。     

基于遗传算法优化XGBoost的油浸式变压器故障诊断方法

为了提高油浸式变压器故障诊断的精度及可靠性,研究了一种基于遗传算法优化极端梯度提升(XGBoost)的油浸式变压器故障诊断方法.首先,以油中溶解气体分析(DGA)为依据,采用无编码比值方法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;以归一化样本为输入建立基于XGBoost的故障诊断模型,并采用遗传算法对...     

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.     

多神经网络与证据理论融合的变压器故障综合诊断方法研究

电力变压器发生故障的部位多，故障原因、现象复杂，在故障诊断中，可以通过变压器不同方面的特征信号从不同侧面来反映变压器的故障。因而需要对变压器的多种特征信号进行综合处理和协同分析。该文结合色谱数据和电气试验数据，利用数据融合原理，将神经网络和证据理论进行有机结合，使两者优势互补，提出了多神经网络与证据理论融合的变压器故障综合诊断方法。诊断结果表明，运用提出的融合诊断算法，能充分利用色谱数据和电气试验数据的冗余、互补信息，使基于多种特征信号综合诊断结果的准确性和可靠性比基于单一故障特征的诊断得到有效的提高。     

基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强.提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法,并建立了变压器选择性贝叶斯故障诊断模型.详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构...     

A new approach of DGA interpretation technique for transformer fault diagnosis

Dissolved Gas Analysis (DGA) is one of the most common techniques to detect the incipient faults in the oil-filled power transformers. In this paper, a new approach of DGA technique is proposed to overcome the conflict that takes place in the traditional interpretation techniques for transformer fault diagnosis. The new approach is based on the analysis of 386 dissolved gas samples data set that collected from the Egyptian electric utility chemical laboratory as well as from credited literatures. These data sets are used to build the technique model and also as a tested data set to get the technique’s accuracy. The new approach DGA diagnoses the transformer fault types based on the gas concentration percentage limit of the sum of main five gases (Hydrogen (H₂), Methane (CH₄), Ethan (C₂H₆), Ethylene (C₂H₄), and Acetylene (C₂H₂)) and some suggested gases ratios depending on the sample data set analysis. The validation of the proposed approach of DGA technique is satisfied by comparing its results with the results of the IEC Standard Code, Duval triangle and Rogers methods for the collected data set. The results refer to the ability and reliability of the new approach in transformer faults diagnostic.     

考虑复杂时序关联特性的Bi-LSTM变压器DGA故障诊断方法

当前基于油中溶解气体分析(DGA)的变压器故障诊断方法往往仅考虑单一时刻数据点,容错性差,难以充分挖掘在线监测数据的时序信息。提出一种考虑变压器油特征参量序列间复杂关系的基于双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。首先构建了变压器油特征参量序列,基于序列数据构建了Bi-LSTM变压器故障诊断模型。工程实际中不同变压器油特征参量序列长短不一,需通过排序、分组填充对模型输入进行重构改进,然后对超参数进行优化。基于同一自建数据库对比所提方法与其他方法,结果表明:经过数据重构后所提方法的准确率可达91.9%;当特征指标数量减少约2/3时,所提方法的准确率仅下降约1%,而其他方法的准确率平均下降约6%;当采样数据存在10%的随机错误时,所提方法诊断准确率仅下降2%～6%,且通过改变隐藏层的数量可得到改善。     

大型变压器油中溶解气体在线监测技术进展

介绍了近年来国内外大型变压器油中溶解气体在线监测技术的最新进展。结合在线监测原理．描述了其监测过程。重点阐述了油气分离技术和气体分离与检测技术的发展．讨论了各种方法的技术特点和应用前景。通过对多种油气分离方法的性能比较,认为高分子透气膜法最适合变压器油中溶解气体在线监测。概括了多种基于油中溶解气体分析DGA(Dissolved Gas Analysis)技术的变压器故障诊断方法．并指出在线监测数据和离线监测数据获得的条件不同,两种数据存在差异,其处理方式也应该有所不同。     

A new fuzzy logic approach to identify power transformer criticality using dissolved gas-in-oil analysis

Dissolved gas analysis (DGA) of transformer oil is one of the most effective power transformer condition monitoring tools. There are many interpretation techniques for DGA results however all current techniques rely on personnel experience more than analytical formulation. As a result, the current techniques do not necessarily lead to the same conclusion for the same oil sample. A significant number of DGA results fall outside the proposed codes of the ratio-based interpretation techniques and cannot be diagnosed using these methods. Moreover, ratio methods fail to diagnose multiple fault conditions due to the mixing up of produced gases. To overcome these limitations, this paper introduces a new fuzzy logic approach that aids in standardizing DGA interpretation and identifies transformer critical ranking based on DGA data. The approach relies on incorporating all traditional DGA interpretation techniques (Roger, Doerenburg, IEC, key gas and Duval triangle methods) into one expert model. In this context, DGA results of 338 oil samples of pre-known fault conditions that were collected from different transformers of different rating and different life span are used to establish the model. Traditional DGA interpretation techniques are used first to analyze the DGA results to evaluate the consistency and accuracy of each method in identifying various faults. Results of this analysis were then used to develop the proposed fuzzy logic model. The model is validated using another set of DGA data that were collected form previously published papers.