基于SSA-PNN的电力变压器故障诊断

为了提高变压器故障诊断的准确率,在改良三比值法的基础上,采用麻雀搜索算法优化概率神经网络构建一种新型变压器故障诊断网络模型,并设计相应的故障诊断方法。分析表明,与基于概率神经网络的变压器故障诊断方法相比,基于该网络模型的诊断方法提高了变压器故障识别与故障分类的准确率,在电力变压器的故障诊断中具有一定的实际工程意义。     

神经网络技术在变压器故障诊断中的应用

本文针对变压器传统故障诊断的缺点,提出将神经网络技术用于变压器故障诊断。本文对BP算法改进,使网络收敛速度和误差精度进一步提高。收集部分油中溶解气体故障数据样本,对变压器故障类型进行了分析,并确定网络的输入和输出向量,建立诊断网络模型,实现对各项网络参数的比较确定,在Mtalab里面仿真使误差满足要求。     

基于优化遗传算法的变压器故障诊断方法研究

提出的变压器故障诊断方法以多个主要影响因子为网络的输入信息,建立变压器故障诊断的遗传神经网络模型,利用GA较强的全局寻优能力和BP梯度法较强的局部搜索能力,较快同时又较好地综合诊断出网络输出信息的变压器故障类型。为了验证所提出识别方法的有效性,对变压器故障实测数据进行了学习和综合诊断对比,测试结果表明,基于优化遗传算法的故障诊断方法计算速度快、精度高、鲁棒性强,可以有效直观地对变压器故障类型进行综合诊断,具有一定实际应用价值。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

模糊Kohonen神经网络的旋转机械故障诊断

针对传统故障诊断方法不能解决旋转机械故障诊断的模糊性问题,提出一种基于模糊Kohonen神经网络的故障诊断模型,通过模糊量化处理故障样本模式和在Kohonen网络中使用邻域函数自动调整权重程度的改进学习算法,较大提高了网络的学习速度和聚类能力,能对具有模糊性的复合故障进行诊断,是一种适合于复杂旋转机械故障诊断的有效可行的方法。     

在线式电力变压器故障诊断系统

电力变压器油中溶解气体的组分和含量在一定程度上反映出变压器绝缘老化或故障的程度。在线式电力变压器故障诊断系统将各气体组分的浓度转换戍相应的电信号，经数据处理后送入工作站生成色谱图，实现了变压器油中溶解气体组分、含量及产气速率的在线监测，并利用灰色关联理论进行故障诊断，及时发现并判断变压器内部存在的潜伏性故障，克服了传统三比值法故障编码与故障分类不能一一对应的缺点。实验表明，该系统和方法的故障诊断准确率达到95％。     

基于改进多分类概率SVM模型的变压器故障诊断

针对电力变压器内部结构复杂,故障类型繁多,难以实现故障准确有效诊断的问题。提出k近邻及改进多分类概率支持向量机对电力变压器进行多分类故障诊断的方法。首先,采用有向无环图的形式对变压器各种故障进行归类,进而利用k近邻算法对故障大类进行预分类,缩小故障所属类别,降低了后续多分类模型的构建复杂度。然后,以预分类后的类别样本数据作为输入,训练OVO-SVMs分类器,以概率的形式输出隶属各类的概率矩阵,并用改进OVR-SVMs分类器的概率输出作为概率矩阵中各元素的权重系数,对概率矩阵进行更新、修正,提高故障诊断正确率及可靠性。实际诊断结果显示,所提出的方法与IEC三比值法和传统的多分类支持向量机相比,在故障诊断范围、故障诊断正确率和故障诊断效率上均有所提高。     

基于ACGAN的功率变换器参数性故障诊断方法

提出了一种基于辅助分类生成对抗网络的功率变换器参数性故障智能诊断方法。首先采集功率变换器的测点电压与支路电流信号,提取信号的时域特征,构成故障特征向量。采用对抗学习机制训练生成器和判别器,由ACGAN中生成器构造与真实故障特征分布近似的伪数据,从而将伪数据与真实数据同时用于训练判别器,判别器通过判别真伪数据来训练生成器。以Buck变换器为例,验证了所提出的故障诊断方法的可行性,结果表明ACGAN故障诊断方法相对于传统神经网络具有更高的故障诊断率与更优的泛化性能。     

BP网络在200MW汽轮发电机组故障模糊诊断中的应用研究

针对目前２００ＭＷ汽轮发电机组曾经发生的真实故障，本文将ＢＰ网络与聚类识别方法引入故障诊断中，建立了基于ＢＰ网络的ＦＣＮＮ模型，研究了基于ＦＣＮＮ模型的２００ＭＷ机组的模糊诊断方法。应用结果表明，该方法能够给出２００ＭＷ机组有无故障、故障可能的位置、程度和类型，在提高诊断系统的现场适应性和诊断可靠性方面取得满意效果．     

辽宁省电力科学研究院

BSZ型大型变压器油色谱在线监测装置可和各种充油变压器相联,实时监测变压器油中甲烷、乙炔、乙烯、乙烷、氢、一氧化碳、二氧化碳等气体含量变化,对运行变压器的状况监视和早期故障诊断。主要功能:1.自检系统:对装置各部的故障自检报警。2.具变压器故障诊断系统,可诊断变压器有无故障、故障性质、故障的程度。     

基于机理/数据混合驱动的变压器故障诊断模型研究

通过研究变压器常见缺陷和故障,提出基于机理/数据混合驱动的变压器设备故障诊断策略。该策略首先需要根据历史记录建立变压器故障案例库,然后对待检测案例进行案例匹配,若库中存在相似案例则快速得到诊断结论,若没有相似案例则启动故障推理模块。故障推理模块通过对变压器故障模式进行划分,基于不同故障模式,形成不同的推理规则,构建变压器故障树,以此进行故障推理。通过最后的案例分析,证明该策略能够对变压器设备故障进行准确、有效、快速的诊断和分析,且诊断结论可靠,实用性强。     

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。     

变压器故障诊断技术研究

简要介绍了变压器故障诊断的经典分析方法及智能算法,在此基础上,结合故障诊断实例,分析了如何应用这些方法对变压器故障进行实际诊断。     

一种基于改进最小二乘支持向量机的变压器故障诊断方法研究

变压器是整个电力系统稳定、安全、可靠运行的关键设备,变压器的故障诊断对提高电力系统供电可靠性具有重要的意义。为及时发现变压器的潜在故障风险,提出了一种基于模拟退火算法(SA)优化的最小二乘支持向量机(LSSVM)电力变压器故障诊断方法。利用SA算法对LSSVM诊断模型的正规则参数和核宽度参数进行优化,提高模型的分析精度。对比试验结果表明,提出的SA-LSSVM诊断方法可以准确有效地对变压器进行故障分析诊断,与传统的SVM和BP神经网络诊断方法相比,该方法具有更高的准确率。     

变压器故障的诊断研究

阐述了变压器在线故障诊断的意义,对故障类型和诊断方法做了详细的介绍,系统阐述了基于神经网络的变压器诊断理论,对尽早发现潜伏性故障及提高运行维护水平,具有重要的意义。     

基于随机向量泛函连接网络的油浸式变压器故障诊断

针对常用机器学习算法收敛速度慢、容易陷入局部最优等不足,提出一种基于随机向量泛函连接(Random Vector Functional Link,RVFL)网络的油浸式电力变压器故障诊断方法。该方法以变压器油中五种主要特征气体作为输入,以七种变压器运行状态作为输出,构建了基于RVFL网络的故障诊断模型。算例分析的结果验证了该方法的有效性和优越性。     

诊断精度对变压器故障可诊断性的影响

研究了可诊断性的定义以及基于信息熵的可诊断性计算方法,在实际数据的基础上分析了变压器故障诊断的精度对变压器故障可诊断性的影响。研究结果表明,在同一诊断模型下,诊断精度的要求越高,变压器的可诊断性就越低。由此探讨了提高变压器故障可诊断性的途径。     

基于深度残差网络的滚动轴承故障诊断方法

在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性.针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程.主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断.所提出方法在两组诊断实验中均达到了 100％的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果.研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景.     

变压器故障诊断研究综述

变压器故障诊断可指导制定合适的检修策略,保障电网安全可靠运行.数字电网建设将推动变压器状态监测数据的爆发式增长,给变压器故障分析与诊断带来重大机遇与挑战.阐述了变压器状态监测技术的发展,论述了变压器故障诊断过程中的数据清洗、监测参量预测和故障诊断研究现状,继而指出变压器故障诊断技术发展需解决的几个问题.开展变压器故障诊断分析与研究,对于进一步提升变压器故障诊断的高效性和准确性具有十分重要的意义.     

基于故障率与故障症的设备故障诊断方法

传统设备故障诊断方法完全基于故障症状,没有考虑零部件故障率,导致故障诊断的正确率不理想。本文首先基于威布尔分布模型构建了零部件故障率的求解算法,然后运用模糊综合评判方法构建了基于故障症状的故障诊断方法,再将零部件的故障率引入故障诊断模型,最后,通过实例验证了该方法的适用性。由于该故障诊断方法综合考虑了零部件故障率、故障机理。故障症状的明显程度、故障症状现场获取的难易程度等多个因素,其诊断结果的正确性大幅度增加。