电力变压器工作状态在线监测与故障诊断系统

目的　研究并建立电力变压器中油内气体的在线监测与故障诊断系统.方法　根据变压器故障诊断问题的特点,采用4种气体传感器构成的检测系统,建立了与之相应的四参数故障诊断方法.结果　初步测试结果表明,数据稳定,系统功能较齐全.结论　该系统能有效地诊断运行中变压器的内部潜伏性故障.     

电力变压器故障诊断的人工神经网络方法

电力变压器故障诊断对变压器、电力系统的安全运行有着十分重要的意义．在介绍人工神经网络（ANN）和模糊理论的基本工作原理的基础上,针对变压器故障诊断的特点,运用油中溶解气体分析法（DGA）,采用分块化的反向传播神经网络（BP）,建立了变压器故障诊断的神经网络模型．通过训练和实际测试,表明了这一方法的有效性和可行性．     

变压器油中气体组分含量在线监测与故障诊断

电力变压器运行可靠性直接关系到电力系统的安全及供电可靠性,为提高电力变压器故障诊断的准确率,由在线监测变压器油中溶解气体组分含量分析,提出了基于人工免疫和模糊C均值聚类分析方法有效结合的变压器故障诊断算法,通过对电力变压器油中的溶解气体进行分析,实现对变压器的故障诊断。重点研究了基于人工免疫网络的变压器故障样本数据处理、基于模糊C均值聚类对变压器故障的识别,以及仿真实验。实验结果表明:提出的算法能有效对变压器故障类型进行分类,该算法在变压器故障诊断中有较好的应用前景。     

基于改进算法ANFIS的变压器故障诊断

在分析变压器油中溶解气体进行变压器故障诊断的基础上,提出一种基于改进算法的自适应神经模糊推理系统的变压器绝缘故障诊断方法.该方法使用IEC三比值法的3个气体比值作为ANFIS输入向量,构造三输入一输出的ANFIS,然后使用具有全局收敛性的相关的广义Fletcher-Reeves共轭梯度法改进ANFIS默认的以BP算法和最小二乘法构成的混合学习算法,再使用新的学习算法训练系统.最后,对模型的有效性进行了检验,并与使用BP学习算法训练的诊断结果做了比较.检验结果表明:使用改进算法的ANFIS进行变压器故障诊断是可行的,并且诊断精度有所提高.     

基于综合特征输入的DGA在变压器故障诊断中的应用

介绍了反向传播人工神经元网络在变压器故障诊断中的应用,建立了一种新型的基于综合特征输入的溶解气体分析DGA模型,说明了它的工作原理,样本分类方法及计算步骤,结果表明,该网络模型在变压器故障诊断中,经过不断地自适应训练,显著地提高了判断准确率。     

基于综合特征输入的DGA在变压器故障诊断中的应用

介绍了反向传播人工神经元网络在变压器故障诊断中的应用,建立了一种新型的基于综合特征输入的溶解气体分析DGA模型,说明了它的工作原理、样本分类方法及计算步骤.结果表明,该网络模型在变压器故障诊断中,经过不断地自适应训练,显著地提高了判断准确率.     

基于粗糙集理论的变压器故障诊断模型

综合考虑油浸电力变压器的溶解气体分析与电气试验得到的多种故障征兆，在分析大量变压器故障案例的基础上，建立了基于粗糙集的油浸电力变压器故障诊断的具体模型．针对变压器故障的复杂性以及信息的不完备性，对变压器的故障信息和故障类型进行分析总结，利用粗糙集进行约简可以得到诊断结果．实例表明该模型具有计算速度快、正判率高、结果直观等优点．     

故障电力变压器油中气体的B型灰色关联度诊断法

在分析灰色关联度应用于故障诊断的基础上，提出了电力变压器故障的灰色关联度诊断法，从变压器的油中气体中提取特征参数，讨论了特征参数的无量纲化处理方法。通过仿真实验表明该方法具有良好的诊断果果。     

基于模糊神经网络的变压器故障诊断新方法

基于模糊理论与神经网络理论,提出了变压器故障诊断的新方法,根据特征气体法和改良ＩＥＣ三比值法,建立了模糊神经网络诊断模型。此模型有效地处理了故障诊断中的不确定因素,并具有较强的知识获取能力,研究结果表明了这种方法的有效性和应用前景。     

基于DGA和深度置信网络的变压器内部故障诊断

以油中特征气体组分比值为特征量的故障诊断是变压器内部故障诊断的重要方法,但实际应用中常出现"超码"和"缺码"问题,导致故障诊断精度低.从"信息驱动"的角度,提出一种基于深度置信网络的无监督型变压器故障诊断方法.该方法利用深度置信网络的油溶解气体特征提取,构建多隐含层的深度学习模型,采用无监督特征学习方法,实现在少样本情况下的变压器故障识别问题.算例表明,所提的深度置信网络提高了电力变压器故障诊断的准确率.     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

基于PCA与GA-LM-BP神经网络的变压器故障诊断

研究基于油中溶解气体的变压器故障诊断问题.采用主成分分析与数据归一化方法,对变压器故障样本数据进行规范化处理,使其更具有代表性.对比主成分规范化前后的样本故障诊断结果,主成分分析能够消除特征气体样本数据间的相关性,使输入层样本数据更加符合神经网络工作机理.实验可得主成分规范化后的样本故障诊断结果优于未经过主成分分析规范化的故障诊断结果.在主成分分析对数据规范化的基础上,进一步改进BP神经网络算法,建立基于Levenberg-Marquardt算法的LM-BP神经网络故障诊断模型,改善了BP神经网络模型诊断精度不高,网络收敛困难以及易陷入局部极小值等问题.利用遗传算法对LM-BP神经网络的权值和阈值进行优化,然后再进行第2次神经网络训练,克服了LM-BP神经网络性能受初始权值和阈值限制的问题,使故障诊断正确率提高了6.16%.通过对441组样本数据中随机选取的376组训练样本和65组检验样本进行故障诊断实验,诊断正确率达到83%,表明所构建的基于PCA与GA-LM-BP神经网络的故障诊断方法是一种有效的变压器故障诊断方法.     

电力变压器故障智能化诊断技术综述

变压器是电力系统的主要设备之一,其故障的提前诊断极其重要。总结并系统剖析了国内外各种传统及现有的变压器故障诊断方式,详细列举了基于油中溶解气体分析技术或电力设备的智能化故障诊断技术的最新进展,阐述了各类深度学习算法在变压器故障诊断中的应用,如深度神经网络、稀疏受限玻尔兹曼机、深度置信网络等,并将各种诊断技术的最终效果进行了对比。     

油中气体分析在变压器故障诊断中的应用

本文叙述了油中气体分析在变压器类设备故障诊断中的应用,介绍了特征气体法、三比值法和三角形法的基本原理。并通过实例,进一步说明建立油中气体分析(DGA)数据库的必要性。     

基于粗糙集和贝叶斯网络的变压器故障诊断

为了提高变压器故障诊断的准确性,采用智能互补的思想,将粗糙集和贝叶斯网络相结合来进行变压器故障诊断的研究.先将特征气体的比值进行离散化,再利用粗糙集理论进行属性约简,获得最小诊断规则;同时利用贝叶斯网络实现概率推理来分析变压器故障.通过变压器故障诊断实例分析,证明了该方法有效、可行,具有较高的准确率.     

神经网络在电力变压器故障诊断中的应用

基于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,根据特征气体法和改良ＩＥＣ三比值法,建立了模糊神经网络诊断模型,此模型有效地处理了故障诊断中的不确定因素,并具有较强的知识获取能力,表明了这种方法的有效性和应用前景。     

神经网络在电力变压器故障诊断中的应用

基于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 ,根据特征气体法和改良IEC三比值法 ,建立了模糊神经网络诊断模型。此模型有效地处理了故障诊断中的不确定因素 ,并具有较强的知识获取能力 ,表明了这种方法的有效性和应用前景     

云模型在电力变压器故障诊断中的应用

鉴于物元理论在构建诊断模型时,忽略了分界值的不确定性,使诊断结果偏离了实际情况。利用云模型能合理地解决边界不确定问题,将物元理论与云模型相结合,建立了新的故障诊断模型。同时,结合油中溶解气体分析技术,通过对油中溶解气体的浓度、产气率、总烃含量以及气体间比值的分析,客观、准确地对变压器进行故障诊断。通过与其他诊断技术相比较,并结合案例分析,得出基于物元理论和云模型的变压器故障诊断技术具有更高的正确率。     

电力变压器过热故障的在线监测

介绍了大型电力变压器过热故障在线监测系统的结构模型,叙述了检测过热故障的传感技术和色谱气体分析等新技术的研究成果,强化了变压器过热故障在线监测的理念,并以实例论证了过热故障诊断系统TOHES推广应用的重要性和价值.     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.