基于油色谱的变压器故障联合诊断实例分析

根据故障时变压器内部油气量和电气量特征,按照相关标准和试验规程要求,以色谱分析和继电保护动作特性为主线,结合一台35 k V变压器开关接触不良和一台220 k V主变重瓦斯动作两个实例,对联合诊断方法的准确可靠性进行验证。实践结果表明:联合诊断可以准确地进行故障诊断和定位,具有良好的可行性和适用性。     

66 kV变电站变压器油色谱异常缺陷诊断

针对某66 kV变电站2号变压器油色谱异常进行缺陷诊断,分析了乙炔组分异常存在的原因,采取科学、合理的监测周期,保证了该设备运行状态可控、在控.当油中乙炔组分再次异常变化时及时作出反应和判断,运用正确的检测手段来诊断缺陷的故障性质和危险性,并有效地指导变压器厂家进行设备返厂解体检查和缺陷故障部位的查找.     

油色谱分析法判断变压器故障实例

实践证明油色谱分析法是判断电力用油设备故障有效的方法     

潜油泵故障引起变压器油色谱异常的分析

1问题的引入1995＄12fi，W＄ds）JkgAtr＠ds＄新上～台SFPSZS—120000／220变压器，运行8＆＄RU4lwllllR＄deffi＃rkts＄＃Mg常，』总级气体含量和产气速率均大大超出标准。在连续的跟踪监视中油中含气量又突然呈下降趋势，五降幅和降速较大，就试验人员判断缺陷原因提出了～个难题。其后综合该变压器的输出和运行资料，发现了问题的关键在～台港油系上，从而找到了油色谱分析数据异常的原因，解决了这～全局关注的问＠。2变压语多数及历次油样大措分析数据ffilAir“2Rteff＆＄HM，taff－H4ltokthgh＆该变压器为保定变压器厂1995年1…     

500kV变压器油色谱异常的诊断及分析

介绍在一台500kV变压器运行期间依据油中溶解气体的色谱分析结果判断其内部存在过热故障的处理过程,阐明油气色谱分析对监控运行中变压器工作状态的重要性。     

110kV变压器油色谱异常故障的分析

介绍了一起110 kV变压器油色谱异常的故障,并利用特征气体变化情况、三比值法等油色谱分析手段,综合考虑变压器基本结构、运行工况,对缺陷情况进行了初步判断,结合电压比、绕组变形等诊断性试验方法及直流电阻、绝缘电阻、介损、绕组变形等常规例行试验方法,分析了故障的原因,并提出了相应的技术整改措施和建议。     

变压器油色谱数据异常的分析与处理

介绍了变压器油色谱数据异常的分析与处理情况。     

基于改进神经网络算法的变压器油色谱故障检测方法

针对变压器油色谱故障分析方法预测能力不足,诊断评价准确率低的缺陷,提出一种基于神经网络算法和灰色关联度方法的变压器故障识别组合方法,通过对变压器绝缘油色谱中H2、CH4、C2H6、C2H4、C2H2等特征气体的检测,并将其作为神经网络算法的输入变量,同时采用灰色关联方法对变压器绝缘故障的放电、高温、接地等12类故障进行...     

浅析色谱法分析诊断变压器故障常规流程

变压器油中溶解气体的色谱分析法,能尽早地发现充油电气设备内部存在的潜伏性故障,是监督与保障设备安全运行的一个重要手段。对变压器油中溶解气体的组分、产气速率及特征气体三比值的分析,能够较早的发现和判断变压器是否存在故障、故障的类型及发展趋势。     

基于色谱分析法的变压器故障诊断及分析

分析了变压器结构后结合红外测温及电气试验准确地判断出故障点,并进行了相应的处理。     

DGA技术在电力变压器绝缘故障诊断中的应用与进展

介绍了近年油中溶解气体分析（ＤＧＡ）技术在电力变压器绝缘故障诊断中的应用和发展动向。     

基于加权综合损失优化深度学习和DGA的变压器故障诊断方法

为进一步提高变压器故障诊断效果,提出了一种基于加权综合损失优化深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以DGA特征量为输入,以Softmax层各故障状态概率分布为输出,基于堆栈稀疏自编码深度学习理论构建了变压器故障诊断模型。针对常规交叉熵损失函数下,变压器故障诊断效果偏低,训练样本不平衡分布影响故障诊断水平的问题,采用加权综合损失函数对深度学习模型进行优化。案例分析结果表明:相比传统方法,本文方法可削弱训练样本不对称对变压器故障诊断的不利影响并提高变压器故障诊断水平,各训练集下,本文方法故障诊断准确率可保持在90%以上。     

基于DGA的变压器故障诊断智能方法分析

针对传统变压器故障诊断方法的不足,介绍了多种智能诊断方法在基于油中溶解气体分析（dissolved gas-in-oil analysis, DGA）的变压器故障诊断中的应用,包括人工神经网络、模糊理论、专家系统、灰关联分析及其他智能方法。通过对这些智能诊断方法的分析,得出其优缺点及需要改进的方案,为研究人员选择最优油浸式电力变压器故障诊断方法提供参考。最后对基于DGA的变压器故障智能诊断方法进行了展望,并分析了未来的发展方向。     

基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型

针对单一的特征气体或特征气体比值作为DGA特征量无法全面反映变压器故障分类的问题,本文从混合DGA特征量中优选出一组DGA新特征组合为输入,建立改进磷虾群(Improved Krill Herd,IKH)算法优化支持向量机(Support vector machine,SVM)的变压器故障诊断模型进行故障诊断。将SVM的c和s与11种候选特征量进行二进制编码,利用遗传算法结合支持向量机对DGA特征量进行优选,得到一组最优DGA新特征组合;利用IKH算法对SVM的参数进行优化,同时结合交叉验证原理构建IKH算法优化SVM的变压器故障诊断模型。基于IEC TC 10的诊断结果表明：与DGA全数据、三比值特征量相比,新DGA特征组合的故障诊断准确率分别高出10.14%和30.2%;IKHSVM准确率也要高于标准SVM和GASVM(分别为73.87%、81.13%和86.27%),说明该方法能有效诊断变压器故障。     

基于LabVIEW的变压器油色谱分析故障诊断系统

开发了一套基于LabVIEW的变压器油色谱故障诊断系统。故障诊断模块使用改良电协研法和基于RPROP算法的多层前馈神经网络，为了避免LabVIEW调试功能不够强大的问题，使用了动态链接库技术实现了该模块。实现了对变压器油色谱数据和故障诊断信息进行存储、查询、修改、删除及图形化显示，同时具有良好的帮助功能。通过对河北省石家庄电业局变压器进行故障诊断验证了系统的有效性。     

基于RPROP算法的变压器油中溶解气体分析故障诊断

在分析BP算法和RPROP(振荡传播)算法原理的基础上，指出了RPROP算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点，并分析了原因。将RPROP算法训练的多层前馈神经网络用于变压器油中溶解气体分析故障诊断，给出了网络模型，分析了隐层神经元数目对网络训练和诊断的影响。变压器油中溶解气体数据的训练和诊断表明，RPROP算法的收敛速度快于BP算法、加动量项BP算法，并且具有较高的诊断准确率，是一种有效的方法。     

基于DGA的电力变压器故障诊断

根据规程和生产经验总结出分析诊断变压器内部故障的流程图,介绍不同特征气体含量代表变压器处于何种运行状态以及相应的对策与措施。实践表明,基于DGA诊断变压器内部故障行之有效,但需全面掌握设备内部结构和运行状态,必要时增做电气试验,分析判断要结合历年试验数据和设备检修记录。     

基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法

电力变压器属电力系统中的重要设备,目前油中溶解气体分析(DGA)的三比值法是对变压器进行故障诊断的最方便、有效的方法之一.本文结合改良的三比值法,将贝叶斯网络方法引入大型变压器的故障诊断,提出了基于贝叶斯网络(BN)理论和变压器油中溶解气体分析方法的变压器智能故障诊断方法,并据此建立了变压器故障诊断模型.通过实例判断验证了本文方法的有效性.     

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。