变压器油中溶解气体分析和故障诊断

变压器油中溶解气体分析技术具有操作简单快速、无需设备停电等优点,能够及时发现变压器内部的潜伏性故障,对保证电力系统安全运行具有重要意义。在分析变压器内部主要故障类型的基础上,对变压器油中溶解气体分析与故障诊断方法进行了研究,并结合实际故障案例,对该故障诊断方法的准确性加以验证。结果表明,油中溶解气体分析能够检测出多种高压试验无法发现的缺陷与潜伏性故障,并对故障类型进行初步定性,其分析结果可作为变压器状态综合评估的重要依据。     

油中溶解气体的色谱分析在变压器故障诊断中的应用

按油中溶解的特征气体含量分析数据与注意值进行比较判断：特征气体主要包括总烃C2H2、H2、CO、CO2等。变压器内部在不同故障下产生气体有不同的特征，可以根据变压器油的气相色谱测定结果和产气的特征及特征气体的注意值，对变压器等设备有无故障及故障性质作出初步判断。     

基于油中特征气体分析的变压器绝缘故障诊断

阐述了变压器内部故障与油中特征气体的关系、变压器油特征气体分析的常用方法、以及区分过热和放电故障的气体组分特征量,给出了基于变压器油特征气体分析的变压器故障诊断模型.     

基于油中溶解气体分析的电力变压器绝缘故障诊断方法

电力变压器是电力系统的枢纽设备,其运行可靠性直接关系到电力系统的安全与稳定,油中溶解气体分析方法作为一种有铲的充油电力设备异常监测手段,在电力系统得到广泛的应用,本文述述了基于油中溶解气体分析的电力变压器故障诊断技术的产生背景、研究现状和发展方向。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

油中溶解气体电力变压器故障诊断专家系统

保证电力变压器可靠运行是电力系统安全稳定的重要研究课题,现有的油中溶解气体分析方法存在编码涵盖范围小、不可扩展等不足,影响了其在实际工程中的应用。为此,提出了一种可扩展的油中溶解气体成分的电力变压器故障诊断专家系统,通过将传统三比值法、统计学习方法及实际经验法获得的故障判别规则进行整合,建立了可增扩新规则的专家系统。为验证该方法的有效性,采用3类典型算例、42条故障记录作为进行判别,研究结果表明,建立的专家系统较现有方法具有更好的操作性和判别准确率。     

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。     

变压器故障诊断中溶解气体的PSO-WFCM算法研究

由于模糊聚类将故障样本等同进行模糊划分,且受初始值影响,故提出将PSO-WFCM算法用于变压器油中溶解气体的故障诊断。该算法选取油中气体作为故障特征量,利用粒子群算法得到最佳初始聚类中心,用以指导模糊聚类求取最终的聚类中心。实验结果表明,其弥补了模糊聚类的不足,还提高了变压器的诊断性能。     

变压器故障诊断中溶解气体的PSO-WFCM算法研究

由于模糊聚类将故障样本等同进行模糊划分,且受初始值影响,故提出将PSO-WFCM算法用于变压器油中溶解气体的故障诊断。该算法选取油中气体作为故障特征量,利用粒子群算法得到最佳初始聚类中心,用以指导模糊聚类求取最终的聚类中心。实验结果表明,其弥补了模糊聚类的不足,还提高了变压器的诊断性能。     

基于油中溶解气体分析的变压器绝缘故障诊断方法的研究和发展

总结了近年来人工智能技术在基于油中溶解气体分析(DGA)的变压器绝缘故障诊断方法上的研究和发展，介绍了其中的主要方法和成果，并讨论了该领域的研究趋向。     

变压器油中溶解气体色谱分析与故障识别

对变压器故障类型进行了分类,用油中溶解气体法判断变压器故障,在实际应用中证明是有效手段,并提出了分析判断故障的注意事项。     

变压器油中溶解气体在线监测方法及故障判断综述

对变压器的常见故障及其基于变压器油中特征气体组分的故障诊断方法进行归类,分析了在不同故障原因下变压器油中主要特征气体组分,阐述了国内外变压器油中溶解气体在线监测技术的研究现状和发展趋势.     

变压器油中溶解气体故障诊断的改进模糊算法

变压器故障原因十分复杂,故障现象与故障机理间的联系存在着模糊性和不确定性。现有的经典故障诊断算法应用广泛,但存在一些固有缺点。为此,引入遗传算法,对模糊迭代自组织数据分析算法(iterative selforganizing data analysis techniques algorithm,ISODATA)进行改进,提出优化诊断方法,提高了算法效率,降低了ISODATA对于初始聚类的依赖性。结合具体诊断案例,对改进前后诊断方案各方面指标进行比较分析,证明所提方案的准确性、高效性。采用遗传算法改进的模糊ISODATA更符合实际需要,可方便地应用于对油浸式变压器的故障诊断。     

人工智能在变压器故障诊断中的应用

人工智能（AI）在变压器故障诊断领域的开发和应用,以专家系统和人工神经网络的研究最引入注目。已开发的软件TFDES由变压器故障诊断知识库、数据库、推理机、解释机制和人机接口组成,知识库建成模块化结构。人工神经网络TFDANN为模块化结构,采用反向传播的BP网络,引入了模糊逻辑理论。系统对运行中变压器的内部潜伏性故障,可作出早期诊断,对现场运行人员可提供“咨询”意见。     

油中溶解气体分析在电力变压器故障诊断中的应用

利用油中溶解气体分析技术,结合高压试验进行变压器故障诊断,准确地发现了变压器的故障性质和部位,并进行了相应的处理,保障了电网的安全运行。     

以油中溶解气体分析为特征量诊断电力变压器故障部位的探讨

用油中溶解气体分析(DGA)能灵敏地发现电力变压器潜伏性故障的性质。然而，对于采用DGA来诊断电力变压器故障部位的方法，目前仍存在能与不能两种观点。笔经过10年的探索，结合实际故障，运用多种诊断方法(如改良三比值法、四比值法、特征气体法、灰色聚类法等)联合诊断，再经正反向混合推理，可以得出最可能的电力变压器故障部位，有效提高了诊断准确性，这对实际生产具有一定的现实意义。     

油色谱分析在变压器故障诊断中的应用

变压器故障诊断应综合各种检测手段和方法,对各种检测结果进行综合分析和评判。根据DL/T596—1996《电力设备预防性试验规程》规定的试验项目及试验顺序,通过变压器油中气体的色谱分析方法,在不停电情况下,对变压器内部某些潜伏性故障及其发展程度的早期诊断非常有效。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。