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。     

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.     

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。     

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。     

基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断

充分利用粗糙集理论对知识的约简能力与模糊径向基函数(RBF)神经网络优良的分类诊断能力,基于粗糙集与RBF网络实现数据挖掘的电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBF神经网络的前置,对经离散化的样本集进行约简,形成精简的规则集,将高于一定可信度的挖掘规则用于电力变压器故障诊断;另一方面,将粗糙集挖掘的低于可信度要求的规则所对应的挖掘样本,作为模糊RBF神经网络的训练样本集,同时将粗糙集对这些样本的聚类结果作为模糊RBF神经网络的聚类因子,在此基础上构建改进的4层RBF神经网络,用来诊断不能用粗糙集挖掘的规则诊断的事例。经检验,系统具有较好的分类诊断能力。     

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。     

基于RS-SVM的油中溶解气体变压器故障诊断研究

建立了基于粗糙集和支持向量机组结合的故障诊断模型。     

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的多智能体故障诊断方法

为解决目前基于油中溶解气体分析(DGA)方法的变压器故障诊断系统中存在的模型单一化、自适应能力差及容易出现误诊和漏诊的问题,在对现有智能故障诊断系统和变压器DGA方法的研究基础上,提出了基于多智能体(Agent)系统的变压DGA智能故障诊断系统协作模型,给出了模型内的主要Agent、黑板、JavaAgent开发环境(JADE)总线的功能,并详细论述了基于多Agent系统的变压器DGA智能故障诊断协作过程,设计了多专家Agent投票诊断算法及基于黑板的资源竞争算法。最后通过应用实例,表明了基于多Agent系统的变压器油中溶解气体智能故障诊断方法的可行性和有效性。     

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。     

油中溶解气体分析在变压器故障诊断中的应用

对油中溶解气体在变压器故障诊断中的应用进行了分析。     

基于SVM多分类法的变压器油中溶解气体故障诊断

提出了一种基于支持向量机多分类法的变压器油中溶解气体分析诊断模型,并给出了故障实例。     

变压器油中溶解气体含量突增故障诊断与分析

针对某220 kV变电站主变压器2次油中溶解气体含量突增事件,通过对主变压器的全面状态诊断及分析,认为变压器安装过程中将军帽与槽之间的密封垫摆放位置偏移是导致变压器瞬间放电后油中溶解气体含量突增的主要原因,提出加强变压器密封垫安装管理工作,提高密封垫质量等处理措施。     

基于油中溶解气体分析的ISSA优化LSSVM变压器故障诊断研究

为了提升变压器故障诊断的准确率,提出一种基于等规度映射(Isomap)与改进樽海鞘群算法(ISSA)优化最小二乘支持向量机(LSSVM)的变压器故障诊断方法。首先,基于油中溶解气体分析技术,构建14种能够反映变压器运行状态的故障特征,并结合Isomap对样本数据进行维数约减,消除变量信息之间的冗余数据;然后结合半数均匀初始化、混合反向学习策略和非线性递减权重因子策略对樽海鞘群算法(SSA)进行改进,并通过5个基准测试函数与原始SSA、粒子群算法(PSO)、正弦余弦算法(SCA)进行对比,证明其寻优能力和分类精度均有较大提高;最后用ISSA算法动态寻优LSSVM的惩罚参数γ和核函数参数σ,获取基于Isomap与ISSA-LSSVM相结合的故障诊断模型,并与PSO-LSSVM、SSA-LSSVM、SCA-LSSVM做对比实验,诊断精度分别为90.83%、81.67%、83.33%、80%。结果证明,所提方法能够有效地增强变压器故障诊断的性能。     

变压器油中溶解气体含量分析在变压器故障诊断上的应用

阐述了利用变压器油中溶解气体含量对油浸式电气设备潜伏性故障进行诊断分析的过程,分析了电气设备故障判断过程中的难点和注意事项,对应用变压器油中溶解气体含量进行电气设备故障诊断的方法提出了技术要求.     

变压器油中气体分析辅助诊断方法

我国现行的《变压器油中溶解气体分析和判断导则》(DL/T722-2000)提出的三比值法,是一种依据故障组分气体含量的相对比值,判断变压器不同类型故障的方法,在实际应用中可以作为初步诊断依据,但这种方法有其应用的局限性。采用一些辅助诊断方法,可对油中气体分析提供多种判据,便于对故障进行综合诊断,从而更好地指导故障处理。     

应用分析油中气体的方法诊断变压器

1 前言随着电能需求的日益增长,显著地提高了运行变压器故障检测工作的重要性。对于较大功率的变压器来说,因其不便存储备件,而且修理工作又耗时太长,所以使用该项检测方法尤为必要。到1988年底,荷兰已按装了105 195台变压器,其中,配电变压器103 060台。其余的2 135台是主变、电流变压器以及交流滤波器、电压变压器等。     

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。     

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。     

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。