基于膜分离的变压器在线监测系统中气体体积分数的预测算法

采用高分子膜对溶解于变压器油中的气体进行分离的变压器在线监测系统需要在气体渗透达到平衡后才能给出油中气体的准确体积分数。在对气体渗透过程的影响因素进行分析后,提出了一种在非平衡状态下利用气室中气体体积分数数据预测平衡后气室中气体体积分数的算法,并采用特氟隆膜与电化学气体传感器构建在线监测系统进行了现场实验。在弱化温度对渗透过程的影响的条件下,利用预测算法对非平衡状态下的测量数据计算后,与离线气相色谱对H2的测量值26μL/L的最大相对误差为26.8%,小于国际电工委员会对实验室离线色谱测量结果误差调查的平均值。实验结果证实了该预测算法的可行性,并在充分利用大量实时的在线监测数据的同时,提高了变压器在线监测系统测量结果的准确性与可靠性。     

变压器油中溶解乙炔光热干涉检测系统的温度和压强特性

光热干涉(photothermal interference,PTI)法是一种气体检测的新型光学方法,因其高灵敏度、高精度和"零背景"的优点,有望在油中溶解气体分析(dissolved gas analysis,DGA)检测领域中得以推广和应用。然而,油中溶解气体的温度和压强对光热相位的影响规律尚不明确,为提高PTI技术在DGA领域的适用性,文中提出一种基于Herriott气室的光强调制型PTI油中乙炔传感方案。为模拟故障状态下变压器油中气体检测,文中对含乙炔等多组分特征气体的混合气体进行实测,并重点研究测量过程中温度和压强对检测结果的影响规律,得出温度降低和压强增大均会使光热相位增大。由此表明,乙炔检测的精度和稳定性依赖于检测过程中合理设置温度和压强。所研制的测量系统对乙炔浓度具有较强的线性响应,检测灵敏度为0.151 mV/(μL·L^-1),检测下限为5.3 μL/L。所提方案为后续开发基于PTI技术的新型DGA检测提供了思路并奠定了基础。     

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。     

一种新型中空纤维膜的油气渗透特性

油气渗透是变压器油中溶解气体在线监测的技术关键。由于高分子膜的油气渗透装置结构简单、分离效果良好,所以具有很好的应用前景。笔者结合高分子膜的渗透机理,采用高分子膜材料,研制了一种中空纤维膜(毛细管),试验室搭建了由油气渗透装置等组成的油气渗透试验平台,在不同油温下对中空纤维膜进行油气渗透试验,对中空纤维膜的渗透性能以及渗透率随温度的变化规律进行研究,分析了膜厚对渗透性能的影响。理论及试验结果为进一步完善变压器油中溶解气体在线监测系统提供了技术支撑。     

基于Shapelet识别的变压器在线DGA异常检测

油中溶解气体分析(dissolved gases analysis,DGA)技术是变压器状态监测的重要手段。针对现行主流DGA数据分析及诊断技术侧重单点数据分析,而对在线DGA数据(粒度高,但单点精度差)适应性不强的问题,文中提出了基于Shapelet的变压器异常识别方法。通过Shapelet发现算法构造时间序列决策树,识别个体DGA的季节波动性及运行中的典型事件,配合传统的ESD时序异常检测,避免了由于季节波动导致的产气率、限值误报的同时,也大幅提高了对典型异常事件的识别灵敏度,提高了算法的可解释性。     

基于DGA和AO-PNN的变压器故障诊断方法研究

为提高油浸式电力变压器故障诊断的准确率,提出了一种将AO-PNN模型与油中溶解气体分析法(DGA)相结合的故障诊断方法。该方法引入天鹰优化算法对概率神经网络进行优化,将DGA比值输入模型最终得到变压器的故障诊断结果。仿真结果表明,与其他常用的机器学习模型相比,提出的模型有更高的准确率,可有效运用到变压器故障诊断领域。     

基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究

变压器油中溶解气体分析（Dissolved Gas Analysis,DGA）是电力变压器绝缘诊断的重要方法.针对模糊C均值聚类算法用于溶解气体成分分析时存在的问题,文中将核函数和可能性聚类算法相结合,提出一种简化的核可能性聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断.经实践证明,该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境.     

基于特征量优选与ICA-SVM的变压器故障诊断模型

为了弥补现有变压器故障诊断方法在油中气体分析(DGA)特征量选取和诊断模型方面的不足,采用IEC三比值法中的3种气体比值作为变压器故障诊断的特征量。同时从含有8种油中溶解气体中任意3种及以上的共254种气体组合中筛选出准确率最高的3组最优DGA特征气体组合,将其作为对照组特征量。然后采用帝国竞争算法(ICA)优化支持向量机的变压器故障诊断模型(ICA-SVM),与标准支持向量机(SVM)法、粒子群优化向量机(PSO-SVM)以及IEC三比值法进行对比。实例结果表明:三气体比值特征量相比3组最优DGA气体组合,故障识别准确率提高了10%左右;ICA-SVM故障诊断模型相比标准SVM法、PSO-SVM和IEC三比值法故障识别准确率提高了7%～35%;综合三比值特征量与ICA-SVM故障诊断模型的准确率为89.3%,相较其他几种方法准确率提升了7%～35%。结果验证了该方法的有效性和准确性。     

动态隧道模糊C均值算法用于变压器油中溶解气体分析

变压器油中溶解气体分析(DGA)是电力变压器绝缘诊断的重要方法。针对模糊C均值(FCM)聚类算法用于溶解气体分析时易陷入局部极小的问题,利用全局最优化性能强的动态隧道(DT)算法,将两种算法结合,提出一种基于动态隧道的模糊C均值(DTFCM)算法。该算法首先采用FCM算法聚类得到局部最优值,再利用动态隧道算法以该局部最优值为初始值寻找更小的能量盆地,再将其值返回给FCM算法进行迭代寻优,直到找到全局最小值。通过该算法应用于变压器DGA数据分析,从而实现变压器的故障诊断。变压器油色谱样本及加噪样本故障诊断试验表明,该算法能快速、有效地对样本进行聚类,具有较高的诊断准确率。     

基于RIMER专家系统和DGA的变压器故障诊断

针对电力变压器故障诊断中的复杂非线性关系,提出一种基于RIMER(基于证据推理算法的置信规则库推理方法)专家系统和油中溶解气体分析(DGA)技术的变压器故障诊断方法。该方法考虑了变压器故障特征量和征兆的概率不确定性和模糊不确定性,在IEC三比值法和变压器油中溶解气体故障数据样本训练的基础上获得置信规则库的主要参数,结合证据推理算法建立一个新型的变压器DGA故障诊断模型。通过RIMER和DGA变压器故障诊断模型进行故障诊断,克服了IEC三比值法故障编码缺失的问题,故障诊断准确率获得提高,其分布式置信度的输出方式对描述混合故障类型更加有效。仿真实验表明该方法推理计算简单有效,具有较强实用价值。