多神经网络方法在变压器油色谱故障诊断中的应用

电力变压器的故障诊断对于变压器的维护起着至关重要的作用,诊断的可信度能给变压器维护提供更好的依据。为了克服单个神经网络不能给出诊断结果可信度的缺点,将多神经网络方法引入到变压器油色谱故障诊断中,利用多个神经网络对变压器诊断结果的方差给出了诊断结果的可信度;同时将多个网络输出的平均作为网络的诊断结果,减少了网络诊断的误差,提高了诊断的准确率。故障变压器实例验证了多神经网络方法的有效性。     

基于油色谱数据的变压器状态智能诊断方法

利用变压器的油色谱试验数据对神经网络进行训练,将训练后的神经网络用于变压器的状态诊断。同时利用遗传算法优化神经网络的结构。算例结果表明,利用遗传算法和神经网络相结合的人工智能方法可以有效地诊断变压器的状态。     

变压器油色谱在线监测中BP神经网络算法分析

针对现今变压器故障诊断方法存在的编码不齐全、准确率不够高等问题,提出了一种基于BP神经网络的变压器油色谱在线监测综合智能诊断方法.该方法结合国标阚值诊断以及改良三比值法,运用BP神经网络理论诊断变压器综合运行状态.运用Matlab建立基于特征气体的BP神经网络变压器故障诊断模型,发现BP神经网络具有良好的特征提取功能,但是通过不断训练发现,只运用BP神经网络对变压器进行诊断得到的变压器运行状态并不是十分准确.最后,结合常用的比值法,通过仿真对实例进行综合诊断,得出此方法运用到变压器故障诊断中具有更高的准确性.     

基于概率神经网络的电力变压器故障诊断

提出了一种基于概率神经网络的变压器故障诊断方法,并用遗传算法优化概率神经网络的平滑因子,从而提高概率神经网络诊断的正确率。结果表明,实际的油色谱数据验证了此变压器故障诊断方法的可行性和正确性。     

基于径向基网络实现变压器故障诊断

研究采用径向基神经网络进行变压器故障诊断,以提高变压器故障诊断率。分析了径向基函数神经网络的结构和工作原理,确立了适合变压器故障诊断的网络学习算法,并设计了一个诊断变压器故障的三层径向基网络。通过采用MATLAB进行仿真实验。结果表明径向基神经网络是一很强的分类器,能够有效的对变压器故障进行诊断。     

基于BP神经网络的变压器故障诊断分析

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究了一种基于BP神经网络算法的变压器故障诊断方法。通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明了本算法的有效性。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

基于概率神经网络的电力变压器故障诊断

提出了一种基于概率神经网络的变压器故障诊断方法,并用遗传算法优化概率神经网络的平滑因子,从而提高概率神经网络诊断的正确率.结果表明,实际的油色谱数据验证了此变压器故障诊断方法的可行性和正确性.     

基于蚁群算法的电力变压器绝缘故障诊断研究

神经网络在电力变压器故障诊断中已取得了成功应用,但存在容易陷入局部最优和收敛速度慢等缺点。针对这些缺点,基于蚁群算法基本原理,将蚁群算法引入变压器故障诊断。建立了适合变压器故障诊断中神经网络训练的启发信息计算公式,提出了蚁群算法在变压器故障诊断中的新方法。与BP神经网络方法诊断结果进行比较,算法有更高的故障识别率、收敛速度和诊断精度。     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

基于参数优化的电力变压器故障诊断模型

针对当前电力变压器故障诊断效率低、误差大的难题,提出了基于参数优化的电力变压器故障诊断模型。首先提取电力变压器故障的特征,将其作为最小二乘支持向量机输入,电力变压器故障类型作为输出,然后采用最小二乘支持向量机对电力变压器的故障诊断样本进行学习,构建电力变压器故障识别的分类器,并引入混沌粒子群算法对最小二乘支持向量机的参数进行优化,最后进行了电力变压器故障诊断的仿真对比测试。测试结果表明,本文模型可以准确辨识各种类型的电力变压器故障,获得较高正确率的变压器故障诊断结果,电力变压器故障诊断的速度,而且电力变压器故障诊断整体性能要优于当前其它电力变压器故障诊断模型。     

基于振荡波多特征融合的变压器绕组故障诊断方法

为了获取更多变压器绕组的状态信息,提高绕组故障诊断的准确性,提出了一种基于振荡波多特征融合的变压器绕组故障诊断方法,该方法联合波形特征和小波包时频图的颜色特征判断故障类型、故障程度和故障位置,结合粒子群优化-支持向量机(PSO-SVM)算法实现变压器绕组状态的智能识别。最后搭建变压器故障模拟试验平台验证方法可行性。结果表明：波形特征、颜色矩、颜色聚合向量特征分别针对故障类型、故障程度及故障位置的空间分布具有分离和聚类特性,且通过PSO-SVM识别的准确率高达95 % 以上,故所提方法能够准确辨识变压器绕组的状态,为现场变压器绕组状态检测提供参考。     

基于波形特征量的变压器平衡绕组故障诊断方法

文中提出了一种利用变压器各侧电流及差动电气量特征,进行区外线路故障引起的220 kV变压器内部故障定位的方法,根据现场主变差动保护录波波形的幅值、相位特征进行理论分析和计算,利用推理排除的方法逐步开展主变故障点和故障类型识别,最终判断本次主变故障为平衡绕组绝缘破坏导致平衡绕组发生单相首尾短路,对故障排查和定位过程进行了详细的阐述,通过故障分析表明故障中变压器保护正确动作,并为开展现场一次设备检查和故障处理提供了支撑.     

基于SOM的变压器故障诊断研究

通过变压器故障诊断能及时发现变压器的故障,以往应用比较广泛的故障分类方法是基于DGA结果的比值法,但其存在比较严重的缺陷。通过采用自组织映射网络对变压器故障进行诊断分类,结果表明自组织映射网络对变压器故障的分类准确且快速,能够降低检测人员的分析难度,提高诊断速度,对于现场变压器故障诊断应用前景广阔。     

一起220kV CVT二次电压波形畸变的故障分析

电容式电压互感器运行可靠性直接关系到电网安全,由于其设计、结构等原因,电容式电压互感器电磁单元内部空间及各元件间的绝缘距离相对较小,且运行过程中,经常要承受电网的过电压,运行工况较差,极易发生故障。针对一起220 kV电容式电压互感器运行中二次电压波形畸变的故障,根据其结构特点,结合现场试验,初步判断故障原因为电容式电压互感器中间变压器一次绕组并联避雷器损坏,通过对故障电容式电压互感器的解体检查及避雷器试验,证实了该判断,通过对同类型电容式电压互感器的普查,提出了对此类故障的预防及处理措施。     

基于漏磁场和ICOA-ResNet的变压器绕组早期故障诊断

针对变压器绕组变形、轻微匝间短路故障诊断准确率低的问题,提出一种变压器绕组早期故障诊断方法。首先,利用ANSYS仿真软件建立与实验变压器相关参数一致的有限元模型,分析变压器在绕组发生各种故障的漏磁场分布规律,并根据这些规律选取合适的故障特征以及光纤漏磁场传感器安装位置。然后,通过改进长鼻浣熊优化算法(improved coati optimization algorithm, ICOA)寻找残差神经网络(ResNet)的最优超参数,以此参数构建ICOA-ResNet模型,将所得故障特征量输入模型进行故障诊断。最后,通过仿真数据和动模实验验证所提出的变压器绕组早期故障诊断模型的可行性。所提模型与支持向量机等4种模型相比,在绕组早期故障诊断上有更高的准确率,表明所提方法对变压器绕组变形、匝间短路故障诊断的有效性。     

电力变压器状态评估

长期以来,人们对变压器的研究往往侧重于:在变压器发生故障后,用故障前后特征量的变化来进行变压器的故障诊断。而笔者在电业局现场工作中体会到:对运行单位而言,更关心的是运行变压器状态的好坏,而故障后的诊断意义显得不再重要。针对这个问题,提出变压器研究的另外一个新思路,即:除了对故障后的变压器进行故障诊断外,更重要的是综合利用变压器的历史数据和在线监测数据对运行中的变压器进行状态评估,通过状态评估,可以明确判断运行中变压器状态的好坏,从而为变压器的状态检修或者安排变压器计划检修提供科学的决策依据。鉴于模糊综合评判能够对多因素事物作出综合评判,运用模糊综合评判构成了变压器状态评估的框架。     

基于故障本征证据和特征指标的换流变压器状态评估

针对当前状态评估指标体系对带故障运行的换流变压器"评估死区"的问题,提出一种基于故障本征证据和特征指标的换流变压器状态评估方法。分析了换流变压器阀侧绕组的绝缘特性并选取适用于换流变压器状态评估的故障类型和指标量;采用数据驱动的模糊层次分析法提取故障类型的特征指标,并用关联规则提取故障类型的本征证据集,得到拓宽的状态评估指标体系;引入变权思想突出劣化指标对整体状态估计的影响,以反映换流变压器的真实运行状态,对故障设备的二次评估拓宽了状态评估的应用范围。实例分析结果表明,该方法对换流变压器故障判定的准确率更高,故障识别和故障程度的二次评估使状态评估结果更具实践价值。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。