基于数据清洗和知识迁移的变压器故障诊断模型

变压器是保障电网安全运行的重要基础,本文建立了一种基于数据清洗和知识迁移的变压器故障诊断模型,用于解决变压器单体故障数据少、总体数据繁杂导致诊断器泛化能力低的问题。首先,采用Tanimoto系数计算待诊断变压器与其他变压器故障的综合相似度,对辅助故障数据进行一次清洗;其次,通过剔除奇异边缘附近故障数据,对目标和辅助故障数据进行二次清洗;在两次数据清洗的基础上,以支持向量机作为迁移学习算法TrAdaBoost的基本分类算法,通过迭代不断调整目标故障数据和辅助故障数据的权重,将辅助故障数据中的有效知识迁移至故障诊断器,得到基于迁移学习的变压器故障诊断器模型。测试结果表明数据清洗和知识迁移能够有效提高诊断效率以及故障识别的准确性。     

基于实时运行数据挖掘的配电变压器状态评估

随着配电网在线监测的广泛应用,利用海量的运行数据进行设备健康状态评估,主动干预配电网设备缺陷和故障预警,提高有限人力资源的利用效率成为配电网运维的发展方向。通过对智能公变监测终端采集的配电变压器实时运行数据进行分析,选取反映设备健康状态的指标,在状态评价通用模型的基础上,采用变权综合和平均变权方法,建立了基于实时运行信息的配电变压器状态评估模型。算例表明评估结果及趋势与故障记录相吻合,验证了该评估模型的有效性,反映了在配电变压器缺陷的早期诊断和预警方面具有应用前景。     

基于交叉熵理论的配电变压器寿命组合预测方法

对配电变压器进行状态评估和剩余寿命预测,是开展状态检修的重要前提。以变压器历年的健康指数HI为基础,提出了一种基于交叉熵理论的配电变压器寿命组合预测模型。在剩余寿命模型中运用故障概率密度函数并引入交叉熵理论动态确定改进灰色理论和改进马尔科夫两个单一预测算法的权重。模型考虑了配电变压器寿命周期中故障概率密度函数形状参数和尺度参数的变化,实现了对变压器全寿命周期健康指数的评估和预测,确定了健康指数的分布函数。最后通过实际数据验证了模型的有效性和合理性,相比于单一预测法更符合实际情况。     

基于多源数据的配变健康状态诊断模型研究

配电变压器的正常运行直接影响配电网的安全性和可靠性,如何预警异常配变是目前亟需解决的问题。本文提出的配变健康状态诊断模型依托调度系统,用电信息采集,PMS等系统平台,采用DTW算法将多源数据规整,以电力系统网络潮流的模拟演算为基础,引入递推最小二乘回归法分析配变内部阻抗参数,运用效用函数和隶属函数直观划分配变的健康状态。算例表明,该模型可以有效诊断出配变内部组件恶化发展的过程,提前预警异常配变,在不增加设备投资的前提下,低成本实现配变健康状态的在线诊断,有效落实电网公司提质增效的目的。     

一种基于SAE-RF算法的配电变压器故障诊断方法

为有效解决配电变压器故障诊断中面临的数据特征人工提取、机器学习调参困难等问题,提出了一种基于堆栈自编码器(SAE)和随机森林(RF)组合的配电变压器故障诊断方法.建立SAE配电变压器故障特征自动挖掘模型,利用大量的无标签数据对SAE模型中的每一个自编码器进行逐层无监督训练,通过贝叶斯优化算法自动选择模型的最优参数;通过有标签数据对模型参数进行有监督细调,挖掘出能够代表各种故障本质属性的特征量;创建一个RF分类器对故障类型进行辨识,调参过程同样实现参数的自动寻优.试验结果表明,所提方法对配电变压器故障诊断准确率达到96.67％,显著优于单独使用SAE和RF的分类结果.     

基于多时段信息融合的配电变压器运行状态评估模型

为了更加全面准确地评估配电变压器的运行状态,基于多时段信息融合构建配电变压器运行状态评估模型。建立状态评估函数对定量指标进行评估;综合2类集值统计专家估价法,引入专家评估信任因子对定性指标进行评估;综合相似度聚类分析和模糊层次分析法进行评估指标的最优权重分配;基于多变量灰色预测模型和改进证据理论融合多时段状态信息以评判配变的综合运行状态。基于该评估模型对54台配变进行状态评估,通过比较每台配变的状态评估结果和其实际运行工况,得到该模型的评估准确率约达96.296%,验证了该评估模型的可行性,为配变状态评估提供了一种新的思路。     

基于不平衡数据扩充的接地变压器故障诊断方法研究∗

接地变压器为中性点不接地系统提供中性点,可有效减小配电网发生接地短路故障时的对地电容电流.接 地变压器运行状态直接关系到配电系统供电可靠性.现有智能故障诊断方法通常忽略了实际诊断时训练数据不平衡问 题,增加了其落地应用难度.为此,引入过采样算法———MWMOTE算法对不平衡数据进行扩充. 实验结果表明, MWMOTE算法缓解了不平衡数据带来的分类偏差,能够有效提高机器学习算法在接地变压器不平衡数据故障诊断中 的诊断性能.     

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。     

基于端口补偿法的配网故障下主配网暂降分析

针对目前配网短路故障计算仅考虑配网部分的变化而未能反映主配网耦合关系及变压器影响的问题,提出一种基于端口补偿法的主配网暂降分析方法。根据配网拓扑和运行数据建立配网常态模型。并根据配网故障信息建立配网故障模型,结合变压器三序模型计算配网在变压器高压侧母线处的等值。建立主网模型时将配网常态等值计入主网节点导纳阵中,应用补偿法计算故障下的配网等值模型变化量对主网状态的影响。该影响值与故障前的网络状态量叠加后确定主网暂降状态,进而确定配网暂降状态,最终实现主配网暂降分析。通过对某城市电网系统进行仿真计算,验证了所提算法的可行性和有效性。     

牵引变压器故障诊断方法综述

变压器作为牵引供变电系统的核心设备,变压器故障将影响轨道交通运行的安全稳定,因此及时发现潜在故障有利于降低故障成本,提高系统的可靠性.当前对变压器早期故障诊断的研究较多并主要集中在对监测量的应用,诊断与识别结果模糊.梳理了变压器故障诊断的技术方法,以及故障诊断过程用到的监测参量;针对变压器故障诊断模型方法和监测状态的不...     

基于PSO-GA混合算法的配电变压器检修优化

针对当前流行的状态检修的概念,通过分析比较,确定了基于风险的配电网检修优化方法;并根据配电变压器历史故障概率数据通过威布尔分布拟合配电变压器的故障概率,并采用等效役龄对故障概率进行修正;计及设备检修时的检修风险和故障风险后,建立了以电网运行风险最小为目标的配电变压器检修优化模型;最后提出了一种以粒子群优化算法为主、遗传算法为辅的混合优化算法求解模型。该模型既能够降低搜索到局部最优解的概率,又能保证全局最优解的精度。算例验证表明了该方法的有效性。     

基于神经网络的变压器故障诊断

为了保障变压器在电力系统中能够安全有效的运行,提出了一种将RBF神经网络与模糊控制算法相结合对变压器进行故障诊断的方法。设计了具有6层神经网络的学习体系,并且将模糊隶属度函数引入到第2层中,加快了神经网络的学习速度。基于变压器故障的数据统计,通过对其内部的气体含量进行分析对故障类型进行分类。通过样本数据对所设计的模糊RBF神经网络进行故障诊断训练。实验结果表明,通过训练后的该模型对变压器的故障诊断具有更好的效果。     

基于多重分形-贝叶斯融合算法的变压器绕组机械状态识别

针对变压器振动信号非线性特征及其绕组机械状态识别问题,该文引入多重分形与贝叶斯相结合的状态识别方法,搭建振动测试平台,采集配电变压器在不同负载电流下正常运行和存在绕组松动故障运行时的振动信号。运用多重分形理论对振动信号进行多重分形特征分析,提取出随变压器绕组机械状态变化明显的多重分形谱参数作为状态特征量,使用贝叶斯分算法对试验变压器状态特征量进行状态识别。研究结果表明:变压器振动信号具有较强的多重分形特性;多重分形谱参数αfmax、αmin在负载电流波动时变化不明显,绕组松动时变化明显;多重分形-贝叶斯算法能准确的识别出变压器负载电流变化时的正常状态与绕组松动时的故障状态,准确率都在98%以上,研究结论可为负荷多变情况下基于振动信号的变压器绕组故障诊断提供一种新思路和新算法。     

基于多源数据融合的恶劣气象下10 kV配变实时状态评估

针对配电变压器运行状态表征信息繁杂众多的特点,基于对电力系统多源数据的提取与处理,建立了融合外部气象因素、设备内部健康状况以及当前运行条件的10 kV配变实时状态评估模型。首先采用基于Tomek links欠采样的随机森林法进行恶劣气象下配变故障概率与预计停电时长的预测;然后选取状态参量的监测值,采用威布尔分布与最大似然参数估计来计算配变的实时可靠度,提出了一种通过主客观综合赋权计算得到该台设备内部老化造成的实时故障概率的方法。最后应用该模型对某地区某台10 kV配变24 h内的综合劣化度进行了实时评估,结果表明:采用基于Tomek links欠采样处理能够显著改善停电时长的预测效果,同时配变实际故障情况与所提状态评估模型的预测结果较为符合,验证了模型的有效性。论文研究可为10 kV配变的状态评估提供参考。     

适应季节性负荷的配电变压器与台区线路协调规划方法

为改善农村煤改电地区设备利用效率低的问题,并兼顾供电可靠性,提出一种适应季节性负荷的配电变压器与台区线路优化规划方法。主要思路是建立配变间低压联络线,根据季节性负荷特点,通过联络线开关状态变化,转换运行方式,使部分配变低负荷季节退出运行。以综合费用最小为目标构建配电变压器网络双层规划模型,上层采用Voronoi法规划配电变压器,下层采用Prim算法规划低压供电线路,并结合遗传算法进行优化求解。最后,通过对典型供电区域进行配变规划验证了该方法的可行性,并且能够降低配变损耗,提高供电的可靠性和经济性。     

基于改进量子粒子群优化模糊聚类的变压器故障诊断方法

对电力变压器进行高效准确的故障诊断可有效保障电力系统安全、稳定运行。为提高变压器故障诊断正确率,提出了一种基于改进量子粒子群优化模糊聚类的变压器故障诊断方法。采用遗传算法杂交概率的思想改进量子粒子群算法提高算法收敛速度、防止陷入局部极值,克服模糊聚类算法易受初始值影响的不足,进而实现对变压器高效、准确的故障诊断。以变压器油中典型气体作为故障特征量,选取68组数据建立故障集,采用改进量子粒子群算法寻找最佳初始聚类中心,并将其应用于3种不同数据组进行验证,实验结果表明文中所提方法的有效性。     

基于循环神经网络和蝙蝠算法的变压器故障诊断

进行变压器故障诊断时,电力变压器的故障类型和故障特征往往存在着强非线性的函数关系。然而,基于循环神经网络的电力变压器故障诊断模型一般会出现故障类型诊断不清晰、收敛速度慢等问题。针对上述问题,本文提出一种采用循环神经网络和蝙蝠算法相结合的电力变压器故障诊断模型。该模型通过循环神经网络首先建立初步的故障诊断模型,然后基于蝙蝠算法优化循环神经网络的参数。通过仿真验证,基于循环神经网络和蝙蝠算法的变压器故障诊断模型具备收敛性好、故障诊断准确率高等特点。     

基于ReliefF-mRMR与IAO-SVM的变压器故障诊断

为进一步提高变压器故障诊断准确率，提出一种基于ReliefF-mRMR与IAO-SVM结合的变压器故障诊断模型。采用ReliefF和最大相关最小冗余(mRMR)算法对变压器故障数据进行特征优选；引入混沌反向学习和自适应混合变异策略改进天鹰优化算法，并对最优特征集合和支持向量机(SVM)参数联合寻优，构建最佳故障诊断模型；利用已有变压器故障数据对所提模型仿真实验，并与常用故障诊断模型灰狼算法支持向量机(GWO-SVM)、天鹰优化算法支持向量机(AO-SVM)相比较,准确率分别提高了10.76%和6.15%，高达95.38%，结果表明所提模型能有效提高变压器故障诊断精度。     

电力变压器故障类型与关键状态量关联规则分析

传统电力变压器设备运维大多采用状态检修技术,但积累的状态监测和检测数据没有得到充分挖掘利用,造成信息资源的浪费。以故障特征量为前项,以故障类型为后项,设置最小支持度和最小置信度,运用Apriori数据挖掘经典算法挖掘出变压器故障和关键状态量之间的关联规则。基于关联规则挖掘原理,利用SPSS Modeler软件平台建立电力变压器故障关联规则挖掘模型进行分析,得出了故障诊断的具体流程,旨在采取关联规则挖掘的方法发现状态特征量和故障类别之间的内在联系,对故障进行判定。     

基于LabVIEW的变压器健康状态综合评估与诊断系统

变压器状态评估与诊断目前仍局限于单一信息源进行分析判断。文章提出并实现了基于LabVIEW的变压器健康状态评估与诊断系统,状态评估部分综合变压器健康状态评估分部件体系中的状态量信息,基于模糊—集对分析和D-S证据理论的变压器健康状态评估模型得到分析结果;故障诊断部分依靠自适应PNN,利用模拟退火算法与粒子群优化算法优化网络参数,得到有较高可靠性和准确性的诊断结果。该平台采用LabVIEW和MATLAB混合编程技术,调用Access数据库,可以有效实现变压器健康状态的评估与诊断功能。