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DGA的变压器故障诊断智能方法分析

针对传统变压器故障诊断方法的不足,介绍了多种智能诊断方法在基于油中溶解气体分析（dissolved gas-in-oil analysis, DGA）的变压器故障诊断中的应用,包括人工神经网络、模糊理论、专家系统、灰关联分析及其他智能方法。通过对这些智能诊断方法的分析,得出其优缺点及需要改进的方案,为研究人员选择最优油浸式电力变压器故障诊断方法提供参考。最后对基于DGA的变压器故障智能诊断方法进行了展望,并分析了未来的发展方向。     

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。     

变压器油中溶解气体的现场监测与故障诊断

指出使用便携式装置现场监测油中溶解氢气和乙炔的浓度，是对运行中变压器进行故障监测的简便而有效的方法，重点介绍了研制便携式智能型乙炔测定仪的原理，关键技术和故障诊断方法。     

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。     

变压器油中溶解气体分析中的模糊模式多层聚类故障诊断方法的研究

基于当前对电力变压器故障识别中的模型空间划分缺乏研究的情况,将模糊聚类技术引入了电力变压器油中溶解气体分析DGA。在对所收集的183组电力变压器绝缘故障样本进行了多层树形聚类的基础上,通过多次分析绝缘故障,得到了一种准确程度较高的故障诊断方法。     

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。     

变压器油中溶解气体浓度灰色预测模型的改进

介绍了改进灰色预测模型 GM( 1,1)后建立的 GM( 1,1,β)模型。对大型油浸式电力变压器油中溶解气体浓度的实例预测验证了改进模型的准确。     

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。     

基于智能传感器的变压器油中溶解气体智能在线监测系统

介绍了变压器油中溶解气体微机在线监测系统的总体结构，阐述了系统硬件和软件实现方法。解决了溶解气体对传感器“交叉敏感”的问题，具有广泛的应用前景。     

模糊数学结合BP网络的变压器故障诊断研究

针对油中溶解气体分析(DGA)方法在诊断电力变压器潜伏性故障的研究中存在的不足,采用TOPSIS方法对原始样本集进行优劣排序和聚类,实现了对样本数据的优化,同时极大地缩减了样本集的容量.在此基础上,构建BP网络故障诊断模型.分析证明,此方法与传统的变压器故障诊断的方法相比具有明显的优越性.     

基于随机森林的变压器油中溶解气体浓度预测

对油中溶解气体浓度进行分析及发展趋势预测,可以为变压器的状态评估提供重要的依据。传统的离线DGA方法因易导致延迟判断变压器的运行状态,造成一定的经济损失,现已不适用于油中溶解气体浓度分析及预测。因此,提出一种基于随机森林的变压器油中溶解气体浓度预测模型,以更准确地分析与预测油中溶解气体浓度。该模型以7种气体浓度构成特征向量空间,作为可视输入,并以目标气体浓度作为输出。试验结果表明,相较于传统的机器学习方法(BPNN、RBF和SVM),随机森林模型能更准确地预测油中溶解气体浓度,且需要调整参数少、训练效率高。通过算例分析,验证了该方法的有效性。     

变压器油中溶解气体在线监测方法

介绍了一种在线检测的方法,实时分析油中溶解气体的含量,对现场油气分离、气体检测、数据处理、自动控制、数据远程传输等关键技术的研究方法进行了介绍。     

基于点密度加权核模糊聚类的变压器故障诊断方法

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-均值聚类算法(FCM)用于DGA时存在可分性差和等趋势划分等问题,用样本点分布密度大小作为权值,结合核函数的增强可分性,提出点密度加权模糊核C-均值聚类算法,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。实例分析结果表明该算法能快速、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。     

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。     

海量数据驱动的变压器故障类型高性能诊断方法

电力变压器故障与否直接影响电力系统运行可靠性,准确且高效的变压器故障诊断有助于及时发现电网不安全因素。本文提出一种基于海量数据驱动的优选训练样本的分布式神经网络决策变压器故障类型方法。首先通过比值法求取DGA的比值型特征向量,根据皮尔逊相关系数和欧氏距离双指标计算方法在各类别中选取更具该类代表性数据作为训练样本;再通过插值-随机抽样方法应对训练样本类间数据不平衡问题并对其进行抽样分块;为适应海量数据处理,在Spark平台上将BPNN算法并行化实现以提高算法性能表现,各BPNN学习不同训练样本块构建性能不同的子分类器;最后对子分类结果多数投票得到最终诊断类型。算例表明所提方法对变压器故障类型诊断效果良好,诊断正确率较IEC三比值法和传统串行BPNN高,证明了该方法对于变压器故障类型诊断的有效性与适用性。     

变压器油中气体检测专用色谱柱分离方程研究

建立色谱柱分离方程是提高绝缘油中气体分析技术(尤其是变压器油中故障气体在线监测技术)可靠性的有效途径之一。确定了一定外部条件(色谱柱温度一定且色谱柱入口与出口的气压差一定)下,各种不同气流速度的绝缘故障气体在色谱柱中保留时间的计算式;根据塔板理论确定色谱峰宽、塔板数及气体保留时间的关系,利用Van Deemter的板高方程推导色谱峰宽与气体流速的关系式;根据高斯分布原则确定色谱峰宽、气体保留时间及色谱峰高的关系式,从而确定了色谱柱输出端各种故障气体的体积分数分布曲线,建立了色谱柱气体分离的数学方程。设计GDX502 PORAPACK N色谱柱的分离实验,用实验确定色谱柱分离方程的待定参数,实验测试表明计算结果的误差小于4%。     

一种电力变压器油中溶解气体的标定新方法

油中溶解气体的准确标定是电力变压器在线监测与故障诊断的前提。当前的油中溶解气体标定主要采用分段折线拟合方法,存在着分段拐点处光滑性不足、可重复性较差以及整体拟合精度低等问题。针对这些问题,提出了基于Levenberg-Marquardt(LM)算法的油中溶解气体标定方法,通过建立电力变压器油中溶解气体在线监测系统,采集了H_2、CH_4、C_2H_6、C_2H_4和C_2H_2等5种主要气体的实验数据,结合这5种气体的不同传感特性,应用LM算法对其进行拟合,实现了这5种油中气体的有效标定。实验结果表明,该方法克服了传统方法的不足,且拟合精度完全符合国家电网相关标准的要求。     

Power transformer fault diagnosis based on dissolved gas analysis by support vector machine

This paper presents an intelligent fault classification approach to power transformer dissolved gas analysis (DGA). Support vector machine (SVM) is powerful for the problem with small sampling (small amounts of training data), nonlinear and high dimension (large amounts of input data). The standard IEC 60599 proposes two DGA methods which are the ratios and graphical representation. According the experimental data, for the same input data, these two methods give two different faults diagnosis results, what brings us to a problem. This paper investigates a novel extension method which consists in elaborating an input vector establishes by the combination of ratios and graphical representation to resolve this problem. SVM is applied to establish the power transformers faults classification and to choose the most appropriate gas signature between the DGA traditional methods and a novel extension method. The experimental data from Tunisian Company of Electricity and Gas (STEG) is used to illustrate the performance of proposed SVM models. Then, the multi-layer SVM classifier is trained with the training samples. Finally, the normal state and the six fault types of transformers are identified by the trained classifier. In comparison to the results obtained from the SVM, the proposed DGA method has been shown to possess superior performance in identifying the transformer fault type. The SVM approach is compared with other AI techniques (fuzzy logic, MLP and RBF neural network); the proposed method gives a good performance for transformers fault diagnosis. The test results indicate that the novel extension method and the SVM approach can significantly improve the diagnosis accuracies for power transformer fault classification.     

变压器油中特征金属光谱分析故障诊断方法研究

研究了特征金属光谱分析技术在变压器故障诊断中的应用,提出了应用特征金属诊断变压器故障及部位的方法。通过特征金属光谱分析与油中溶解气体分析结果相互补充和相互验证,进而为准确诊断变压器的故障提供一种途径,完善了变压器的故障诊断方法。