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。     

油中溶解气体分析新导则及其启示

介绍了IEC60599－1999在利用油中溶解气体分析方法诊断油浸变压器类电力设备潜伏性故障方面的进展，分析了其新特点及国外的相关应用情况。     

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。     

油溶解气体色谱分析中的小型真空在线脱气技术

基于当前气相色谱分析技术的发展,针对变压器绝缘油中溶解气体色谱在线分析的状况,提出了色谱系统对气相中气体组分体积分数最小检测值极限算法的数学模型。应用该模型,可对脱气室和集气室体积进行小型化计算和试验典型配置。在此基础上,文中设计了一种新型的小型真空在线脱气系统(10cm×10cm×20cm)和新型的全自动进样器(5cm×5cm×2cm)。系统采用全自动化控制。用标准气体试验确定了定量器体积(0.769mL),用样品气体试验对整个系统进行了检测。试验结果表明,文中所设计的小型真空脱气系统能较好地用于变压器绝缘油中溶解气体在线色谱分析。     

浅谈如何应用溶解气体分析法诊断变压器故障

对应用溶解气体分析法诊断变顺的内部故障的有关问题进行了研究讨论，并结合实例进行分析，提出了如何正确判断变压器故障的看法。     

油中溶解气体气相色谱法诊断变压器内部故障

变压器内部故障的诊断是保证电网安全的重要手段，针对当前变压器故障诊断中的几个重要问题，通过几个具体实例，进行了详细的分析和探讨。     

采用光声光谱技术与气相色谱技术进行变压器油中溶解气体检测的分析比较

本文总结了采用光声光谱技术及气相色谱技术在油中溶解气体分析(DGA)领域的应用,并对两种技术加以比较。同时,文中也给出了在美国、欧洲及中国各大电力公司对典型变压器内油样采用两种技术分别进行试验室及现场分析结果的相关性。     

模糊神经网络在变压器油中溶解气体故障诊断中的应用

基于模糊隶属度和BP神经元网络,提出了将模糊神经网络应用于变压器油中溶解气体故障诊断的方法。该方法采用了由输入层、输出层、隐含层和模糊化层组成的一种四层前向模糊神经网络,并利用模糊理论预处理数据,建立了基于模糊神经网络的变压器故障诊断模型。结果表明,该方法对变压器进行故障检剥诊断是有效的。     

基于模糊罗杰斯四比值法的变压器故障诊断

变压器故障诊断研究需要较高精度的神经网络算法,在故障诊断时需要通过训练信息来获得最优决策.由于变压器所处环境以及监测特殊问题,往往得不到完整数据,这也使得神经网络算法不能实现其自动获取的功能.针对变压器故障诊断的智能算法以及传统三比值法的缺点,以DGA数据为基础,建立了基于模糊罗杰斯(Roger's)四比值法的变压器故障诊断模型.结果证明,该模型在克服了以往故障诊断缺点的同时提高了故障诊断的精准度.     

基于小波网络及油中溶解气体分析的电力变压器故障诊断方法

小波网络是近年来发展起来的一种高效非线性信号处理新模型。该文将适于电力变压器故障诊断的小波网络分为第一、第二类小波网络,提出了基于自适应算法小波网络的变压器故障诊断方法,该方法继承了人工神经网络的学习能力和小波变换的局部化特征,具有良好的收敛性和鲁棒性。选择经模糊预处理的250组油中溶解气体作为采用不同小波基的2类小波网络训练与识别样本,对训练过程和仿真结果进行对比分析。大量诊断实例表明,文中提出的2类小波网络均适于变压器故障诊断,其性能优于单独使用传统BP神经网络的方法。     

Nguyen-Widrow法用于变压器油气分析故障诊断

为解决神经网络在油中溶解气体分析变压器故障诊断的应用中存在收敛速度慢的问题,将Nguyen-Wid-row方法用于神经网络可变参数的初始化。该法通过调整隐层神经元的权值和阈值使隐层各个神经元输入的线性区间相等,从而减少网络训练时权值和阈值的调整量,加快网络收敛速度,增强网络学习能力,提高故障诊断的精度。对393个样本用5-80-6的结构网络分别不使用和使用该法训练,其样本误差平方和分别为37·10和15·21,训练所得网络对155个变压器的诊断结果准确率分别为80·97%和84·19%。表明该法的确能提高神经网络的学习能力和对变压器的故障诊断能力。     

基于遗传算法进化小波神经网络的电力变压器故障诊断

在电力变压器故障诊断方法中,小波神经网络常用的反向传播算法存在着易陷入局部极小点和对初值要求较高的缺点,往往给故障诊断带来困难.文中提出了一种基于遗传算法进化小波神经网络的变压器故障诊断方法,用实数编码的遗传算法来代替人解决小波神经网络结构的选择和参数的设定.在整个学习过程中,网络的复杂度、收敛性和泛化能力得到了较好的综合.大量实例表明,该方法能有效地对电力变压器单故障和多故障样本进行分类,提高了诊断准确率.     

油中溶解气体分析值得注意的问题

对在测定油中溶解气体氢、CO、CO2时存在的问题进行了探讨，并提出了解决措施。     

以油中溶解气体分析为特征量诊断电力变压器故障部位的探讨

用油中溶解气体分析(DGA)能灵敏地发现电力变压器潜伏性故障的性质。然而，对于采用DGA来诊断电力变压器故障部位的方法，目前仍存在能与不能两种观点。笔经过10年的探索，结合实际故障，运用多种诊断方法(如改良三比值法、四比值法、特征气体法、灰色聚类法等)联合诊断，再经正反向混合推理，可以得出最可能的电力变压器故障部位，有效提高了诊断准确性，这对实际生产具有一定的现实意义。     

径向基函数神经网络在电力变压器故障诊断中的应用

基于油中溶解气体分析法,采用径向基函数（radicalbasisfunction,RBF）神经网络模型对电力变压器进行故障诊断。为了提高诊断模型的辨识精度,分两步对RBF神经网络的模型参数进行辨识：首先采用减聚类算法确定RBF神经网络隐含层基函数的中心点,然后采用量子粒子群优化（quantum-behavedparticleswarmopti-mization,QPs0）算法求解基函数的宽度以及隐含层与输出层的连接权重。仿真实验结果表明,该方法的故障诊断正确率较高,达90．67％。     

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.     

基于改进模糊ISODATA算法的变压器故障诊断

模糊ISODATA算法在基于变压器DGA的故障诊断中存在一些问题。如:模式空间的划分缺乏依据,聚类分析时没有考虑各种气体成分对故障反映的灵敏度等。笔者对此进行了改进,引入了一个描述不同气体成分对故障反映灵敏度的指标权向量,并在每次迭代运算之后对聚类中心进行分解和合并处理。利用改进的ISODATA算法对3起变压器故障进行了分析,得到了比较高的判断准确度。     

Selection of Most Relevant Input Parameters Using Principle Component Analysis for Extreme Learning Machine Based Power Transformer Fault Diagnosis Model

The dissolved gas-in-oil analysis is a prevailing methodology being extensively utilized to diagnose incipient faults in oil-immersed power transformers. However distinct approaches have been implemented to find out dissolved gas analysis (DGA) results, they may sometimes fail to diagnose precisely. The incipient fault identification accuracy of various artificial intelligence (AI)-based methodology is assorted with change of input parameters. Thus, selection of input variable to an AI model is major research area. In this paper, principle component analysis algorithm using RapidMiner is applied to 360 experimental datasets, imitated in lab to identify most pertinent input variables for incipient fault classification. Thereafter, multi-class Extreme Learning Machine (ELM) technique is implemented to classify the incipient faults of power transformer and its performance is compared with artificial neural network, gene expression programming, fuzzy-logic, and support vector machine. The compared result shows that ELM provides better diagnosis results up to 100% accuracy at proposed input variable in short of time period which is helpful in on-line condition monitoring.