基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法

电力变压器属电力系统中的重要设备,目前油中溶解气体分析(DGA)的三比值法是对变压器进行故障诊断的最方便、有效的方法之一.本文结合改良的三比值法,将贝叶斯网络方法引入大型变压器的故障诊断,提出了基于贝叶斯网络(BN)理论和变压器油中溶解气体分析方法的变压器智能故障诊断方法,并据此建立了变压器故障诊断模型.通过实例判断验证了本文方法的有效性.     

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。     

基于油中溶解气体的变压器故障诊断方法

论述了变压器油中溶解气体色谱分析的原理及故障诊断的方法,并给出了事故分析实例.     

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。     

基于极限学习机的变压器故障诊断方法研究

针对基于传统智能学习方法的变压器故障诊断存在训练速度慢、需调整的参数多及参数确定困难的问题,本文提出了基于极限学习机(Extreme Learning Machine,ELM)的变压器故障诊断方法。文中根据变压器故障的特点选取输入特征向量,分析了激活函数、隐含层节点数目对诊断性能的影响,并与基于BP神经网络和SVM的诊断方法进行了对比。实验结果表明,文中提出的变压器故障诊断方法性能明显优于BP神经网络,与SVM的诊断正确率相当,需要预先设置的参数更少,训练速度更快,更加便于工程应用。     

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。     

基于KPCA-ITSO-ELM-Adaboost的变压器故障诊断方法

针对传统变压器故障诊断方法诊断精度低,单一智能诊断方法在实际模型中不能准确分类的问题,建立了一种改进金枪鱼算法(ITSO)优化加权极限学习机(ELM)的变压器故障诊断模型。首先,使用核主成分分析算法(KPCA)对变压器故障数据进行降维处理,去除数据中的无用信息,提高模型的识别效率,然后,利用ITSO算法对ELM进行优化,建立ITSO-ELM变压器故障诊断模型,最后,使用Adaboost算法对ITSO-ELM模型进行增强。仿真实例表明,所提方法相比于与ELM-Adaboost、TSO-ELM、ITSO-ELM模型分别提高了11.6%、7.2%、4%,验证了所提模型的有效性。     

基于油中溶解气体特征量筛选的变压器故障诊断方法

油中溶解气体分析对变压器故障预警及诊断具有重要意义。针对油中溶解气体特征量种类众多、故障关联特征分析不足等问题,文中以油浸式变压器为研究对象,提出了基于油中溶解气体特征量筛选的变压器故障诊断方法。首先,对油中溶解气体的原始特征量进行特征衍生,通过随机森林(random forest, RF)计算特征量对故障诊断的重要度,筛选得到最佳特征组合。其次,采用树结构概率密度估计(tree-structured parzen estimator, TPE)实现RF模型的参数寻优,并形成TPE-RF诊断模型。同时,结合多种评价指标,证明所提方法能够对变压器作出准确的故障诊断。最后,提出TreeSAHP模型分析特征量对各故障的重要度,优选出各故障关联的主要特征量,并根据变压器运行案例,探讨了该方法在电力行业现场应用中的适用性,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及故障判断综述

对变压器的常见故障及其基于变压器油中特征气体组分的故障诊断方法进行归类,分析了在不同故障原因下变压器油中主要特征气体组分,阐述了国内外变压器油中溶解气体在线监测技术的研究现状和发展趋势.     

有关油中溶解气体色谱分析判断变压器故障的几个问题

本文通过几个现场实例,说明可用绝对产气速率、单项组分超过注意值和分析轻瓦斯频繁动作来诊断变压器故障,并提出了如何决定变压器的维修问题。     

基于RFRFE与ISSA-XGBoost的变压器故障辨识方法

针对变压器故障诊断精度低的问题,提出了随机森林-递归特征消除(RFRFE)算法与改进麻雀算法(ISSA)优化极端梯度提升树(XGBoost)的变压器故障诊断方法。首先以诊断精度为标准,利用RFRFE算法选择重要特征变量,去除冗余特征;然后采用服从均匀分布随机调整策略和莱维飞行策略来对传统麻雀算法(SSA)进行改进,并将ISSA与SSA和粒子群算法(PSO)进行算法性能测试,证明其分类精度和网络寻优能力均有所提升;最后使用改进的麻雀算法对XGBoost相关超参数进行寻优,获取RFRFE与ISSA-XGBoost相结合的综合故障诊断模型,并与PSO-XGBoost和SSA-XGBoost故障诊断模型对比诊断效果,结果表明ISSA-XGBoost故障诊断率为91.08%,比PSO-XGBoost和SSA-XGBoost分别提高了9.9%、6.93%验证了所提方法能够有效地提高变压器故障诊断性能。     

基于声纹特征和集成学习的变压器缺陷诊断方法

变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。     

基于BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

基于深度置信网络和多维信息融合的变压器故障诊断方法

为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。     

基于ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

联合VMD与ISSA-ELM的电力电子电路软故障诊断

针对电力电子电路的软故障特征区分度差、不易诊断等问题,提出了变分模态分解(VMD)结合改进的麻雀搜索算法(ISSA)优化极限学习机(ELM)的故障诊断方法。首先,将采集的故障信号进行VMD分解成本征模态分量(IMF),提取线性重构后IMF的12维时域参数作为故障诊断的特征向量。其次为提高ELM在故障诊断中的精度,提出ISSA对ELM的参数进行优化,建立ISSA-ELM分类模型。ISSA首先采用Iterative映射初始化种群,然后在发现者位置更新处引入自适应惯性权重因子,最后在解的位置引入Levy变异算子进行扰动得到新解等3种策略改进,提高算法性能。在8类基准函数测试中,ISSA比另外4种智能算法的收敛速度和寻优精度均有提升,并且VMD结合ISSA-ELM在功率为150 W Boost电路软故障诊断中精度达到99%以上。     

基于Adaboost-INGO-HKELM的变压器故障辨识

针对目前变压器故障诊断准确率低的问题,提出一种多策略集成模型。首先通过等度量映射(isometric mapping, Isomap)对高维非线性不可分的变压器故障数据进行降维处理。其次,利用混合核极限学习机(hybrid kernel based extreme learning machine, HKELM)进行训练学习,考虑到HKELM模型易受参数影响,所以利用北方苍鹰优化算法(northern goshawk optimization, NGO)对其参数进行寻优。但由于NGO收敛速度较慢,易陷入局部最优,引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进。同时为了提高模型整体的准确率,通过结合Adaboost集成算法,构建Adaboost-INGO-HKELM变压器故障辨识模型。最后,将提出的Adaboost- INGO-HKELM模型与未进行降维处理的INGO-HKELM模型、Isomap-INGO-KELM模型、Adaboost-Isomap- GWO-SVM等7种模型的测试准确率进行对比。提出的Adaboost-INGO-HKELM模型的准确率可达96%,均高于其他模型,验证了该模型对变压器故障辨识具有很好的效果。     

基于 LSSA 优化 DBN 的双有源桥变换器 开路故障诊断

针对双有源桥(dual active bridge, DAB)变换器中IGBT开路故障诊断精度较低的问题,提出基于莱维飞行麻雀搜索算法(Levy sparrow search algorithm, LSSA)优化深度信念网络(deep belief network, DBN)的故障诊断方法。首先,利用莱维飞行策略改进麻雀搜索算法的收敛速度和全局优化能力。然后将DBN的均方差作为适应度函数,利用LSSA寻找DBN的最优隐藏层单元数,根据得到的最优值建立DBN故障诊断模型。通过RT-LAB搭建DAB变换器半实物仿真系统,对变压器漏感电流信号进行故障诊断,在收敛速度、适应度值和诊断精度指标方面进行对比分析。实验结果表明诊断模型可以有效诊断DAB变换器开路故障,且诊断精度达到99%。     

多Agent在变压器故障诊断中的研究

提出一种基于多Agent的变压器故障诊断模型,该模型包含3个诊断Agent、1个管理Agent和1个融合Agent.各诊断Agent的建立以NB、SB和TAN 3种贝叶斯分类器算法为基础,以所获取的变压器油中溶解气体数据为依据.由管理Agent调节和控制,达到各诊断Agent协商诊断的效果.由融合Agent根据管理Ag...     

基于DGA与鲸鱼算法优化Logit Boost-决策树的变压器故障诊断方法

为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis, DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树作为弱学习器,通过将Logit Boost集成算法作为集成框架使多个决策树集成为一个强学习器,并构建了一种基于鲸鱼优化算法的优化策略去优化LogitBoost-决策树模型中的决策树棵数及决策树的最大分裂次数。实验表明,所构建的WOA-Logit Boost-DT变压器诊断模型与常用的决策树、支持向量机、三比值等诊断模型相比,综合诊断精度分别提高了约4%、10%、21%。所构建的相关模型能为变压器的故障诊断提供技术支持。