基于DGA的变压器智能故障诊断方法研究

摘要

大型电力变压器作为电力系统的枢纽设备,其运行可靠性与电力系统的安全与稳定紧密相关。长期以来,变压器的健康水平和绝缘状况的判断都是通过停电预防性试验和定期检修来实现,这种不顾变压器的实际状态,“到期必修”的检修的方式,容易出现“过修”和“欠修”问题。
　　 变压器油中溶解气体分析(DGA)是变压器故障诊断的重要手段,它为间接了解变压器内部的一般隐患提供了重要依据。无论在国内还是在国际,DGA技术都被视为电力设备预防性试验的重要方法,本文采用基于DGA的方法对电力变压器进行故障诊断。
　　 针对故障诊断中出现的小样本、非线性及高维模式识别问题,本文引进了最小二乘支持向量机(LS-SVM),同时为了解决单个LS-SVM只能解决二分类的问题,构造了基于欧式聚类的LS-SVM多分类模型,利用网格搜索法(grid-search)优化模型参数后,将其应用于电力变压器故障诊断中,通过仿真与对比表明,该方法取得了相对较好的故障诊断效果。
　　 针对电力变压器故障诊断中存在不确定性问题,同时为了进一步提高学习样本充足情况下故障识别率,本文进一步研究了一种从故障历史数据样本中提取模糊规则的方法,将隐含于样本中的专家知识转化为更易于理解的模糊规则,并以此建立模糊神经网络故障分类器和模糊故障诊断系统。同时可以通过改变聚类参数来调整诊断系统的规则数目和系统诊断精度。仿真表明,该方法在电力变压器故障诊断上取得较好的效果,具有较高的可行性。
　　 最后,本文将上述两种模型与现行其他的方法进行了比较,得出不同方法的优缺点。

目录

文摘

英文文摘

第一章 绪论

1.1 本文研究的目的与意义

1.2 变压器故障诊断国内外发展现状

1.2.1 传统诊断方法

1.2.2 基于智能的诊断方法

1.3 本文主要的结构与内容

第二章 变压器油中溶解气体分析原理及其方法

2.1 引言

2.2 变压器油及固体绝缘的成份及气体产生机理分析

2.2.1 变压器油的成份及气体产生机理

2.2.2 变压器固体绝缘的成份及气体产生机理

2.3 变压器典型的内部故障

2.4 基于DGA的变压器故障诊断

2.5 本章小结

第三章 基于LS-SVM的变压器故障诊断

3.1 引言

3.2 统计学习理论与支持向量机

3.2.1 VC维

3.2.2 推广性的界

3.2.3 结构风险最小化

3.2.4 核函数

3.3 支持向量机的两分类问题

3.3.1 线性情形

3.3.2 非线性情形

3.4 多类分类法

3.4.1 一对余算法

3.4.2 一对一方法

3.4.3 LS-SVM故障诊断模型的建立

3.5 最小二乘支持向量机

3.6 LS-SVM在变压器故障诊断中的应用

3.6.1 数据的收集与处理

3.6.2 仿真结果分析

3.7 本章小结

第四章 基于模糊神经网络的变压器故障诊断

4.1 引言

4.2 模糊理论基础

4.2.1 模糊集合

4.2.2 隶属函数

4.2.3 模糊系统的分类

4.3 FCM聚类算法

4.3.1 聚类基本思想

4.3.2 FCM算法思想

4.4 模糊神经网络故障诊断模型

4.4.1 模糊规则的初始化

4.4.2 模糊神经网络的建立

4.4.3 模糊神经网络的训练

4.5 模糊神经网络在电力变压器故障诊断的应用

4.5.1 数据的收集与处理

4.5.2 仿真结果分析

4.5.3 基于模糊神经网络模型与LS-SVM模型的变压器故障诊断比较

4.6 本章小结

第五章 总结与展望

5.1 结论

5.2 存在问题与展望

参考文献

致谢

攻读学位期间主要研究成果