不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出。首先通过变分自编码器对少数类训练样本进行预处理,在学习确定少数类训练样本分布特征的基础上实现训练样本自动生成,进而提高训练样本的均衡性。基于3隐层结构堆栈稀疏自编码器深度学习网络构建变压器故障诊断模型,并以经变分自编码器预处理后的均衡训练样本对诊断模型参数进行更新优化。基于实例验证了所提方法的有效性。实验结果表明,所提方法可改善训练样本不平衡的不利影响,各训练集下,采用所提方法的变压器故障诊断结果准确率均保持在91%以上,且漏报率较低。

利用DGA-NN诊断油浸式电力变压器故障

人工神经网络以其良好的非线性映射能力广泛应用于电力变压器故障诊断。为研究反向传播神经网络(BPNN)和概率神经网络(PNN)的学习过程、网络参数选择等问题,利用Matlab的神经网络工具箱结合油中溶解气体建立了BPNN和PNN的故障诊断模型,并对其性能做了分析和对比。结果表明,两种网络均能较好地实现变压器故障的实时诊断。因初始化权值的随机性,BPNN的输出结果具有差异性,收敛速度较慢,而PNN网络结构自适应确定,可以随时添加训练样本,且训练速度较快,适合于实现变压器故障的实时诊断。相同条件下,PNN的收敛速度约为BPNN的5倍。

基于DGA的变压器故障诊断多专家融合策略

介绍了基于油中溶解气体分析(DGA)的电力变压器故障综合诊断。采用的诊断判据主要包括改良三比值法、大卫三角形法、神经网络和范例推理。在多专家(多诊断判据)的参与下,可能出现诊断结果相互冲突的问题,而如何融合不同诊断判据下的诊断结果仍是一个难点。为解决这一问题,在把各诊断结果分解为放电和过热故障的基础上,引入了多专家加权投票策略(加权多数算法)。权重系数根据各诊断判据的诊断正确率初步确定。实践证明了该方法的可行性。

基于RPROP神经网络算法的主变DGA故障诊断模型

故障诊断模型是开展输变电设备状态检修的核心环节之一,文中采用弹性反馈(RPROP)神经网络算法建立主变压器油中溶解气体的神经网络故障诊断模型,通过与带动量因子的标准反向传播(BP)算法、Bold Driver算法、SuperSAB算法相比较,表明了RPROP算法在故障模式识别中具有更好的学习效率与泛化能力,故障诊断的准确度高于传统分析方法,在变电设备状态诊断中具有良好的应用前景。

基于加权综合损失优化深度学习和DGA的变压器故障诊断方法

为进一步提高变压器故障诊断效果,提出了一种基于加权综合损失优化深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以DGA特征量为输入,以Softmax层各故障状态概率分布为输出,基于堆栈稀疏自编码深度学习理论构建了变压器故障诊断模型。针对常规交叉熵损失函数下,变压器故障诊断效果偏低,训练样本不平衡分布影响故障诊断水平的问题,采用加权综合损失函数对深度学习模型进行优化。案例分析结果表明:相比传统方法,本文方法可削弱训练样本不对称对变压器故障诊断的不利影响并提高变压器故障诊断水平,各训练集下,本文方法故障诊断准确率可保持在90%以上。

Box-plot-SA-BP:变压器DGA多参量故障诊断模型

油中溶解气体分析(DGA)方法是一种典型的充油电力设备故障诊断方法,广泛应用于电力变压器故障检测与状态评估,但由于样本数据的可靠性和诊断模型的有效性影响,导致DGA诊断方法准确率较低。文中提出了一种Box-plot-SA-BP模型,首先,采用Box-plot数据检测法去除异常数据以解决数据质量的问题,然后,利用自注意力机制(Self-attention, SA)准确捕捉多参量样本数据间的联系,提取更加稳定可靠的特征,最后设计BP网络多分类模型实现变压器故障诊断。对比实验证明了Box-plot-SA-BP模型的良好性能,具有较高的应用价值。

可视化DGA技术的发展与应用

随着有效数据的积累和数据分析方法的优化,油中溶解气体分析(DGA)技术在过去数十年得到了持续的改进。简要回顾了DGA技术的发展,针对近年来逐渐引起重视的可视化DGA技术进行了总结和分析,根据诊断准确率的汇总结果,可视化DGA方法相对传统比值法准确率显著提升。最后,结合生产实例论证了可视化DGA技术在实际工作中的应用效果。

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。

基于BP网络算法优化模糊Petri网的电力变压器故障诊断

为了提高电力变压器故障诊断的正确率,提出了一种基于BP网络算法优化模糊Petri网的电力变压器故障诊断方法。利用具有自学习、自适应能力的BP网络算法,在确定模糊Petri网的权值、阈值、可信度等网络参数初始值的前提下,实现模糊Petri网网络参数的优化。在模糊Petri网网络结构上,运用BP网络算法,对电力变压器DGA样本进行学习训练,使模糊Petri网网络参数逐步向真实值逼近。实例分析结果表明,该方法能够有效地诊断电力变压器中的单一故障和多重故障,提高故障诊断正确率,证明了方法的正确性和有效性。

基于云物元分析原理的电力变压器故障诊断方法研究

变压器油中溶解气体分析(DGA)是电力变压器故障诊断的重要方法。针对物元理论变压器故障诊断方法中,在建立故障模式物元模型时没有考虑边界值的不确定性的不足,首次在变压器故障诊断研究方面引入云模型,结合云模型的不确定推理特性以及物元理论能同时进行定性定量分析问题的优点,提出了一种基于云物元分析原理和DGA相结合的电力变压器故障诊断新方法。通过建立变压器故障诊断的云物元模型和计算特征云物元与标准云物元之间的关联函数,实现对变压器故障模式的有效识别。实例分析验证了方法的正确性和有效性。

基于改进小波神经网络算法的电力变压器故障诊断方法

大型电力变压器作为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。针对基于BP算法的小波神经网络存在收敛速度慢、搜索空间局部极小及易引起振荡等不足,本文以变压器油中溶解气体为分析对象,提出采用动量项和变学习率改进小波神经网络的变压器故障诊断算法。选择400组油中溶解气体含量作为小波神经网络训练及故障识别样本,对训练过程和仿真结果进行对比分析。实验结果表明:较之比值法,改进的小波神经网络故障诊断算法在故障识别准确率和收敛时间方面表现更优。

一种新型变压器油中溶解气体在线监测仪的研究

研究提出了一种基于固体氧化物燃料电池(SOFC)技术的微量可燃气体检测新方法,该方法只需要一种载气就能够完成变压器油中溶解气体的检测。利用从四大守恒定律出发建立的管式SOFC数学模型,得到了可燃气体含量与SOFC输出电压的关系,进而通过优化参数并结合色谱分析技术设计了一套变压器油中气体在线监测仪。该测量仪以嵌入式PC104为核心,具有油中气体含量的实时LCD显示,并通过与上位机的串行通信实现气体含量数据的后台存储。实验与现场投运的结果表明该技术满足电力变压器在线监测与故障诊断的需求,具有线性度好、精度高、方便、清洁和自动化程度高等优点。

模糊贝叶斯网的变压器故障诊断

目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一。变压器故障诊断中的信息具有随机性和不确定性的特点,文中提出一种基于模糊贝叶斯网络的变压器故障诊断方法。该方法利用贝叶斯表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型。实例证明,该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据。

变压器溶解气体故障诊断国家标准和行业标准比较与验证探讨

分析了IEC三比值法和大卫三角形故障诊断理论中特征气体比值集合划分和编码,结合几个特征气体产气量关系和发展趋势。

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。

基于负面选择算法的电力变压器在线故障监测

变压器油中溶解气体分析是电力变压器异常监测的重要方法。我们研究了一种实时负面选择算法,基于免疫系统这种智能故障监测算法,通过分析油中溶解气体实现变压器故障的监测。由这种实时负面选择算法构造出一组可监测电力变压器工作过程任何异常(包括故障及损害)故障的监测器,对电力变压器运行期间的故障进行在线监测。实验证明,此算法能有效地对电力变压器已知和未可预知类型的故障样本进行及时探知,具有较高的检测准确率。

湖北电网220～500kV主变绝缘油普查分析

对湖北电网220~500kV主变绝缘油进行了油色谱和微水含量普查,对老旧变压器绝缘油进行了糠醛含量普查,给出了普查结果并进行了分析。

变压器油中溶解气体分析法应用中存在的问题及产气识别(二)

4变压器各类产气的识别 4．1自然老化产气的识别 自然老化产气与变压器内的水分和氧气含量有关，而他们与制造和维护水平有关，所以每一台变压器运行后所含特征气体的浓度是不同的。根据统计，如果油中乙炔保持为0值，总烃缓慢地上升，平均产气率〈0．1μL／（L·d），则可认为是自然老化。自然老化是可以控制的，控制水平不同，老化程度就不同。

综合RapidMiner与改进粒子群极限学习机算法的变压器故障诊断

针对三比值法用于变压器故障诊断缺编码以及各种人工智能方法抗干扰能力不足等问题,提出了综合RapidMiner与改进粒子群极限学习机算法RM-MPSO-ELM的变压器故障诊断方法。该方法利用RapidMiner工具,结合变压器样本数据,挑选出与故障类型最相关的输入变量,并针对极限学习机算法参数选择困难的问题,利用改进粒子群优化算法进行了参数优化。最后,使用极限学习机算法对变压器的潜在故障进行识别,并将之与IEC三比值法、支持向量机方法以及不同组合的极限学习机算法的诊断性能进行了比较。结果表明,本文所提方法具有更高的诊断精度。

基于密度泛函理论的油中溶解气体吸附分析

变压器油中溶解气体分析是监测变压器设备状态的重要手段。CO、CH 4和C 2 H 2是变压器油中溶解的代表性气体成分,基于密度泛函理论,首先确定过渡金属原子Pt在典型的层状过渡金属硫族化合物WSe 2表面的最佳吸附位置,获得3种气体在Pt-WSe 2表面的吸附行为,分析了气体吸附、电荷转移、吸附能、电子态密度、电荷密度形变和前沿轨道结构。作为一个电子受体,Pt-WSe 2从3种气体分子中吸引电子,CO和C 2 H 2分子的吸附类型为化学吸附,吸附效果较强,CH 4吸附是物理吸附,吸附效果较弱。气体分子的吸附导致Pt-WSe 2带隙增大,即电阻率增大。文中探索了将Pt掺杂的WSe 2改性材料应用于检测典型变压器油中溶解气体的潜力,提供了气敏吸附的理论依据。