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。

CP组合神经网络在基于DGA的变压器绝缘故障诊断中的应用

对向传播(CP)算法是一种有教师学习和无教师学习算法的混合体,既具有良好的模式识别性能,又能很好地解决反馈型神经网络的收敛问题。笔者提出了基于CP分类器人工神经网络的变压器故障诊断方法,建立了CP组合神经网络模型,通过比较不同训练情况下的正判率来确定CP网络中的训练次数和竞争层神经元的个数。实例证明该模型诊断结果的正判率比改良电协研法和IEC三比值法有较大的提高,具有较高的诊断准确率和应用价值。

基于核Fisher判别分析技术的电力变压器DGA故障诊断模型研究

鉴于核Fisher判别分析技术(KFDA)在模式识别问题中表现出的良好性能,提出了基于KFDA的变压器故障诊断模型,该模型首先提出了区分放电及过热两大类故障的特征量,并用KFDA分类器来识别类内故障的具体类别。采用基于网格搜索的交叉验证法来选择模型参数,避免了参数选择的盲目性和随意性。实例分析表明,该模型具有训练时间短、不存在局部极小等优点,与IEC三比值及改良电协研法相比,具有更好的故障识别效果。

主动差异学习神经网络集成方法在变压器DGA故障诊断中的应用

多分类器集成是解决困难学习问题的有效手段,但其性能提升的关键在于如何保证个体分类器的差异性。通过对集成误差公式的理论分析,提出一种能主动引导成员网络进行差异性学习的集成网络学习算法。该方法通过对集成误差的分解,使成员网络的训练准则函数中包含成员网络误差相关度的因素,并通过协同训练,引导成员网络进行差异性学习。该方法在基于油中溶解气体分析技术的变压器故障诊断的实验结果表明,该方法的故障诊断准确率优于传统的IEC三比值法与BP神经网络法,其性能也比经典的Bagging和Boosting集成方法更稳定可靠。

概率聚类技术应用于变压器DGA数据故障诊断

传统的最优聚类、分类技术,需要对聚类原型做球形假设,若将其应用于溶解气体分析(DGA)数据表诊断故障分类问题将存在不符合聚类本质的问题。为此将密度聚类方法引入DGA数据的故障诊断,取消了对聚类原型做形状假设,实现了DGA样本聚类的无监督型分析。该方法实现如下:①利用非参数密度估计方法估计样本空间概率密度函数,并以概率密度函数作为聚类依据,密度函数值较大的区域将有可能作为类簇原型区;②利用非参数估计方法直接估计出概率密度函数的梯度场;③依据概率密度函数的梯度分布确定聚类原型,进而利用峡谷搜索法思想建立聚类划分;④最后利用类簇划分的边界确定变压器故障的区分边界。试验结果表明,该方法实现了基于密度的自然值域划分,能够做到比现有的人工划分方式更加细致地划分,为研究DGA样本表特性提供了一种新的可行途径。

基于支持向量机和DGA的变压器状态评估方法

电力变压器老化、故障机理复杂,具有不确定性,难以进行准确的状态评估,故提出了一种基于支持向量机的二叉树多级分类器变压器状态评估方法,该模型以变压器油中溶解气体的含气量和产气速率为评价指标,结合《电力设备预防性试验规程》和《变压器油中溶解气体分析和判断导则》制定了半梯形百分制评分模型对选定的评价指标进行评分;将变压器状态分为良好、一般、注意、较差4种状态,利用从变压器历史试验数据库中归纳整理的样本分别对三级支持向量机分类器进行训练,经过训练的分类器能够正确判断出变压器所处的状态。实例分析结果表明该方法的有效性和实用性。

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QPSO-BP模型变压器故障诊断方法研究

为了提高变压器故障诊断的准确率,提出一种基于量子粒子群优化BP神经网络(quantum particle swarm optimized BP neural network,QPSO-BP)的故障诊断模型。在该算法中,用量子位的概率幅表示种群中各粒子的当前位置,用量子旋转门实现粒子位置的移动,用量子非门进行变异操作,以获取BP神经网络的权、阈值优化参数,最终实现了变压器故障诊断模型的构建。对故障DGA样本的诊断实例表明,与粒子群优化BP网络(particle swarm optimized BP neural network,PSO-BP)法、BPNN法以及IEC三比值法相比,QPSO-BP算法具有更高的诊断正确率,从而实现了变压器故障模式的有效识别。

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。

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。

基于支持向量机和DGA的变压器状态评估方法

针对电力变压器结构、老化、故障机理复杂,具有不确定性,难以进行准确的状态评估的问题,将变压器健康状态分为良好、一般、注意、较差4种状态,提出了一种基于支持向量机的二叉树多级分类器变压器健康状态评估方法。该模型以变压器油中溶解气体的产气量和产气速率为评价指标,利用支持向量机挖掘评价指标与变压器健康状况之间的关系。

基于DGA的反馈云熵模型电力变压器故障诊断方法研究

为了解决变压器故障诊断中存在的随机性和模糊性问题,提出了基于反馈云熵模型的电力变压器故障诊断新方法。通过对大量电力变压器故障征兆及故障类型的统计分析,并将其视作云滴输入贝叶斯反馈逆向云发生器中,得到故障特征气体的云模型参数值,构建变压器故障诊断标准正态云模型。将云关联系数和信息熵理论有机结合起来,降低了对单个标准正态云模型的依赖性,充分挖掘变压器油中溶解气体所包含的故障信息,提高了变压器故障诊断的准确率。通过不断丰富输入样本、修正云模型参数值的方法,可以进一步提高模型诊断效果。实例分析结果表明该模型的故障诊断准确率较高,并具有较好的理论价值和应用前景。

基于灰色TOPSIS和DGA的变压器状态预测

以灰色预测和理想点解理论(TOPSIS)为基础,研究基于油中溶解气体体积分数的变压器状态预测及其应用。该方法不同于目前单纯依据数学算法预测油中溶解气体含量的方法,而是从系统的角度综合考虑各特征参数及三比值规则,对故障状态贴近度进行预测。首先根据理想点解法计算各期油中气体体积分数三比值的故障贴近度,以此作为变压器三比值状态信息,然后根据灰色GM(1,1)模型,对变压器三比值故障状态贴进度发展趋势进行预测,最后得到其故障的贴近度,反应了变压器故障状态的发展趋势,对状态维修具有较直观的参考意义。实例数据分析验证了该预测方法的有效性。

AI优化模糊核聚类算法的变压器DGA分析

针对模糊聚类及核聚类算法在电力变压器DGA分析中存在的初值敏感及易陷入局部极值点的问题,提出了一种人工免疫优化模糊核聚类的新算法。该算法将基于克隆选择原理和亲和力成熟的免疫克隆算法与模糊核聚类算法相结合,采用群体搜索策略,将待分类的数据对象视为抗原(Ag),把聚类中心看作抗体(Ab),通过免疫系统不断产生抗体,识别抗原来优化FKCM的目标函数,能快速地获得全局最优解。仿真结果证明了该算法在变压器故障诊断上的可行性和有效性。

110 kV变压器高压套管绝缘受潮缺陷分析

文章介绍了一起通过油中溶解气体分析发现的110 kV变压器高压套管受潮缺陷的案例。根据变压器油化试验、停电高压试验、外观及解体检查情况综合分析判断出缺陷发生的部分及原因。对由于套管顶部注油孔螺栓未安装胶垫,密封不严,导致潮气入侵导致的套管绝缘受潮缺陷,提出检修建议,为此后处理同类缺陷积累宝贵经验。

基于DGA与神经网络融合的变压器故障诊断方法

针对传统油中溶解气体分析法(DGA)的诊断方法存在的问题,提出了一种融合传统的DGA方法与人工神经网络的综合诊断方法。利用改良的三比值法、特征气体法、无编码比值法等传统DGA方法以及基于径向基函数(RBF)神经网络方法,分别进行了初级诊断,最后综合考虑了各种故障类型下初级诊断结果的可靠性差异,采用模糊积分的方式将初级诊断的结果进行了融合,并通过仿真验证了该方法的有效性。

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。

基于秃鹰搜索算法优化SVM的变压器故障诊断

针对支持向量机(support vector machines,SVM)变压器故障诊断模型存在正确率低、运行时间长的问题,提出一种基于秃鹰搜索算法(bald eagle search,BES)优化SVM的变压器故障诊断模型。首先,选取4个测试函数对BES算法进行性能测试,并与布谷鸟算法(cuckoo search,CS)、人工蜂群算法(artificial bee colony,ABC)和萤火虫算法(firefly algorithm,FA)进行对比,结果表明BES算法不论是收敛速度还是泛化能力都有更好的优化性能。然后,采用BES算法对SVM的核函数参数g和c进行优化,建立了基于油中溶解气体分析(dissolved gas analysis,DGA)的BESSVM变压器故障诊断模型,并与ELM、SVM、CS-SVM、ABC-SVM、FA-SVM故障诊断模型进行仿真实验对比。结果表明,BES-SVM故障诊断模型综合正确率为98.67%,比上述对比故障诊断模型分别提高了22.67%、20%、13.34%、12%、10.67%,且运行时间最短,所提BES-SVM变压器故障诊断模型具有更好的故障诊断效果。

光纤传感技术在油浸式电力变压器状态监测应用的研究进展

变压器的正常运行对电力系统的稳定至关重要。因此,对变压器进行实时状态监测并基于其进行故障分析具有重要意义。光纤传感因其灵敏度高、抗电磁干扰、耐高温等优势广泛应用于变压器监测中。文中首先介绍了光纤光栅传感、分布式光纤传感及荧光光纤传感等技术的原理和特点。详细分析了光纤传感技术在油浸式电力变压器温升、振动、局部放电和油中溶解气体4种状态监测的原理和研究进展。最后对其后续研究方向进行了展望。