一、色谱分析在变压器潜伏性故障诊断中的应用(论文文献综述)
霍耀杰[1](2021)在《车载牵引油浸式变压器油样色谱分析及应用》文中研究指明交流传动电力机车主变压器由于阻抗和结构的特殊性,运行中的变压器油参数指标与电力变压器存在较大差异。现在使用的注意值大都是大型电力变压器故障诊断的经验总结,不是判断故障是否存在的标准。另一方面,相对于装有几十吨甚至上百吨变压器油的大型电力变压器来说,车载牵引油浸式变压器属于少油设备。因为油的体积小,一旦有少量气体产生,溶解在油中的气体会随着油泵的循环快速扩散,很容易检测出来。使用传统的电力变压器分析方法来分析车载牵引变压器必然会产生较大的误差。本文针对以上问题,以一台型号为JQFP2-9000/25(DL),牵引油浸式分裂变压器为研究对象,研究了牵引油浸式变压器气相色谱分析技术和高压端子的电场仿真,论文主要研究内容如下:(1)对油浸式变压器油气相色谱在国内外的发展历程进行了回顾,并对变压器箱体中最容易发生放电的高压套管的研究成果进行了阐述。可见,变压器油的气相色谱分析是尽早准确发现变压器有无内部潜伏性故障的最方便和最有效的手段。色谱分析由于采集油样时间间隔较长,不适用于突发性故障。(2)分析了车载牵引油浸式变压器油品的采集方法,色谱分析的判断标准,以及应用标准进行分析处理变压器油,并对注完油的变压器进行出厂的例行试验。接下来分析了两个常见的不同类型的工程案例故障,通过色谱数据的研究,对故障变压器类型如何进行判断和处理进行了分析说明。(3)通过对承受变压器中最高电压的高压端子浸入油中的部分建立有限元分析模型,并完成了有限元计算,通过电场仿真得出了高压套管的电场强度最大值出现的位置和最大值,对场强最强的部位通过半叠包绝缘纸加以重点防护,改善了电场分布。从而减少由于局部放电引起的发热、电解变压器油导致的变压器油气相色谱超标,减小机车机破率。
张宇婷[2](2021)在《基于CVA的变压器故障诊断及预测研究》文中研究表明油浸式变压器是构建智能电网以及互联电网中的枢纽设备之一,基于油色谱分析技术(DGA)对变压器进行故障诊断是电网安全运行的发展方向。而变压器的故障预测是变压器维护工作的重要内容,准确的故障预测可以在变压器发生故障之前,通过采取恰当的措施,使得变压器故障得以提前消除,减少了因其故障导致电力系统无法正常运转带来的经济损失。本文对变压器故障诊断方法以及预测模型进行了系统的研究,提出了小波神经网络结合规范变量分析法(WPT-CVA)的故障诊断方法以及粒子群优化支持向量机(PSO-SVM)和小波变换时间序列(WPT-ARMA)的组合预测模型,提高了小样本数据下故障诊断准确率以及预测精度。本文对油浸式变压器的研究内容分为以下几个部分:首先,分析变压器常见的故障类型,按故障性质将变压器故障分为电性故障及热性故障。通过对智能算法及传统算法的总结,确定故障诊断算法为小波神经网络算法,以支持向量机模型(SVM)以及自回归滑动平均模型(ARMA)的组合预测模型。其次,对小波神经网络进行简单介绍,利用小波神经网络算法建立变压器故障诊断模型,确定输入层、隐含层以及输出层,随后选取了大量有代表性的数据样本,利用小波变换进行降噪处理。在此基础上对样本数据作归一化处理并进行了训练,测试以及误差分析,得出小波神经网络的收敛速度快但收敛误差较大的结论。再次,采用小波分析结合CVA的方法对溶解于变压器油中的气体数据进行处理,不仅不需人为添加优化系数或惩罚因子,还对变压器的故障诊断快速且准确,优于目前诊断准确率较高的智能方法。通过将收集到的400组DGA数据集分离为275组训练集和组125测试集,评估了该方法的故障诊断性能。经过训练,测试结果表明,WPT法和基于CVA的方法的诊断准确率分别为90.4和93.4%。从这些数据可以清楚地看出,该方法在对变压器故障分类时的诊断率提高了3个百分点。最后,通过对DGA气体数据进行归一化处理、选择核函数、粒子群优化支持向量机建立PSO-SVM预测模型,对DGA气体数据进行小波去噪、模型识别、参数估计建立WPT-ARMA预测模型,基于两种预测模型建立组合模型,以达到误差最小为目的,最后通过实例验证及对比发现WPT-ARMA的预测模型误差较PSO-SVM预测模型误差值小,且组合预测模型可以综合多种单一预测模型所包含的信息,有效降低预测风险。
李黄曼[3](2021)在《基于深度学习的电力变压器故障诊断研究》文中提出电力变压器的运行状态关系着整个电力系统的安全与稳定,因此,在工程应用中需要对其状态进行实时监测以及时发现潜伏故障。目前,实现变压器状态监测首要方法是油中溶解气体分析法(Dissolved Gas Analysis,DGA)。针对基于DGA的变压器智能故障诊断方法存在的局限性,本文提出了改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化深度信念网络(Deep Brief Network,DBN)和支持向量机(support vector machine,SVM)的变压器故障诊断方法。利用ISSA对DBN的网络结构参数进行优化,使其能够深度挖掘出DGA故障数据的特征信息和故障类型之间的联系。结合SVM能够有效解决小样本分类问题的优点,建立了融合DBN与SVM的变压器故障诊断模型。具体研究内容和结果如下:(1)构建了基于DGA特征比值和深度信念网络的变压器故障诊断模型。利用邻域粗糙集对变压器故障特征气体的比值进行了决策约简,并经过降维处理去除特征输入之间存在的冗余信息以免其影响DBN的故障特征提取效果。通过与目前变压器故障诊断常用的智能方法进行对比,结果表明,DBN诊断模型对变压器的故障状态预测精度更高。(2)采用改进的麻雀搜索算法对DBN模型的性能进行了优化。引入了动态反向学习策略和高斯变异提高了 SSA的全局寻优能力和泛化能力。据此,构建了基于ISSA和DBN的故障诊断模型。采用ISSA优化DBN中RBM的层间神经元连接权值和神经元偏置,进而提高DBN对输入数据本质特征的提取能力。再用ISSA-DBN模型对变压器故障状态进行预测分类,结果表明,该模型的故障诊断准确率可达94.44%。(3)提出了 DBN与SVM相结合的变压器故障诊断方法。结合SVM对于小样本优异的分类能力,建立了基于ISSA的DBN-SVM变压器故障诊断模型。通过ISSA-DBN对训练样本深度提取故障的本质特征后输入ISSA-SVM中进行分类训练。通过对变压器实际运行状态的诊断结果可得,该模型的故障诊断精度高于ISSA-DBN和ISSA-SVM,变压器运行状态的预测准确率可达到95.56%。(4)用变压器故障的具体案例来验证该模型的泛化能力以及实用性,结果表明,经过ISSA优化的DBN-SVM诊断模型通过提取变压器DGA数据中的故障本质特征可以精确的诊断出变压器运行中存在的隐藏故障。经过ISSA优化DBN-SVM的变压器故障诊断模型可以利用在线检测的油色谱数据及时精确的诊断出变压器运行中存在的潜伏性故障并据此制定合理的检修策略。进而实时监测变压器的运行状态,保证电力系统的安全与稳定。
苏育聪[4](2020)在《电力变压器DGA算法优化研究及应用》文中研究指明随着现代电网的高速发展以及电力变压器在电网中的普遍应用,作为电网的核心设备,变压器运行质量关系整个电网运行可靠性,尤其是其本身的修复难度大,耗时长。为了确保电力系统运行的经济性、稳定性与安全性,就必须要高度重视变压器故障诊断。国内外的高电压、大容量电力变压器普遍采用油浸式变压器,油中溶解气体分析法(DGA)是早期发现及防范变压器故障问题的一个有效方法。在对变压器运行故障数据进行广泛收集的基础上,为了对三比值诊断法应用中比值恰好在编码区间的边界处时发生的误判进行克服与改进,在BP网络结构、原理、标准BP算法和改进BP算法的基础上,将BP神经网络应用于变压器故障诊断中,取得了较好的分类效果。为改善BP神经网络易陷入局部极小值且收敛速度缓慢,利用粒子群算法(PSO)全局优化的特点,提出一种有机结合BP算法与PSO算法的PSO-BP算法,即充分运用PSO算法对BP网络的阈值与权值进行有效优化,并将优化处理得到的BP网络应用于变压器故障诊断。实验数据结果分析表明,PSO-BP网络提高了诊断故障的准确率。利用支持向量机(SVM)基于数据的统计学习理论的优点,将支持向量机应用于诊断基于DGA的变压器故障问题。首先提出一种以支持向量机为核心的变压器故障诊断模型构建思路,并借助网络搜索法来确定模型参数。采用PSO算法对SVM参数优化,对采用的故障诊断模型中径向基函数(RBF)核函数参数和误差项优化,选取分类器的准确率作为粒子群算法的适应度函数,提高SVM算法的准确率。基于实例分析结果可知,所构建的变压器故障诊断模型在诊断效率、分类处理能力以及应用推广能力等方面的作用非常显着,可以为变压器故障诊断的相关工作提供一个可靠、有效的路径。
沈杰[5](2020)在《基于堆栈自编码神经网络的自适应分类算法在变压器故障诊断中的应用》文中提出随着电网设备规模的逐渐增大,传统的停电检测工作已经逐步被以带电检测技术为基础的状态检修工作所代替。油浸式电力变压器是变电站的焦点设备,对其进行带电检测是日常工作的重点。油浸式电力变压器带电检测的首要工作就是对油液中溶解气体的检测。但是,检测得到的数据在使用传统三比值法分析的过程中会存在编码缺损、临界值判据不充分等问题,其结果作为判断故障的依据,缺乏可信性和准确性。自编码器(AE,Auto Encoder)是一种具有强大特征提取能力的无监督学习算法,可以有效地提取检测数据的高级特征。Ada Boost作为一种分类性能强于其他基分类器的集成学习算法,能够解决临界值判据不充分时的分类问题。故本文研究应用自编码器与Ada Boost分类器对油浸式电力变压器进行故障诊断。1.研究油中溶解气体检测的基本原理和检测方法,探讨变压器各类故障与油中产生气体类型含量之间的相应关系,对比分析传统诊断三比值法与改良三比值法优缺点。结合实际运行的油浸式电力变压器,获得检测数据。2.堆栈式自编码器(SAE,Stacked Auto Encoder)是自编码器的深度模型。本文将堆栈自编码器与Ada Boost结合起来,构建SAE-Ada Boost故障诊断模型。使用堆栈式自编码器提取输入数据的高级特征,并将其作为三比值的补充特征,将两者数据融合,使用Ada Boost分类器判别故障类型。最后通过实验确定SAEAda Boost故障诊断模型的结构参数,并且对模型的诊断能力进行测试。3.对高海拔地区内油浸式电力变压器进行油中溶解气体数据分析,判断其运行状态和故障类型。研究结果表明,使用SAE-Ada Boost故障诊断模型进行油浸式电力变压器故障判断所得结果的准确率在90%以上。通过红外成像检测和电力变压器局部放电检测,验证了采用自编码器与Ada Boost分类器可以一定程度上提高变压器故障诊断结果的可信性和准确性。
张思捷[6](2020)在《电力变压器状态评价与故障诊断技术研究》文中研究指明电力变压器作为电力系统的基础设备之一,其运行状态直接关系到电网是否能够保证长期稳定健康运行。近年来,随着我国电网智能化建设的高速发展,电力设备数量快速增长,保证电网的稳定健康运行面临着更大的挑战。因此,深入研究电力变压器状态评价和故障诊断技术对保障电力系统正常可靠供电,推动状态检修的发展和应用具有重要理论意义和实用价值。本文以220k V油浸式电力变压器为研究对象,针对电力变压器状态评价与故障分析等相关问题进行了如下研究:首先,参考国家电网公司标准和相关规程,考虑电力变压器结构和性能特点,立足于电力企业技术发展现状,优选影响电力变压器运行状态的因素,提出电力变压器状态等级分类标准和检修响应策略,建立有效的基于部位性能的电力变压器多层状态评价模型。其次,在了解常用指标权重确定方法的基础上,综合分析主、客观权重法的优缺点,采用模糊集值统计法与熵值法相结合的电力变压器指标权重确定方法。分析电力变压器状态与可拓学之间的关系,探索电力变压器状态评价指标关联函数的构造形式,构建基于分层可拓法的电力变压器状态评价步骤,实现电力变压器状态的准确评价。再次,考虑到电力变压器实际运行时存在的个体差异,综合国内外油中气体与气体比值的研究成果,基于常用特征气体和IEC TC 10故障数据库,采用离散二进制粒子群算法和支持向量机算法相结合优选故障模型输入特征。测试结果表明,优选特征与常用特征气体和三比值特征相比具有更高的故障诊断准确率。最后,结合本文提出的电力变压器状态评价模型和故障诊断算法,基于Python、My SQL等开发环境,设计并实现了电力变压器状态评价与故障诊断原型系统,可实现电力变压器状态评价、故障诊断分析等功能,为设备使用者提供可视化的维修决策支持。
杨亚东[7](2020)在《基于DGA的电力变压器智能故障诊断研究》文中研究说明电力变压器是承担电力系统输变电任务的极重要设备,保障着电力系统的安全可靠运行。对其潜在故障进行准确诊断,减小故障发生造成的损失,一直以来都是电气工程领域的研究热点。油中溶解气体分析是变压器故障诊断中应用最为广泛的一种方式,但传统基于油中溶解气体的故障诊断方法存在着一些方式上的局限性和模糊性的问题。因此,需要寻找更为准确有效的故障诊断方法。本文将先进的智能方法与传统方法进行结合对变压器进行故障诊断,对电力系统的健康稳定发展具有重要的理论和应用意义。变压器工作原理复杂,工作环境恶劣,导致传统的变压器故障诊断存在诊断困难、结果不确定、故障数据不均衡等问题。针对这些问题,本文通过深入归纳变压器故障与油中气体间的映射关系,对无编码比值法进行改进,尝试以粗糙集和概率神经网络融合的方法构建变压器故障诊断模型,收集变压器故障数据并进行了仿真实验。实验表明,粗糙集融合对概率神经网络算法诊断能力有所提高,但仍存在分布不均衡数据影响性能的问题。因此,在异方差概率神经网络的基础上,对不同属性设置不同参数,提出一种基于混合高斯基函数的属性概率神经网络。该方法利用混合高斯核函数实现多参数估计概率密度,沿用最大期望值法的思路,利用粒子群优化算法估计其参数。最后,利用Lab VIEW进行故障诊断软件设计,通过调用MATLAB脚本,实现属性概率神经网络模块的嵌入以及故障诊断的可视化操作和扩展功能。经过仿真实验验证,改进后的属性概率神经网络算法能够有效处理不均衡数据,提高算法精度,具有很好的诊断效果。基于Lab VIEW设计变压器故障诊断系统软件,有利于实现变压器故障诊断便捷化和高效化。
韩清春[8](2019)在《基于布谷鸟算法优化BP神经网络的变压器故障诊断研究》文中研究表明变压器是电力系统中进行电压等级变换和传递电能的枢纽设备,其运行状况直接影响电网安全可靠运行,所以如何及时准确地发现变压器运行过程中存在的潜伏性故障成为电力系统安全稳定运行中有待进一步研究的课题。本文在参考大量现有文献的基础上将布谷鸟算法优化BP神经网络即CS-BP神经网络创新性地引入至变压器故障诊断领域,有效提高了变压器故障诊断正确率及诊断精度,为变压器及电力系统的正常运行提供可靠保障。首先,通过阅读相关资料总结变压器油中气体产生机理及变压器故障分类,并在此基础上介绍了传统诊断方法和人工智能诊断方法的基本原理及优缺点。通过详尽的公式推导阐述BP神经网络的基本数学原理,分析了 BP神经网络的优点和缺点并简要介绍了现阶段对于BP神经网络的改进方法,同时论述了布谷鸟算法的基本思想和算法流程。其次,提出将布谷鸟算法优化BP神经网络应用于变压器故障诊断领域,把BP神经网络的初始阈值和权值映射为布谷鸟算法中的鸟巢位置,通过模拟布谷鸟搜索最优鸟巢进行产卵孵育的过程来确定一组最优初始阈值和权值的组合以克服BP神经网络收敛速度慢且易陷入局部最优的缺点。以变压器油中五种特征气体含量构成的三种比值为网络输入,变压器七种运行状态为网络输出,利用CS-BP神经网络深入挖掘训练样本中隐含的变压器故障信息并对一定数目的测试样本进行分类识别以判断变压器故障类型。通过对CS-BP神经网络的训练曲线及诊断结果进行仿真,表明经过布谷鸟算法优化后的BP神经网络可有效减小训练次数并显着提高对测试样本的诊断正确率及诊断精度。同时将诊断结果与目前广泛使用的的粒子群算法作对比,结果表明CS-BP神经网络相对于粒子群算法优化BP神经网络(PSO-BP神经网络)对于同组测试样本表现出更加优异的诊断性能。最后,在算法仿真的基础上通过C#和MATLAB混合编程技术利用Microsoft SQL Server 2012软件和Visual Studio 2012软件设计并开发了变压器故障诊断系统,利用系统中的三比值法、BP神经网络、PSO-BP神经网络和CS-BP神经网络对变压器现场收集到的数据进行对比分析以初步确定变压器故障类型,通过结合变压器现场分析验证了本文所开发的系统在变压器故障诊断领域具有可行性和有效性。
梁浩浩[9](2019)在《基于数据挖掘的变压器状态评估与故障诊断方法研究》文中认为电力变压器作为电网中的枢纽设备,能够调整电压大小和输送电能,对电力系统稳定供电起着至关重要的作用。随着电网规模的扩大,已有较多变压器常年满载运行,这些设备的运行状态逐渐恶化,故障率也不断提高。由于电力传输的特殊性,一旦发生故障将会影响整个网络的安全供电,并且造成设备损坏和经济损失,甚至危害人生安全。因此,对变压器进行合理的状态评估和准确的故障诊断能有效地提高供电可靠性,具有十分重要的意义。现阶段,运维人员主要依靠在线监测数据和预防性试验来判断变压器运行状态。根据某一特定的指标大小,按照相关标准规定的阈值进行状态划分,虽然测量技术的发展,提高了试验的准确性,但是大多数都只能评估某一项状态,并且由于指标有限,具有很大的片面性,并没有综合的利用各类信息作出整体的状态评估。针对以上问题,本文在相关标准和规程的基础上,建立了基于数据挖掘的变压器状态评估和故障诊断模型,为运维人员准确掌握变压器运行状态,进行状态检修提供指导。论文参考了大量技术规程和相关标准,并考虑各专家经验,建立了变压器的多维信息评估模型。指标体系在实用性、有效性和经济性等方面进行了优化,并对评估准则和运维策略进行了改进,并在此基础上建立了变压器的状态评估和故障诊断模型。利用模糊层次分析法构建变压器状态评估模型,根据在线监测数据和历史数据,融合多维信息和各方面因素对变压器健康状况进行评估。研究了各指标之间的权重关系,并对计算过程进行了优化,针对该方法中存在的主观性缺陷,引入了改进熵权法计算其客观权重,指标的客观熵越大,通过信息熵得到的权重越小,考虑主客观两方面权重得到组合权重,既突出了数据间的差异性,又对专家经验给予足够的重视。利用BP神经网络学习状态评估的非线性映射关系,简化了指标赋权和计算过程,提高了评估模型的实用性和快捷性。利用模糊聚类理论对变压器进行故障诊断,考虑了指标的不确定性和模糊性,用模糊隶属度表示变压器所属的故障类型,并给出了详细的故障诊断步骤。模糊C-均值聚类是一种无监督学习的聚类方法,可以有效地利用大量监测数据中的无标签信息。针对聚类方法中初始聚类中心随机设定导致聚类结果不稳定的缺陷,用人群搜索算法对聚类中心进行优化,提高了聚类的效率和准确性。通过工程实例进行验证,应用本文设计的变压器状态评估和故障诊断模型,能够准确地判断变压器的健康状态和故障类型,为变压器的差异化运维提供可靠的决策依据。
汤心韵[10](2019)在《基于灰色关联与熵权融合的变压器故障诊断方法研究》文中研究表明当前,电力变压器作为重要的电力设备,在其健康状况堪忧、存在的潜在性运行隐患时,若不及时检修更换变压器发生故障部件,则可能引发停电甚至爆炸等事故,对电力系统的安全性、可靠性造成极为严重的后果。因此为保证电力系统的安全可靠运行,需研究出一种有效方法来诊断出变压器内部所具有的潜伏性故障隐患。结合我国三十多年的工程实际应用效果来看,油中溶解分析诊断技术(DGA)已广泛用于检测以绝缘油作为电介质的电气设备的潜伏性故障,其内在的诊断依据是检测变压器是否发生故障的精髓。然而,传统的DGA方法在单一使用时,其诊断范围有局限性,诊断精度较低。例如,气体比值法,对于过热或放电故障诊断的正确率能够达到90%以上。但需进一步找到该故障发生的位置时,则无法对其进行准确地判断。因此,仅依靠上述单一的诊断技术来确定变压器发生故障类型,其精度较低故无法满足工程需求。针对这一问题,本文将传统的DGA诊断技术与人工智能方法相结合。利用灰色关联分析在处理小样本和不良信息样本中的优势和熵权法处理加权问题的优点分析操作变压器的油中溶解气体数据样本,提出了一种基于灰色关联和熵权融合的变压器故障诊断方法。该方法首先建立8种变压器故障状态,并选择8组经吊罩检查已经确定变压器发生故障类型的DGA油色谱数据进行标准化处理得到8种变压器故障状态的标准化样本数据;然后采用无量纲标准化方法处理标准化样本数据,得到8×5阶变压器标准故障状态模型;并求解8种变压器故障状态标准化样本数据的熵权,从而确定5种故障指标的权重;最后,将检测的变压器数据样本进行无量纲标准化处理后结合求得的5种故障指标的标准权重代入计算灰色加权关联度公式,求得待检测数据样本的灰色加权关联度;接着对所求待检测数据样本的灰色加权关联度按照降序排列,即最大灰色加权关联度所对应的标准故障模式下的指标就是本文方法诊断的变压器故障类型。最后对利用该方法检测出故障的待检测样本所对应的变压器进行吊罩检查,通过三个实例的检查结果表明该方法得出的结果与吊罩检查得出的结果一致,结果表明该方法具有很好的工程实用前景。
二、色谱分析在变压器潜伏性故障诊断中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、色谱分析在变压器潜伏性故障诊断中的应用(论文提纲范文)
(1)车载牵引油浸式变压器油样色谱分析及应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 国内外研究现状 |
1.2.1 变压器油色谱国外研究现状 |
1.2.2 变压器油色谱国内研究现状 |
1.3 课题的主要研究内容 |
第2章 牵引油浸式变压器 |
2.1 电力机车总体情况 |
2.2 牵引主变压器 |
2.3 本章小结 |
第3章 牵引油浸式变压器油气相色谱分析 |
3.1 油样的采集 |
3.2 变压器油试验标准及判断故障的依据 |
3.3 变压器油的过滤及试验 |
3.3.1 滤油的目的 |
3.3.2 滤油设备的结构 |
3.3.3 滤油的原理 |
3.3.4 滤油的方法 |
3.3.5 注油 |
3.3.6 变压器的试验 |
3.4 变压器油的气相色谱法 |
3.5 变压器油的气相色谱分析实例 |
3.5.1 乙炔超标变压器油色谱分析 |
3.5.2 氢气超标变压器油色谱分析 |
3.6 本章小结 |
第4章 车载变压器高压套管的电场分析 |
4.1 高压静电场研究的意义 |
4.1.1 研究高压静电场数值计算方法的意义 |
4.1.2 高压静电场数值计算方法的发展历程 |
4.1.3 高压静电场数值计算主要方法的特点 |
4.2 有限元法的原理和求解过程 |
4.2.1 有限元法的主要特点 |
4.2.2 有限元法的求解过程 |
4.3 电场问题有限元法 |
4.3.1 电场问题有限元法中势函数的微分方程 |
4.3.2 电场问题有限元法中二维电场有限元解法 |
4.4 变压器高压套管电场仿真意义和模型 |
4.5 变压器高压套管电场分析 |
4.5.1 高压套管在额定电压25k V的电位线和电场强度分布图 |
4.5.2 高压套管在工况电压31.5k V的电位线和电场强度分布图 |
4.5.3 高压套管在感应耐压60k V的电位线和电场强度分布图 |
4.6 减少高压套管击穿放电导致气相色谱中特征气体升高的方法 |
4.7 本章小结 |
第5章 结论 |
参考文献 |
致谢 |
(2)基于CVA的变压器故障诊断及预测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 论文主要研究内容 |
第2章 油浸式电力变压器故障诊断及预测技术 |
2.1 电力变压器故障分类 |
2.2 基于DGA的变压器故障诊断理论 |
2.2.1 溶解油中气体产生机理 |
2.2.2 DGA用于变压器故障判断 |
2.3 电力变压器故障诊断算法 |
2.3.1 常规算法 |
2.3.2 智能算法 |
2.4 电力变压器故障预测算法 |
2.4.1 SVM预测模型 |
2.4.2 ARMA预测模型 |
2.4.3 组合预测模型 |
2.5 本章小结 |
第3章 基于小波神经网络的电力变压器故障诊断研究 |
3.1 基于小波变换的变压器故障诊断理论 |
3.2 小波神经网络故障诊断模型建立 |
3.2.1 输入输出神经元的确定 |
3.2.2 隐含层的确定 |
3.3 小波神经网络故障诊断模型训练 |
3.3.1 训练样本数据的选取 |
3.3.2 小波变换去噪处理 |
3.3.3 小波神经网络模型训练 |
3.4 故障诊断结果分析 |
3.5 本章小结 |
第4章 基于DGA结合CVA算法在变压器故障诊断中的研究 |
4.1 基于CVA的变压器故障诊断理论 |
4.2 CVA故障诊断模型建立 |
4.3 CVA优化小波神经网络故障诊断模型训练 |
4.3.1 特征值提取 |
4.3.2 训练和测试阶段 |
4.4 故障诊断结果分析 |
4.5 本章小结 |
第5章 基于PSO-SVM模型和WPT-ARMA模型组合的变压器预测模型 |
5.1 基于PSO-SVM模型预测 |
5.1.1 PSO-SVM模型建立 |
5.1.2 PSO-SVM模型的误差评价 |
5.2 基于WPT-ARMA模型预测 |
5.2.1 ARMA模型的建立 |
5.2.2 ARMA模型的预报 |
5.3 组合预测的电力变压器故障预测 |
5.3.1 组合预测的主要思想 |
5.3.2 基于PSO-SVM与WPT-ARMA的组合预测模型 |
5.4 变压器预测模型维数的实例仿真分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
攻读硕士期间研究成果 |
(3)基于深度学习的电力变压器故障诊断研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 变压器故障诊断国内外研究现状 |
1.2.2 深度学习研究现状 |
1.2.3 研究现状总结 |
1.3 本文主要研究内容 |
2 变压器油中气体及故障特性分析 |
2.1 变压器油中溶解气体的产生机理 |
2.1.1 空气在变压器油中的溶解 |
2.1.2 绝缘材料的分解 |
2.1.3 变压器油的分解 |
2.2 变压器常见故障及其特性分析 |
2.2.1 变压器常见故障及其特性分析 |
2.2.2 变压器典型故障类型 |
2.3 常见故障的溶解气体特征 |
2.3.1 热性故障油中溶解气体特征 |
2.3.2 电性故障油中溶解气体特征 |
2.4 本章小结 |
3 基于DBN的变压器故障诊断研究 |
3.1 深度信念网络 |
3.2 深度信念网络结构及训练过程 |
3.3 特征数据及其处理方法 |
3.3.1 数据采集及其预处理 |
3.3.2 特征比值的约简及降维 |
3.4 基于DBN的变压器故障诊断研究 |
3.4.1 基于DBN的故障诊断模型 |
3.4.2 模型网络参数的确定 |
3.4.3 变压器故障诊断结果分析 |
3.5 本章小结 |
4 基于ISSA-DBN的变压器故障诊断研究 |
4.1 麻雀搜索算法 |
4.2 改进麻雀搜索算法 |
4.2.1 算法改进策略 |
4.2.2 改进麻雀搜索算法 |
4.2.3 改进算法的性能测试 |
4.3 基于ISSA优化DBN的变压器故障诊断模型 |
4.4 本章小结 |
5 优化DBN-SVM的变压器故障诊断及实例分析 |
5.1 支持向量机 |
5.2 基于优化DBN-SVM的变压器故障诊断研究 |
5.3 模型验证分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 创新点 |
6.3 展望 |
致谢 |
参考文献 |
攻读学位期间发表的学术论文目录 |
(4)电力变压器DGA算法优化研究及应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 变压器故障诊断的重要意义 |
1.2 变压器检修方式发展历史 |
1.3 变压器故障诊断的国内外研究现状 |
1.4 本文所做的工作 |
第2章 变压器故障类型和诊断方法 |
2.1 变压器基本结构 |
2.2 变压器故障类型 |
2.3 变压器油中溶解气体 |
2.3.1 正常时变压器油中溶解气体组成 |
2.3.2 故障时变压器油中溶解气体组成 |
2.4 油中溶解气体分析变压器故障性质和类型 |
2.4.1 单项成分超标分析法 |
2.4.2 特征气体法 |
2.5 故障分类和原始数据 |
2.6 本章小结 |
第3章 基于人工神经网络的DGA算法优化 |
3.1 BP神经网络 |
3.1.1 BP神经网络激活函数 |
3.1.2 BP算法 |
3.1.3 标准BP算法的改进 |
3.2 BP神经网络在DGA的应用 |
3.2.1 确定输出向量 |
3.2.2 输入向量的确定 |
3.2.3 设计BP网络的对应结构参数 |
3.2.4 定义训练函数和参数 |
3.2.5 测试和结果分析 |
3.3 PSO-BP算法在DGA故障诊断 |
3.3.1 PSO算法 |
3.3.2 PSO-BP算法的实现 |
3.3.3 仿真测试和结果分析 |
3.4 本章小结 |
第4章 基于支持向量机的DGA算法优化 |
4.1 支持向量机基础 |
4.1.1 广义最优分类面 |
4.1.2 核函数 |
4.1.3 网格搜索法 |
4.2 支持向量机在DGA的应用 |
4.2.1 诊断规则RULE0和RULE1 |
4.2.2 数据归一化处理 |
4.2.3 支持向量分类机的训练及参数确定 |
4.2.4 数据训练与检验结果分析 |
4.3 PSO-SVM算法在DGA故障诊断 |
4.3.1 PSO-SVM优化原理 |
4.3.2 数据训练与检验结果分析 |
4.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间所发表的论文 |
致谢 |
个人简历 |
(5)基于堆栈自编码神经网络的自适应分类算法在变压器故障诊断中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及其意义 |
1.2 电力变压器故障诊断技术综述 |
1.2.1 传统变压器故障诊断技术 |
1.2.2 人工智能的变压器故障诊断技术 |
1.3 变压器油溶解气体分析研究现状 |
1.4 本文研究的主要内容 |
第2章 油浸式电力变压器油中溶解气体检测方法 |
2.1 绝缘油中溶解气体的产生原理 |
2.1.1 绝缘油的分解 |
2.1.2 固体绝缘材料的分解 |
2.1.3 绝缘油中溶解气体的其他来源 |
2.2 油浸式电力变压器绝缘油中溶解气体气相色谱分析 |
2.2.1 绝缘油中溶解气体获取 |
2.2.2 绝缘油中溶解气体检测方法 |
2.3 油浸式电力变压器油中溶解气体检测数据分析方法 |
2.3.1 特征气体法 |
2.3.2 三比值法 |
2.3.3 改良三比值法 |
2.4 本章小结 |
第3章 基于SAE-Ada Boost模型的变压器故障诊断 |
3.1 神经网络介绍 |
3.2 自编码神经网络介绍 |
3.2.1 自编码器 |
3.2.2 堆栈自编码器 |
3.3 Ada Boost算法 |
3.4 SAE-Ada Boost故障诊断模型 |
3.4.1 SAE-Ada Boost模型结构 |
3.4.2 建立SAE-Ada Boost模型 |
3.5 实验及分析 |
3.5.1 实验数据 |
3.5.2 隐藏层神经元个数 |
3.5.3 分类器 |
3.5.4 模型测试 |
3.6 本章小结 |
第4章 SAE-Ada Boost模型在高海拔地区变压器故障诊断中的应用 |
4.1 故障数据 |
4.2 故障诊断 |
4.3 生产管理系统应用 |
4.4 红外成像检测 |
4.5 电力变压器局部放电检测 |
4.6 检修计划 |
4.6.1 检修细则 |
4.6.2 检修策略 |
4.6.3 检修计划制定 |
4.7 本章小结 |
结论与展望 |
参考文献 |
致谢 |
附录A 攻读研究生期间所发表的学术论文 |
(6)电力变压器状态评价与故障诊断技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 电力变压器状态评价研究现状 |
1.2.2 电力变压器故障诊断研究现状 |
1.3 本文主要研究内容 |
第2章 电力变压器状态评价指标体系的建立 |
2.1 电力变压器状态等级划分及检修策略制定 |
2.2 电力变压器状态评价指标体系的建立 |
2.2.1 评价指标体系应遵循的基本原则 |
2.2.2 状态评价体系的建立与分析 |
2.3 电力变压器状态评价指标的量化 |
2.4 本章小结 |
第3章 基于分层可拓法的电力变压器状态评价 |
3.1 电力变压器状态评价指标权重的确定 |
3.1.1 基于模糊集值统计法的指标权重 |
3.1.2 基于熵值法的指标权重动态调整 |
3.2 基于分层可拓法的电力变压器状态评价 |
3.2.1 可拓法的基本原理 |
3.2.2 基于分层可拓的电力变压器状态评价步骤 |
3.3 电力变压器状态评价实例验证 |
3.3.1 本体状态评价实例验证 |
3.3.2 套管状态评价实例验证 |
3.3.3 电力变压器状态评价实例验证 |
3.4 本章小结 |
第4章 基于油中溶解气体分析的电力变压器故障诊断 |
4.1 电力变压器油中溶解气体分析原理 |
4.1.1 油中溶解气体产生机理 |
4.1.2 正常运行时油中气体含量 |
4.1.3 电力变压器故障与油中溶解气体的关系 |
4.2 基于离散二进制粒子群算法的变压器故障特征优选 |
4.2.1 变压器油中溶解气体特征量 |
4.2.2 基于支持向量机的变压器故障诊断 |
4.2.3 基于离散二进制粒子群算法的变压器故障特征优选 |
4.3 变压器故障优选特征及诊断结果分析 |
4.3.1 故障样本及数据预处理 |
4.3.2 变压器故障特征优选结果分析 |
4.3.3 不同特征子集性能对比分析 |
4.3.4 变压器故障诊断典型工程实例 |
4.4 本章小结 |
第5章 变压器状态评价与故障诊断系统设计与实现 |
5.1 变压器状态评价与故障诊断系统总体设计 |
5.1.1 系统结构设计 |
5.1.2 系统功能设计 |
5.1.3 数据库设计 |
5.2 变压器状态评价与故障诊断系统实现 |
5.2.1 用户登录 |
5.2.2 系统主界面 |
5.2.3 信息查询子系统实现 |
5.2.4 状态评价子系统实现 |
5.2.5 故障诊断子系统实现 |
5.2.6 用户管理子系统实现 |
5.3 本章小结 |
结论 |
参考文献 |
致谢 |
(7)基于DGA的电力变压器智能故障诊断研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 变压器故障诊断的国内外研究现状 |
1.2.2 概率神经网络国内外研究现状 |
1.3 本文的主要研究内容 |
2 变压器故障类型及诊断方法 |
2.1 变压器的基本结构 |
2.2 变压器的常见故障类型及原因 |
2.2.1 变压器热性故障 |
2.2.2 变压器电性故障 |
2.2.3 故障分类 |
2.3 变压器油中气体分析 |
2.3.1 油中溶解气体来源及组成 |
2.3.2 变压器正常状态油中气体特征 |
2.3.3 变压器故障状态油中气体特征 |
2.4 基于DGA数据的变压器故障诊断方法 |
2.5 变压器故障诊断技术路线 |
2.6 本章小结 |
3 基于粗糙集与概率神经网络的变压器故障诊断 |
3.1 粗糙集 |
3.1.1 信息系统 |
3.1.2 不可分辨关系与近似集 |
3.1.3 属性约简与核 |
3.2 概率神经网络 |
3.2.1 贝叶斯分类 |
3.2.2 Parzen窗方法 |
3.2.3 概率神经网络的数学描述及拓扑结构 |
3.3 基于粗糙集—概率神经网络的故障诊断实现 |
3.3.1 变压器故障数据预处理 |
3.3.2 粗糙集约简 |
3.3.3 概率神经网络的仿真 |
3.3.4 实验及其结果分析 |
3.4 本章小结 |
4 基于PSO-CPNN的变压器故障诊断算法及系统实现 |
4.1 概率神经网络的优化思路及改进方法 |
4.1.1 经典概率神经网络的参数问题 |
4.1.2 属性概率神经网络 |
4.1.3 混合高斯基函数的参数估计 |
4.2 基于粒子群优化算法改进CPNN模型 |
4.2.1 粒子群优化算法 |
4.2.2 CPNN模型的PSO参数估计 |
4.3 实验结果及实例分析 |
4.3.1 实验结果分析 |
4.3.2 实例分析 |
4.4 基于LabVIEW的系统实现与展示 |
4.4.1 变压器故障诊断系统的需求分析及总体设计 |
4.4.2 变压器故障诊断系统模块功能 |
4.5 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文与研究成果 |
(8)基于布谷鸟算法优化BP神经网络的变压器故障诊断研究(论文提纲范文)
摘要 |
Abstract |
变量注释表 |
1 绪论 |
1.1 研究背景及意义 |
1.2 变压器故障诊断方法研究现状 |
1.3 CS算法研究现状 |
1.4 本文的主要研究内容 |
2 基于DGA的变压器故障诊断分析 |
2.1 变压器的分类及结构 |
2.2 油中溶解气体产生机理 |
2.3 变压器故障诊断方法 |
2.4 本章小结 |
3 BP神经网络和CS算法的研究 |
3.1 BP神经网络的基本原理 |
3.2 BP神经网络特点及改进方法 |
3.3 CS算法的基本原理 |
3.4 本章小结 |
4 CS-BP神经网络在变压器故障诊断中的应用 |
4.1 基于BP神经网络的变压器故障诊断方法设计与实现 |
4.2 基于CS-BP神经网络的变压器故障诊断研究 |
4.3 网络性能对比分析 |
4.4 本章小结 |
5 变压器故障诊断系统的设计与实现 |
5.1 MATLAB和C#混合编程 |
5.2 故障诊断系统的设计与实现 |
5.3 故障诊断实例分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历 |
致谢 |
学位论文数据集 |
(9)基于数据挖掘的变压器状态评估与故障诊断方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 本课题研究的意义和目的 |
1.2 国内外研究现状 |
1.2.1 电力变压器状态评估研究现状 |
1.2.2 电力变压器故障诊断研究现状 |
1.3 论文的研究内容及结构安排 |
1.3.1 课题来源及研究内容 |
1.3.2 论文结构安排 |
1.4 本章小结 |
第二章 变压器状态评估指标体系构建与数据挖掘 |
2.1 变压器状态评估指标体系构建 |
2.1.1 状态评估体系建立原则 |
2.1.2 油色谱试验 |
2.1.3 电气试验 |
2.1.4 油化试验 |
2.1.5 运检记录 |
2.2 数据挖掘在变压器状态检修中的应用 |
2.3 数据的预处理 |
2.3.1 定量指标的处理 |
2.3.2 定性指标的处理 |
2.4 本章小结 |
第三章 基于组合赋权法的变压器状态评估 |
3.1 层次分析法 |
3.1.1 层次分析法的产生和发展 |
3.1.2 层次分析法实现步骤 |
3.1.3 层次分析的优势与缺陷 |
3.2 模糊层次分析法 |
3.3 改进熵权法 |
3.4 BP神经网络 |
3.5 基于BP神经网络的变压器组合赋权评估模型 |
3.6 实例分析 |
3.7 本章小结 |
第四章 基于模糊C-均值聚类的变压器故障诊断 |
4.1 模糊C-均值聚类理论 |
4.2 人群搜索优化算法 |
4.2.1 搜索步长 |
4.2.2 搜索方向 |
4.2.3 个体位置的更新 |
4.2.4 人群搜索算法的实现 |
4.3 基于人群搜索算法优化模糊C-均值聚类变压器故障诊断 |
4.3.1 变压器的故障类型 |
4.3.2 变压器的故障特征指标 |
4.3.3 基于模糊聚类的变压器故障诊断 |
4.4 实例分析 |
4.5 本章小结 |
结论与展望 |
参考文献 |
攻读学位期间发表的论文 |
攻读学位期间参加的科研项目 |
致谢 |
(10)基于灰色关联与熵权融合的变压器故障诊断方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 变压器故障诊断传统方法及其研究现状 |
1.2.2 变压器故障诊断智能方法及其研究现状 |
1.3 本文的主要工作 |
第二章 变压器油中溶解特征气体和故障分析 |
2.1 变压器油中气体的来源 |
2.1.1 油中溶解的气体 |
2.1.2 运行中产生的气体 |
2.2 绝缘材料分解产气原理 |
2.2.1 绝缘油分解产气机理 |
2.2.2 绝缘纸板的老化分解以及产气原理 |
2.3 变压器的故障与产气特征 |
2.3.1 变压器电气性故障及产气特征 |
2.3.2 变压器过热性故障及产气特征 |
2.4 变压器故障诊断方法 |
2.4.1 常规的变压器故障诊断方法 |
2.4.2 新型的变压器故障诊断方法 |
2.5 本章小结 |
第三章 基于灰色关联和熵权融合的变压器故障诊断 |
3.1 熵权法 |
3.1.1 熵思想及信息熵 |
3.1.2 熵权法的计算核心 |
3.2 灰色关联分析 |
3.2.1 关联系数和关联度 |
3.2.2 数据变换 |
3.2.3 优势分析 |
3.2.4 邓氏关联度 |
3.2.5 新型灰色关联度 |
3.3 灰色关联分析的主要步骤 |
3.3.1 灰色关联分析前的数据预处理 |
3.4 变压器故障诊断 |
3.4.1 熵权法计算指标权重 |
3.4.2 计算故障指标的灰色加权关联度 |
3.4.3 变压器故障诊断流程 |
3.5 本章小结 |
第四章 变压器故障的诊断实例 |
4.1 诊断实例1 |
4.2 诊断实例2 |
4.3 诊断实例3 |
4.4 本章小结 |
结论与展望 |
参考文献 |
致谢 |
附录A 攻读学位期间发表的论文目录 |
附录B 攻读硕士学位期间所获的奖项 |
四、色谱分析在变压器潜伏性故障诊断中的应用(论文参考文献)
- [1]车载牵引油浸式变压器油样色谱分析及应用[D]. 霍耀杰. 沈阳工业大学, 2021
- [2]基于CVA的变压器故障诊断及预测研究[D]. 张宇婷. 长春工业大学, 2021(08)
- [3]基于深度学习的电力变压器故障诊断研究[D]. 李黄曼. 陕西科技大学, 2021(09)
- [4]电力变压器DGA算法优化研究及应用[D]. 苏育聪. 河北科技大学, 2020(06)
- [5]基于堆栈自编码神经网络的自适应分类算法在变压器故障诊断中的应用[D]. 沈杰. 兰州理工大学, 2020(02)
- [6]电力变压器状态评价与故障诊断技术研究[D]. 张思捷. 哈尔滨工业大学, 2020(01)
- [7]基于DGA的电力变压器智能故障诊断研究[D]. 杨亚东. 郑州大学, 2020(02)
- [8]基于布谷鸟算法优化BP神经网络的变压器故障诊断研究[D]. 韩清春. 山东科技大学, 2019(05)
- [9]基于数据挖掘的变压器状态评估与故障诊断方法研究[D]. 梁浩浩. 广东工业大学, 2019(02)
- [10]基于灰色关联与熵权融合的变压器故障诊断方法研究[D]. 汤心韵. 长沙理工大学, 2019(07)