杨忠[1]2004年在《内江电业局变压器绝缘故障模糊聚类诊断技术及应用研究》文中研究说明变压器作为电力系统的枢纽设备，其运行可靠性直接影响电力系统的安全运行。为保证电力系统的稳定，必须加强对电力变压器绝缘的监测和诊断。变压器油中溶解气体的成分和含量能够有效体现运行变压器内部的绝缘故障情况，在变压器内部绝缘故障诊断中，不同性质的故障所产生的油中溶解气体的组分是不同的，据此可以判断故障的类型。 在以油中溶解气体分析电气设备故障的模式识别研究中，当故障进一步发展，待判别的类型将显着增加，由于传统的诊断方法缺乏对样本数据的科学分析，不能够真实体现特征量数据的规律，将不可避免的面临准确率下降的问题，且不可能提供类间相互关系或演变过程的信息，因此用新的诊断方法来解决此类问题十分必要；本文在对目前变压器内部绝缘故障常用诊断方法总结分析的基础上，利用模糊数学的思想，提出以油中溶解气体为特征量，采用模糊聚类的方法对变压器内部绝缘故障进行诊断。 基于模糊聚类变压器故障诊断的方法是依据诊断对象间故障和征兆的特征、亲疏程度和相似性，通过建立模糊相似关系对诊断对象进行故障分类和诊断的数学方法，很好的解决了准确率下降的问题，能够有效提高诊断的正确性；通过对实际运行中的电力变压器故障诊断的案例分析及在内江电业局实际应用可知，以油中溶解气体为特征量的模糊聚类理论用于变压器故障的诊断结果与变压器实际检查结果基本一致，说明该方法对变压器安全运行起到了重要作用，可作为变压器状态维修的依据。
毕强[2]2002年在《以油中气体为特征量的变压器绝缘故障的模糊诊断方法及应用研究》文中研究说明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。本文针对应用油中溶解气体分析方法进行变压器绝缘监督时所遇到的主要技术难点，提出了提高变压器故障诊断的准确性、可靠性的几种模诊断方法，主要研究内容有： 通过对判断变压器故障常用的叁比值法和改良电协研法的深入分析，其诊断准确率较高，但对故障原因、故障现象和故障机理间同时存在不确定性和模糊性的变压器等电气设备的故障诊断，难于满足工程应用的需要；在处理变压器等结构复杂设备的多症状、多原因故障诊断时，模糊关系矩阵可以全面反映这种症状与故障类型间的因果关系，进而提出了变压器故障诊断的模糊综合诊断模型；同时作者还深入分析了模糊算子的特性；针对常用的模糊评判结果的模糊集的集化方法的不足性，提出了将模糊综合诊断与模糊规则推理结合起来进行故障诊断的方法，能达到较好的效果。即首先采用模糊推理对故障原因进行“过滤”，滤掉可能性极小的原因，然后再利用规则推理对剩下的可能原因进行验证，得出最终结论。 根据以变压器DGA数据为特征量的样本空间各样本差异特性以及样本在空间R~s的分布特性，首次提出了基于势函数自适应加权的变压器绝缘故障诊断的模糊c-均值聚类模型；同时，从s维样本空间的F~c-划分几何特性出发，提出了一种求取样本集的类势有效邻域半径和自适应求取聚类数和聚类中心初值的方法；对一个待诊断样本，设计了基于类势密度函数意义下的属性测度和诊断准则。 经过大量的诊断实例表明：本文的模糊综合诊断与模糊规则推理结合起来的故障诊断方法对电力研究变压器绝缘故障诊断是有效的，能大大减少错判、误判比率；自适应加权模糊聚类方法能对变压器的故障样本正确分类，同时能有效判别故障类型，诊断的准确性大大高于常用的叁比值法。
李俭[3]2001年在《大型电力变压器以油中溶解气体为特征量的内部故障诊断模型研究》文中研究说明摘 要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。为解决在应用油中溶解气体分析方法（Dissolved Gases Analysis，简称DGA）诊断变压器内部绝缘故障时所遇到的主要技术难题，论文提出了用于提高变压器故障诊断准确性和可靠性的数学模型及实现方法，主要研究工作如下：1）提出了一种改进的变压器绝缘故障诊断模糊综合评判方法；进一步提出了将模糊综合诊断与规则推理相结合进行绝缘故障诊断的方法，该方法采用模糊推理对故障原因进行“过滤”，滤掉可能性极小的原因，然后进一步利用规则推理验证剩下的可能原因，得出最终结论，大大减少了误判比率，获得了较好的效果。2）根据以变压器DGA数据为特征量的样本空间的c-划分几何特性出发，提出了一种求取样本有效邻域半径和聚类数及聚类中心初值的方法，在此基础上，首次提出了一种自适应加权的变压器绝缘故障诊断的模糊c-均值聚类模型，并设计出故障分类器。3）针对常用灰色关联度的不足，提出了一新的灰色关联度计算公式及确定关联序的准则；并在此基础上，通过深入分析变压器发生绝缘故障时的原因与油中溶解特征气体含量的关系，建立了一种新的故障诊断灰色关联模型；通过实例分析证明，该方法能有效地诊断出变压器绝缘故障及故障部位，大大提高了诊断的准确性。4）首次将灰色聚类理论引入到变压器绝缘故障诊断中，在对灰类的白化权函数进行详细研究的基础上，提出了一种基于DGA变压器故障的白化权函数确定原则和方法，建立了基于DGA的变压器绝缘故障诊断的灰色聚类模型；通过实例分析证明该方法是有效的，为变压器故障诊断开辟了新的途径。5）将灰色预测理论引入到变压器绝缘故障诊断中，证明了采用GM(1,1)模型预测变压器油中溶解气体含量是可行的；同时，针对传统的GM(1,1)模型的固有缺陷，提出了一种计算背景值的新方法；进而提出了变压器故障诊断的灰色预测模型；实例分析证明，该方法提高了油中溶解气体含量预测精度，能有效地预测出变压器的色谱增长趋势，结合上述故障诊断模型，能预测出变压器可能发生的故障类型及其部位，实现故障预报。6）分析了几种变压器故障诊断模型的有效性，并通过大量的实例分析表明，应用本文提出的各种模型所获得的诊断准确率高于常规比值诊断法诊断结果；并进一步通过实例分析得出了各模型所适合诊断的故障类型。
郑含博[4]2012年在《电力变压器状态评估及故障诊断方法研究》文中认为电力变压器是电网中能量转换、传输的核心，是电网安全第一道防御系统中的关键枢纽设备。目前，我国已有较多变压器运行年限超过20年，这些运行中的变压器面临着日益严重的如设备故障和绝缘老化问题，发生事故的概率不断增加。变压器一旦发生事故可能会造成设备资产和大停电等巨大损失，甚至会产生严重的社会影响。因此，对电力变压器进行有效的状态评估和深入的故障诊断研究，指导变压器的运行维护和状态检修，预防和降低故障的发生几率，具有重要的理论和实际意义。论文在搜集整理大量技术标准、规程导则、专家经验以及变压器实际运行状态数据的基础上，深入研究了电力变压器状态评估的指标体系、评估方法和决策准则以及基于支持向量机和智能优化算法的变压器故障诊断技术，对变压器状态评估的集对分析方法和模糊与证据推理融合的绝缘状态评估模型进行了研究，在以油中溶解气体为特征量的变压器故障诊断方法研究上取得了一定进展，论文取得的创新性成果主要有：在对变压器状态等级划分和指标参数提取的基础上，针对状态信息具有模糊和信息不完全所致的不确定性问题，提出了基于集对分析理论的电力变压器状态评估策略，构建了集对分析算法及实现步骤，用联系度及其数学表达式统一描述系统状态的不确定性问题，并结合信度准则实现了对变压器状态的评估，为电力变压器状态评估提供了一种新的思路。针对变压器绝缘状态评估中存在影响评估结果因素多、评估因素不相容且影响程度又不尽相同的难题，提出了基于模糊和证据推理融合的变压器绝缘状态合决策模型，构建了模糊隶属度函数来描述评估模型的因素层指标，根据模糊评估结果确定证据推理决策模型的原始基本概率分配，利用证据融合得到了辨识框架中基本概率分配函数，最后基于最大基本概率分配函数决策规则进行评估目标判定。将多分类最小二乘支持向量机（LS-SVM）应用于电力变压器故障诊断中，通过组合编码构造多个二分类LS-SVM分类器实现多类分类。利用粒子群优化（PSO）算法获得LS-SVM分类模型的最优参数，应用交叉验证（CV）的思想来提高分类算法的整体泛化性能，并采用加州大学欧文分校机器学习数据库的基准数据集进行验证。变压器故障诊断实例分析表明，提出的基于PSO和LS-SVM分类方法对电力变压器进行故障诊断是准确和有效的；与传统的IEC叁比值法、反向传播神经网络（BPNN）、径向基神经网络（RBFNN）及标准支持向量机（SVM）的变压器故障诊断方法相比，提出的方法在训练和测试阶段都获得了较高的准确率。针对经典PSO算法在实际应用中容易陷入局部最优的缺点，提出了带时变加速系数的PSO算法（PSO-TVAC）优化SVM模型。引入动态惯性权重和加速系数，控制了PSO算法的开发（exploitation）和探索（exploration）能力，平衡了PSO的全局搜索和局部搜索性能，实验证明，基于改进PSO算法的故障诊断收敛速度快，计算精度高，诊断效果更好。研究了基于支持向量机回归（SVR）理论的预测方法，建立了基于PSO-TVAC优化最小二乘支持向量机回归（LS-SVR）和小波最小二乘支持向量机回归（W-LSSVR）的变压器油中溶解气体预测模型，避免了传统SVR方法中回归问题未知变量数目的膨胀，同时简化了支持向量机回归的参数优化。实例研究表明，提出的油中溶解气体预测模型较BPNN、RBFNN、广义回归神经网络（GRNN）及ε-SVR预测方法相比，无论在预测精度和稳定性方面均具有很大的优势。在研究变压器油中溶解气体预测实质的基础上，为了能够进一步掌握油中溶解气体的发展变化趋势，首次提出了基于模糊信息粒化支持向量机回归的油中气体区间预测方法。建立了模糊信息粒化的时序模型，不丧失时间序列所蕴含的主要信息的基础上简化了时序的表现形式，利用PSO-TVAC优化的支持向量机回归模型来训练粒化集样本，根据获得的信息粒预测区间，得到了油中溶解气体变化趋势的最大值、最小值和平均值水平，与实际信息相吻合。
包中福[5]2004年在《电力变压器内部故障诊断的特征气体法及其应用研究》文中研究表明变压器作为电力系统的枢纽设备，其运行可靠性直接影响电力系统的安全运行；本文以变压器油中溶解气体为特征量，根据油中溶解气体组分与变压器故障类别的关系，分析了几种以油中特征气体组分含量为特征量的故障诊断方法，提出了无编码比值法的原理及其方法，经过实例运用，证明了该方法的有效性。主要研究内容有： ①电力变压器运行中常见故障与油中气体关系研究，对于运行中的充油变压器：在热和电的作用下，变压器油和有机绝缘材料将逐渐老化和分解，产生多种特征气体，而特征气体的组分含量与故障类型及故障严重程度有非常密切的关系，变压器油中溶解气体的成分和含量能有效体现运行变压器内部的绝缘故障情况。 ②以变压器油中特征气体含量为特征量的故障诊断方法研究，变压器油中溶解的特征气体可以反映故障点引起的周围油、纸绝缘的热分解本质。因此，特征气体判断法对故障性质有较强的针对性，比较直观、方便。 ③分析了变压器油中溶解气体无编码比值法的原理并阐述了其具体方法，提出了诊断变压器内部故障无编码比值法，该方法不需要对比值编码，直接由两个比值确定一个故障性质，减少了传统“叁比值法”先编码，然后由编码查找故障性质的过程，使分析判断方法简化而可操作性又较强。 ④通过特征气体法诊断变压器内部故障方法的具体实例分析及其在四川达州电业局的实际应用分析，说明特征气体诊断法用于变压器故障的诊断结果与变压器实际吊芯检查结果基本一致，诊断具有较高的准确率。
彭宁云[6]2004年在《基于DGA技术的变压器故障智能诊断系统研究》文中进行了进一步梳理电力变压器是电力系统中最重要的电气设备之一，也是导致电力系统事故最多的电气设备之一，其运行状态直接影响系统的安全性水平。及早发现变压器的潜伏性故障，保证变压器的安全运行，从而提高供电的可靠性，是电力部门关注的一个重要问题。因此，研究变压器故障诊断技术，提高变压器的运行维护水平，具有重要的现实意义。 变压器油中溶解气体分析(DGA)是变压器内部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。实践证明变压器油中溶解气体分析技术对发现变压器内部的潜伏性故障及其发展趋势非常有效。因此，无论在国内还是在国际，DGA技术都被列为电力设备预防性试验的重要位置。 变压器故障是变压器本身及其应用环境综合作用和长期积累的结果，因而变压器故障的征兆多种多样，故障征兆与故障机理间的联系也错综复杂，这就给建立通用的变压器故障诊断方法造成了很大的困难。变压器的故障诊断就是根据变压器故障的征兆，确定故障的性质或部位。由于变压器故障的复杂性，其诊断过程不可能只采用单一方法，而要采用多种方法。因此，必须从各种学科中广泛探求有利于故障诊断的原理、方法和手段，这就使得故障诊断技术呈现多学科交叉这一特点。 随着计算机技术和人工智能理论的快速发展，专家系统、人工神经网络等智能技术为知识工程师诊断故障开辟了新的途径。专家系统是实现人工智能的主要形式，是人工智能应用研究最活跃和最广泛的应用领域之一。鉴于变压器故障诊断的专业性、经验性和复杂性，采用专家系统诊断方法具有独特的优势。因此，本文以油中溶解气体组分含量为特征量，运用各种人工智能技术，开展变压器绝缘故障诊断系统的研究。论文主要包括四方面的内容： 首先，进行变压器故障性质初步判断的研究。为了使DGA技术在变压器的故障诊断上发挥出更大的作用，提高IEC叁比值法的准确度，将可视化技术和模糊诊断技术相结合，建立了基于IEC叁比值的变压器绝缘故障可视化模糊诊断系统。①通过引进可视化技术，建立了基于数据库的变压器叁维／二维可视化故障诊断模型。根据变压器DGA试验数据，系统可以直接显示出变压器当前运行状态在故障空间中的位置，并显示出变压器的故障类型，大大降低了传统检测方法所需要的计算负载。②通过引进模糊诊断技术，将IEC叁比值法进行模糊化处理，能够更准确地描绘充油变压器DGA试验数据的编码特征。③采用集成的方法将可视化技术和模糊诊断技术相结合，有效地减少了采用单一变压器故障诊断方法进行诊断时所带来的不可避免的诊断出错或诊断结果不全面等误判问题。在一定程度上，增加了诊断的准确性。 接着，进行变压器故障性质确定的研究。包括基于神经网络的变压器潜伏性故障的诊断方法研究和基于线性分类器的变压器潜伏性故障的诊断方法研究两方面。 (1)根据充油变压器故障诊断的特点，分析几种常用的故障诊断标准和方法，研究适合于变压器潜伏性故障诊断的神经网络模型。以DGA试验数据为特征参数，借助于BP算法，建立了以SKG法和FGR法为依据的叁层BP网络充油变压器的潜伏性故障诊断方法。①所运用的诊断标准或方法不同，神经网络收敛速度的快慢也不同。以SKG法和FGR法为依据的神经网络模型，不仅收敛速度快，而且总体误差也较小。②BP网络对DGA特征参数不仅具有一定的自组织、自学习能力，而且还具有很好的模式识别能力。所考虑的诊断标准不同，神经网络诊断电力变压器故障的效率也不相同，其值在88.3%一96.7%范围内。以SKG法和FGR法为依据的神经网络模型对未知数据的识别率最高，可达96.7%。③所运用的诊断标准或方法不同，隐层神经元数对神经网络实现效果的影响也不同。④以SKG法或FGR法为依据的神经网络模型适合于电力变压器潜伏性故障诊断，可以作为分析DGA试验数据的工具。 (2)在深入研究变压器故障特征气体的基础上，采用线性分类器的模式识别方法，进行变压器故障类型的分类判决研究。以DGA试验数据为特征参数，借助于感知器训练算法，建立了基于线性分类器的充油变压器潜伏性故障诊断方法。①线性分类器能够很好地利用DGA试验数据进行变压器故障类型的模式识别;其诊断结果的准确与否，与学习样本的典型性有一定的关系。②特征参数维数的选取对线性分类器的识别能力也有一定的影响。相比较而言，增加特征参数的维数(即特征气体的个数)，线性分类器的识别能力增强。因此，可以选用HZ、CH4、CZHZ、CZH4、CZH6、CO、CO:等七种特征气体作为特征参数。③线性分类器故障诊断法满足充油变压器绝缘故障诊断的基本要求，可尝试运用于7种溶解气体在线装置的诊断。④线性分类器模式识别法在变压器绝缘故障诊断中属于首次应用，准确率达90%以上，高于现有的常用方法BP神经网络法以及IEC叁比值法。然后，进行变压器绝缘故障定位系统的研究。以油中溶解气体组分含量为特征量，依据RogerS比值法，建立了故障部位初步确定的模糊综合评判法。结合电气试验，将模糊诊断与神经网络相结合构造了确定故障部位的模糊神经网络法。将两种方法相结合
谭凌峰[7]2007年在《电力变压器绝缘故障模糊诊断方法的研究》文中进行了进一步梳理电力变压器是电力系统中最重要的电气设备之一,也是导致电力系统事故最多的电气设备之一,其运行状态直接影响系统的安全性水平。及早发现变压器的潜伏性故障,保证变压器的安全运行,从而提高供电的可靠性,是电力部门关注的一个重要问题。因此,研究变压器故障诊断技术,提高变压器的运行维护水平,具有重要的现实意义。变压器故障是变压器本身及其应用环境综合作用和长期积累的结果,因而变压器故障的征兆多种多样,故障征兆与故障机理间的联系也错综复杂,这就给建立通用的变压器故障诊断方法造成了很大的困难。由于变压器故障的复杂性,其诊断过程不可能只采用单一方法,而要采用多种方法。因此,必须从各种学科中广泛探求有利于故障诊断的原理、方法和手段,这就使得故障诊断技术呈现多学科交叉这一特点。因此,本文以油中溶解气体组分含量为特征量,运用多种人工智能技术,开展变压器绝缘故障诊断系统的研究。论文主要包括叁方面的内容:(1)建立了变压器故障综合诊断的的模糊神经网络模型。模糊神经网络模块能有效体现变压器故障诊断中存在的模糊性,又能通过自身的自学习功能来提高网络本身的诊断精确度,又能提高整个系统的诊断能力。选择和训练了适用于电力变压器运行状态及其故障在线监测、诊断和预报的BP神经网络、Elman神经网络和概率神经网络,对网络的结构、优化、算法以及隐层节点的个数进行了探讨,并应用MATLAB中的工具箱进行了大量的仿真试验。(2)本文通过随机抽取的一些实例比较了BP、Elman、概率神经网络几种诊断方法的可靠性。检验表明:Elman网络比BP网络能更好地检验出变压器的故障类型,具有更高的准确性,但是Elman网络训练的次数要比BP网络次数多。概率神经网络比BP网络的正确率高,并且训练速度快。(3)在软件开发方面,采用VB语言为开发工具,数据库采用Access。为了简化程序设计,使用了VB调用Matlab神经网络工具箱的方法。最后并用实例证明了基于模糊诊断模型的变压器故障诊断系统的有效性和准确性。
陈伟根[8]2003年在《以油中多种气体为特征量的变压器绝缘在线监测及故障诊断技术研究》文中研究表明变压器作为电力系统的枢纽设备，其运行可靠性直接影响电力系统的安全运行；变压器油中溶解气体的成分和含量能有效体现运行变压器内部的绝缘故障情况，为解决常规色谱分析中复杂的操作程序和由于人为因素引起的较大的误差，论文提出了应用高分子聚合膜实现变压器油气自动分离、多传感信息融合技术智能检测多种气体成分的变压器油中溶解气体在线监测技术，应用神经网络智能诊断方法实施故障诊断，提高变压器故障诊断的准确性和可靠性。主要研究内容有：1) 深入分析变压器油中多种溶解气体在线监测及故障诊断技术研究现状及应用前景，研究电力变压器绝缘结构特性、运行可靠性评估以及变压器内部常见故障与油中溶解气体对应关系，通过对在线监测变压器油中溶解气体的目的分析得出系统运行的可靠性、监测数据的正确性、诊断的有效性、系统的自动化程度、系统的价格等是综合评价变压器油中溶解气体在线监测技术的指标。2) 研究以高分子透气膜为特征的变压器油在线脱气技术；提出了一种能有效改进气体渗透性能的聚四氟乙烯和六氟乙烯的混合膜（F46膜）用于变压器油气自动分离，分析F46膜的气体渗透性能，通过大量的试验得出气体渗透平衡曲线，确定油中气体的平衡转换系数，为实施变压器油中气体在线监测奠定基础。3) 研究采用多种传感元件检测变压器油中多种溶解气体的原理及方法，研制的 MQ型系列传感器对变压器油中H2、 CO、 CH4、 C2H4、C2H2、C2H6六种溶解气体具有明显的选择性和较高的灵敏度，特别对体现变压器内部绝缘故障较敏感的C2H2气体的检测灵敏度达1μL/L。4) 研究多传感器信息融合技术防止MQ型系列传感器对六种气体存在的交叉敏感的原理及方法，采用传感器的阵列技术，利用BP神经网络模式识别方法，有效提高对单一气体类别及混合气体组分浓度的检测精度，降低对气体传感器本身选择性及时间稳定性的要求。5) 研究神经网络应用于电气设备故障诊断原理及方法，提出了基于ART结构神经网络的变压器绝缘故障诊断模型，并用案例验证了基于ART结构神经网络的变压器绝缘故障诊断方法的可行性。
杨廷方[9]2008年在《变压器在线监测与故障诊断新技术的研究》文中指出离线的变压器油中溶解气体分析(DGA),由于操作复杂、试验周期长、人为影响的误差大,所以无法做到实时了解变压器的内部绝缘状况,很难尽早地发现设备内部存在的潜伏性故障。因此无法采取防范措施以避免突发性事故的发生。而在线监测可以克服传统方法的不足,实现真正的在线检测、分析和诊断一体化,为管理者提供及时、准确、连续的决策依据。目前在我国已经有大量的变压器在线监测装置投入使用了。但是据统计,已安装的在线监测装置有很多发挥的作用不大。不少装置不仅自身的事故率很高,而且其故障诊断的准确率很低。这些都为变压器的在线监测带来了很多负面的影响。因而增强变压器在线监测设备的可靠性和提高变压器故障诊断的准确率,已成为目前变压器在线监测系统所面临的主要任务。本文在深入分析变压器故障征兆与故障机理的复杂关系的基础上,不仅对于变压器故障诊断的方法进行了研究和分析,还基于光谱吸收原理设计了一套光纤气体传感器用于变压器油中溶解气体的在线监测。论文主要包括以下几个方面的内容:第2章针对变压器单一故障诊断方法的局限性,提出了基于Borda模型的多种比值法组合诊断专家系统,将Rogers叁比值法、日本电协研法、无编码比值法、改良叁比值法、IEC-60599、大卫叁角形法这六种成熟的比值法组合起来对变压器故障进行综合诊断。该方法积极的探索了多种方法综合诊断变压器绝缘故障的合作结构和机制,实现了六种比值诊断方法的诊断有机组合,消除了单个方法的诊断偏好对最终诊断和评估结果所产生的影响,解决了多种诊断方法的诊断结果相融合的问题。该方法实现了多种方法协同合作的诊断模式,比单一的诊断方法更可靠。从变压器故障实例的诊断结果来看,该方法比六种单项方法诊断的故障诊断准确率更高。其诊断效果也远优于该六种单项比值诊断法。为了更完整、更充分地利用变压器原始诊断数据中蕴含的有利信息,并考虑到模糊因素对故障诊断的影响,第3章把模糊理论引入到变压器的故障诊断中。将改良叁比值法与模糊C-均值聚类算法结合起来对变压器进行故障诊断。并建立了新型的变压器故障聚类诊断模型。还利用Matlab进行了实例仿真和测试。仿真结果表明了该方法基本上解决了比值法中关于“编码缺失”以及边界绝对化的问题。第4章将支持向量机回归理论引入到变压器油中气体浓度预测中,建立了基于支持向量机回归理论的预测模型,以实现变压器故障报警和绝缘故障预报。实验结果表明了该方法能够满足工程实践的要求,有助于变压器运行状态的预测。第5章将BP神经网络、灰色理论、线性回归预测算法和基于支持向量机回归模型这四种单项预测算法综合起来,采用最优加权组合预测模型,对油中溶解气体浓度的发展趋势进行精确的组合预测,为变压器油中溶解气体浓度的预测提供了新的途径。该组合预测方法能很好的综合各种单项预测方法的优势,与四种单项预测方法相比具有更高的预测精度。其可以有效地降低单项预测算法的预测误差,增强预测的稳健性,克服单项预测方法信息缺失以及考虑角度片面性的劣势。实例分析也表明了该组合预测方法比单项预测方法具有更高的准确性、可靠性和有效性。由于变压器传统的在线监测系统一般采用色谱柱,需要消耗氧气和载气,而且色谱柱和传感器需定期标定,装置可靠性不高,检测气体成分过程繁琐,因此第6章根据比尔-朗伯特(Beer-Lambert)定律,按照光纤气体差分吸收的原理,设计了一套基于光纤气体传感器的变压器在线监测系统。该系统主要用于监测乙炔,甲烷,乙烯和一氧化碳四种变压器油中溶解气体的浓度,以判断变压器的故障状况。该系统不需要消耗载气和色谱柱等易耗品,且灵敏度高,方便,可靠,快速。并具有环保以及抗电磁干扰能力强的特性。该系统也不需复杂的气路和油路控制回路,能实现多组分气体在线实时分离和检测。第7章总结全文,并提出了有待进一步研究的主要问题。
孙丽萍[10]2006年在《基于多变量模型和组合模型的变压器油中气体分析预测》文中进行了进一步梳理变压器是电力系统中的重要设备，本文开展了电力变压器故障预测技术研究，主要工作与结论是：分析了变压器油中溶解气体发展变化规律，指出多参数预测模型和组合预测模型在变压器故障预测中的重要意义。对常用的预测模型进行深入系统的研究，总结了常用预测模型的特点和适用范围。为构建多变量预测模型和组合预测模型奠定了基础。影响变压器油中溶解气体浓度的因素很多，其中既有确定性因素，又有非确定性因素，即“灰色”。因此，灰色模型适用于变压器油中气体浓度预测。DGM(1，1)模型是GM(1，1)模型的精确形式，有更高预测精度和稳定性，被推荐替代GM(1，1)模型。变压器油中溶解气体各组分之间是相互关联、共同发展的。多变量灰色预测模型—MGM(1，n)模型和BP神经网络能统一描述各种气体成份的发展变化，用于变压器油中溶解气体的分析预测，有更高的精度。针对单一模型难以描述变压器油中溶解气体存在多种发展变化趋势的缺点，引入最优组合模型、基于BP网络的变权组合模型以及灰色时序组合模型这叁种组合预测模型对变压器油中溶解气体进行预测，取得了很好的预测结果。总结以上预测方法，开发了变压器油中溶解气体预测系统，并成功用于110kV电力变压器故障预测。应用表明系统可以迅速准确地评估变压器的绝缘状况，提前做好各种预防性措施，减少意外停机损失。
参考文献：
[1]. 内江电业局变压器绝缘故障模糊聚类诊断技术及应用研究[D]. 杨忠. 重庆大学. 2004
[2]. 以油中气体为特征量的变压器绝缘故障的模糊诊断方法及应用研究[D]. 毕强. 重庆大学. 2002
[3]. 大型电力变压器以油中溶解气体为特征量的内部故障诊断模型研究[D]. 李俭. 重庆大学. 2001
[4]. 电力变压器状态评估及故障诊断方法研究[D]. 郑含博. 重庆大学. 2012
[5]. 电力变压器内部故障诊断的特征气体法及其应用研究[D]. 包中福. 重庆大学. 2004
[6]. 基于DGA技术的变压器故障智能诊断系统研究[D]. 彭宁云. 武汉大学. 2004
[7]. 电力变压器绝缘故障模糊诊断方法的研究[D]. 谭凌峰. 湖南大学. 2007
[8]. 以油中多种气体为特征量的变压器绝缘在线监测及故障诊断技术研究[D]. 陈伟根. 重庆大学. 2003
[9]. 变压器在线监测与故障诊断新技术的研究[D]. 杨廷方. 华中科技大学. 2008
[10]. 基于多变量模型和组合模型的变压器油中气体分析预测[D]. 孙丽萍. 北京交通大学. 2006
标签：电力工业论文; 变压器论文; 故障诊断论文; 神经网络模型论文; 模糊理论论文; 模糊算法论文; 可靠性分析论文; 可靠性设计论文;