基于深度学习的变压器状态评估技术研究

发布时间：2020-10-16 02:07

　　 随着智能电网的建设与发展,电力变压器状态监测、生产管理、环境气象等数据逐步在统一的信息平台上集成共享,推动了变压器状态评估、诊断和预测向综合分析方向发展。然而,影响电力变压器运行状态的因素众多,爆发式增长的状态监测数据加上与设备状态密切相关的电网运行、气象环境等信息数据量较大,传统技术难以建立准确完善的变压器状态评估模型。在这种背景下,基于深度学习的数据挖掘技术提供了一种全新的解决思路和技术手段。论文通过深度学习相关理论、分析算法和操作流程等,分析、把握变压器状态相关监测数据特性,搭建涉及数据清洗、态势预警、诊断分析的数据处理架构并设计了相关算法,进而从多源海量数据中提炼出适用于变压器设备状态评估的特征表达,实现对变压器运行状态预测及故障预警和智能诊断分析。针对监测数据的不完整性及无效性等问题,论文介绍了栈式降噪自编码器(stacked denoising autoencoders,SDAE)的降噪原理,分析了变压器状态监测数据的流形表示,提出一种基于SDAE的数据清洗方法。首先利用变压器正常运行的历史样本数据构造SDAE清洗模型,训练得到清洗参数和损失函数,通过核密度估计确定损失函数上限及根据现场监测经验确定“脏”数据容限时窗。然后利用SDAE模型得到待清洗数据重构误差和异常数据时长,通过比较它们与损失函数上限和容限时窗间的关系,对“脏”数据进行分类处理。通过算例及应用分析,本文所提方法可辨识奇异点、缺失值,用SDAE重构表示自动修正奇异点,修补短时缺失数据。针对变压器自身特征参量(通常为单一参量)趋势预测稳定性和科学性差的问题,论文综合考虑特征参量之间的耦合关系和非设备特征参量的影响,提出一种基于栅格长短时记忆(grid long-short term memory,GLSTM)网络的预测方法。从变压器状态、电网运行、气象环境等多角度出发,利用GLSTM网络对多源信息进行充分融合。GLSTM网络有效利用历史序列信息提炼状态参量自身发展规律,同时捕获不同参量间强关联关系,抑制、弱化无关和冗余信息。通过算例及应用分析表明,所提GLSTM网络预测方法可有效挖掘预测参数与众多影响因素的关联关系,以此为先验知识修正预测模型,与传统单一变量预测方法相比最大预测误差从20%下降到了10%以内,克服了传统单一变量预测方法稳定性差的问题,提高了变压器状态参量趋势预测精度。变压器状态一般会通过多种信息的变化表现出来,这些特征信息会随着设备缺陷/故障的类型、部位、严重程度等因素的不同发生相应变化。在变压器运行状态预测及故障预警方面,论文通过分析变压器运行状态全景信息中关键影响因素,以相对劣化度来刻画变压器状态恶化程度,并通过模糊化处理得到各指标相对劣化度与变压器状态对应的隶属关系。通过长短时记忆(long-short term memory,LSTM)网络提取变压器状态演变规律,构建数据驱动的设备状态预测模型,实现变压器潜在性故障初步预警。通过LSTM网络将定量指标与定性指标有机结合,感知推导特征参量与变压器运行状态之间的对应关系。通过不同时间尺度预测算例分析表明,以一周为尺度的预测精度达94.4%,以一月为尺度的预测精度为81.2%,可有效预测电力变压器运行状态。利用在线监测、带电检测、运行工况、试验检修记录、缺陷记录等数据,融合设备家族差异、类比实验等信息,论文提出了基于深度置信网络的变压器故障诊断方法,采用修正线性单元为深层网络激活函数,以油中溶解特征气体无编码比值为输入特征参量,构建了修正线性单元改进的深度置信网络故障诊断模型,提取差异化故障特征信息。通过与传统故障诊断识别方法比较,分析了输入特征参量、样本集规模、复合型故障对所构建的深度置信诊断模型的影响。实验结果表明,所提方法较大程度上提高了变压器故障诊断的精度,深度置信网络与无编码比值组合的模型训练和测试准确率达96.4%和95.9%。随样本数据增多,诊断精度得到较大提升。
【学位单位】：上海交通大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TP18;TM41
【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 变压器状态预测及故障诊断研究现状
        1.2.1 电力变压器状态预测研究现状
        1.2.2 电力变压器故障诊断研究现状
    1.3 深度学习研究及其在电力数据挖掘中的应用
        1.3.1 深度学习研究现状
        1.3.2 深度学习方法在电力领域的应用研究现状
    1.4 本文的主要研究内容
        1.4.1 问题提出
        1.4.2 整体技术路线
        1.4.3 具体章节安排
第二章 基于栈式降噪自编码器的变压器状态监测数据清洗方法
    2.1 栈式降噪自编码器基本原理
        2.1.1 降噪自编码器
        2.1.2 栈式降噪自编码器
    2.2 基于栈式降噪自编码器的变压器状态监测数据清洗算法
        2.2.1 基于栈式降噪自编码器的数据清洗原理
        2.2.2 数据清洗具体实施
    2.3 算例分析
        2.3.1 数据破坏率确定
        2.3.2 变压器状态监测数据清洗
    2.4 算法应用
    2.5 本章小结
第三章 考虑复杂关联关系深度挖掘的变压器状态参量趋势预测方法
    3.1 栅格长短时记忆网络基本原理
        3.1.1 循环神经网络结构
        3.1.2 沿时间反向传播算法
        3.1.3 长短时记忆网络
        3.1.4 栅格长短时记忆网络
    3.2 基于栅格长短时记忆网络提取序列关联关系的预测方法
        3.2.1 设备关键性能与状态量的关系
        3.2.2 相关序列数学表示
        3.2.3 采用数据驱动的栅格长短时记忆网络预测方法
    3.3 算例分析
        3.3.1 网络结构确定
        3.3.2 关联关系分析
        3.3.3 与传统预测模型对比
    3.4 算法应用
    3.5 本章小结
第四章 采用长短时记忆网络的电力变压器运行状态预测
    4.1 变压器运行状态关键参量分析
        4.1.1 变压器运行状态模式
        4.1.2 状态性能数据
        4.1.3 运行巡检信息
        4.1.4 技术性能参数
    4.2 基于长短时记忆网络的变压器状态预测
        4.2.1 定量指标量化
        4.2.2 定性指标量化
        4.2.3 各级参量权重确定
        4.2.4 状态预测实现
    4.3 算例分析
        4.3.1 时间维度相关性分析
        4.3.2 变压器运行状态短期预测
        4.3.3 变压器运行状态长期预测
        4.3.4 样本集规模对预测模型的影响
    4.4 算法应用
    4.5 本章小结
第五章 基于深度置信网络的变压器故障诊断方法
    5.1 深度置信网络基本原理
        5.1.1 受限玻尔兹曼机
        5.1.2 受限玻尔兹曼机训练
        5.1.3 深度置信网络
    5.2 变压器油中气体分析
        5.2.1 油中气体产生机理
        5.2.2 油中气体含量与故障类型的关系
        5.2.3 油中气体浓度比值诊断法
    5.3 基于RELU-DBN的故障诊断方法
        5.3.1 样本数据分布
        5.3.2 特征参量设定
        5.3.3 模型参数设定
        5.3.4 诊断模型应用步骤及架构
    5.4 算例分析
        5.4.1 不同输入特征参量对比
        5.4.2 不同样本集对比
        5.4.3 复合型故障影响
    5.5 诊断算法验证及应用分析
        5.5.1 算法验证
        5.5.2 算法应用
    5.6 本章小结
第六章 结论与展望
    6.1 主要结论
    6.2 研究展望
参考文献
致谢
攻读博士学位期间已发表或录用的论文
攻读博士学位期间参与的科研项目

【参考文献】

相关期刊论文 前10条

1 端木林楠;赵习静;蔡巍;彭珑;李雨;赵媛;马鑫晟;;某220kV变电站35kV站用变压器爆炸事故分析与处理[J];高压电器;2015年12期

2 周湶;王时征;廖瑞金;孙超;解慧力;饶俊星;;基于AdaBoost优化云理论的变压器故障诊断方法[J];高电压技术;2015年11期

3 邓祥力;谢海远;熊小伏;高亮;;基于支持向量机和有限元分析的变压器绕组变形分类方法[J];中国电机工程学报;2015年22期

4 周湶;孙超;安文斗;李剑;廖婧舒;邹迪;;基于云推理及加权隐式半Markov模型的变压器故障预测[J];高电压技术;2015年07期

5 杨廷方;张航;黄立滨;曾祥君;;基于改进型主成分分析的电力变压器潜伏性故障诊断[J];电力自动化设备;2015年06期

6 谢龙君;李黎;程勇;卢明;姜立秋;腾云;;融合集对分析和关联规则的变压器故障诊断方法[J];中国电机工程学报;2015年02期

7 郑含博;王伟;李晓纲;王立楠;李予全;韩金华;;基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J];高电压技术;2014年11期

8 赵婉芳;王慧芳;邱剑;何奔腾;;基于油色谱监测数据的变压器动态可靠性分析[J];电力系统自动化;2014年22期

9 谷凯凯;郭江;;紧致融合模糊集和故障树的变压器故障诊断[J];高电压技术;2014年05期

10 唐勇波;桂卫华;彭涛;欧阳伟;;PCA和KICA特征提取的变压器故障诊断模型[J];高电压技术;2014年02期

相关博士学位论文 前1条

1 唐勇波;数据驱动的大型电力变压器故障诊断和预测研究[D];中南大学;2013年

相关硕士学位论文 前4条

1 孙杉;基于深度学习和云计算的电力信息网入侵检测研究[D];华北电力大学;2016年

2 王琳;基于变压器油在线监测技术的变压器故障检测[D];山东大学;2015年

3 曾丹乐;基于多源信息融合的变压器状态评估关键技术研究[D];上海交通大学;2015年

4 邹志勇;工程机械维修现状及对策研究[D];长安大学;2002年

本文编号：2842588