基于物联网的电力变压器振动监测与诊断算法及其系统软件的研究与开发
发布时间：2020-12-11 09:35
我国经济的持续快速发展带动了电力工业的迅速发展,变压器是电网中最重要的设备之一,在整个电力系统中占有着十分重要的地位。确保变压器正常运行是电网安全的首要前提,大型电力变压器在运行时一旦发生突发事故,可能引起大面积的停电,造成重大的社会效应和经济损失。而且电力变压器的维修成本高、维修周期长,产生的各种经济损失也是十分巨大的。本文采用振动分析法开展电力变压器带电检测与故障诊断方法的研究与实现。在课题组提出的振动特征及提取算法的基础上,研究提出了一种有效的机器学习模型,并用于实际变压器的故障诊断。应用日益成熟的物联网技术与架构,开发、实现了基于Android平台的变压器振动监测与诊断软件系统。该系统通过云平台可以实现全天候、远程地对电力变压器进行带电、实时监测和故障诊断。本课题研究内容如下:(1)阐述电力变压器振动机理和基于振动的特征值及其提取算法。(2)基于振动特征值,分别对朴素贝叶斯分类模型和支持向量机模型进行了研究,通过对实验和现场变压器实测数据结果的对比与分析,提出并实现了一种针对电力变压器带电监测和故障诊断更为有效的机器学习模型及其诊断算法。(3)在上述研究结果的基础上,应用物联网...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：101 页
【学位级别】：硕士
【部分图文】：
图２．１磁致伸缩变形随磁通密度变化曲线ｔ４４】??从图２－１可以看出，铁芯磁致伸缩引起的变化长度与磁感应强度的平方成正??
析振动和电流、电压之间的趋势来获取更多的诊断信息。先验性分析方法通过对??比变压器振动的历史情况，可以实现对变压器的实时监测，及时反映变压器状态??的微小变化。该方法可总结归纳如图２．２所示。??非先验性方法快速获取相关的诊断结果，包含两种具体算法。第一种方法从??信号的频率角度出发，考虑其频率的离散程度，从频率复杂性的角度去考察变压??器的状态。第二种为振动平稳性，该方法则是基于时域信息，从振动时域信号的??角度进行分析。先验性算法主要基于振动变化的趋势，以获取诊断信息，先验性??算法也分成两种。分别为能量相似度分析和振动相关性分析，前者着重分析振动??能量随时间的变化。后者强调各个测点之间的振动相关性。??变压器状态检蕤算法．．．????Ｉ????非先验性算法先验性萁法＜？．??，?Ｉ?．?Ｉ??基于频域ｗ?基于时域ｖ?基于基频成分？．?基于谐波成分＋，??频率复杂振动平
图２．５所示分别为ＦＣＡ、ＤＥＴ、ＥＤＲ和ＭＰＣ的单特征分布图。从图中可以??看到，特征分布虽然按照一定的规律进行聚合，但是不同类别之间仍然是相互重??叠，无法用线性方法进行分类。所以下文将对不同机器学习算法进行分析，提出??适用于变压器带电振动监测和故障诊断的分类模型。??２．?４基于机器学习的诊断算法研究??２．４．?１概述??由表２－１可知，变压器主要存在三种状态，因此，变压器的故障诊断不是一??个简单的二分类问题。另外，由于电力变压器在电网运行中有十分重要的地位，??一旦发生故障需要立即对其停运检修，以免发生火灾等重大安全事故。因此，样??本库中电力变压器的故障样本数量远远少于正常与老化的样本数量。由此可见，??如何对故障样本少于正常样本这种样本不平衡的现象进行多分类，是故障诊断的??难点问題，而大多数机器学习分类算法模型都缺乏准确率较高的解决方法。??
【参考文献】：
期刊论文
[1]基于不同概率密度估计方法的朴素贝叶斯分类器[J]. 王乐慈,高世臣,林孟雄,李宗贤. 中国矿业. 2018(11)
[2]基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法[J]. 王德文,雷倩. 电力自动化设备. 2018(05)
[3]面向不平衡数据集分类模型的优化研究[J]. 温雪岩,陈家男,景维鹏,徐克生. 计算机工程. 2018(04)
[4]基于阻抗法的变压器绕组变形在线监测系统[J]. 梁艺,马文辉. 重庆科技学院学报(自然科学版). 2017(05)
[5]改进SMOTE的非平衡数据集分类算法研究[J]. 赵清华,张艺豪,马建芬,段倩倩. 计算机工程与应用. 2018(18)
[6]变压器绕组变形综合诊断分析系统研究与实践[J]. 李杰华,孟艳,温红旗,张福广,陈鹏. 变压器. 2017(07)
[7]一种基于决策树的SVM算法[J]. 程凤伟. 太原学院学报(自然科学版). 2017(01)
[8]改进的基于遗传优化BP神经网络的电网故障诊断[J]. 袁圃,毛剑琳,向凤红,刘恋,张茂兴. 电力系统及其自动化学报. 2017(01)
[9]基于混沌优化粒子群BP神经网络的电力变压器故障诊断[J]. 公茂法,柳岩妮,王来河,宋保业,钟文强. 电测与仪表. 2016(15)
[10]多尺度熵在变压器振动信号特征提取中的应用[J]. 李莉,朱永利,宋亚奇. 振动.测试与诊断. 2015(04)
硕士论文
[1]配电变压器绕组故障在线诊断方法研究[D]. 刘以刚.重庆大学 2014
[2]变压器绕组振动特征提取及其状态识别方法研究[D]. 林爱弟.浙江大学 2014
本文编号：2910304
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：101 页
【学位级别】：硕士
【部分图文】：
图２．１磁致伸缩变形随磁通密度变化曲线ｔ４４】??从图２－１可以看出，铁芯磁致伸缩引起的变化长度与磁感应强度的平方成正??
析振动和电流、电压之间的趋势来获取更多的诊断信息。先验性分析方法通过对??比变压器振动的历史情况，可以实现对变压器的实时监测，及时反映变压器状态??的微小变化。该方法可总结归纳如图２．２所示。??非先验性方法快速获取相关的诊断结果，包含两种具体算法。第一种方法从??信号的频率角度出发，考虑其频率的离散程度，从频率复杂性的角度去考察变压??器的状态。第二种为振动平稳性，该方法则是基于时域信息，从振动时域信号的??角度进行分析。先验性算法主要基于振动变化的趋势，以获取诊断信息，先验性??算法也分成两种。分别为能量相似度分析和振动相关性分析，前者着重分析振动??能量随时间的变化。后者强调各个测点之间的振动相关性。??变压器状态检蕤算法．．．????Ｉ????非先验性算法先验性萁法＜？．??，?Ｉ?．?Ｉ??基于频域ｗ?基于时域ｖ?基于基频成分？．?基于谐波成分＋，??频率复杂振动平
图２．５所示分别为ＦＣＡ、ＤＥＴ、ＥＤＲ和ＭＰＣ的单特征分布图。从图中可以??看到，特征分布虽然按照一定的规律进行聚合，但是不同类别之间仍然是相互重??叠，无法用线性方法进行分类。所以下文将对不同机器学习算法进行分析，提出??适用于变压器带电振动监测和故障诊断的分类模型。??２．?４基于机器学习的诊断算法研究??２．４．?１概述??由表２－１可知，变压器主要存在三种状态，因此，变压器的故障诊断不是一??个简单的二分类问题。另外，由于电力变压器在电网运行中有十分重要的地位，??一旦发生故障需要立即对其停运检修，以免发生火灾等重大安全事故。因此，样??本库中电力变压器的故障样本数量远远少于正常与老化的样本数量。由此可见，??如何对故障样本少于正常样本这种样本不平衡的现象进行多分类，是故障诊断的??难点问題，而大多数机器学习分类算法模型都缺乏准确率较高的解决方法。??
【参考文献】：
期刊论文
[1]基于不同概率密度估计方法的朴素贝叶斯分类器[J]. 王乐慈,高世臣,林孟雄,李宗贤. 中国矿业. 2018(11)
[2]基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法[J]. 王德文,雷倩. 电力自动化设备. 2018(05)
[3]面向不平衡数据集分类模型的优化研究[J]. 温雪岩,陈家男,景维鹏,徐克生. 计算机工程. 2018(04)
[4]基于阻抗法的变压器绕组变形在线监测系统[J]. 梁艺,马文辉. 重庆科技学院学报(自然科学版). 2017(05)
[5]改进SMOTE的非平衡数据集分类算法研究[J]. 赵清华,张艺豪,马建芬,段倩倩. 计算机工程与应用. 2018(18)
[6]变压器绕组变形综合诊断分析系统研究与实践[J]. 李杰华,孟艳,温红旗,张福广,陈鹏. 变压器. 2017(07)
[7]一种基于决策树的SVM算法[J]. 程凤伟. 太原学院学报(自然科学版). 2017(01)
[8]改进的基于遗传优化BP神经网络的电网故障诊断[J]. 袁圃,毛剑琳,向凤红,刘恋,张茂兴. 电力系统及其自动化学报. 2017(01)
[9]基于混沌优化粒子群BP神经网络的电力变压器故障诊断[J]. 公茂法,柳岩妮,王来河,宋保业,钟文强. 电测与仪表. 2016(15)
[10]多尺度熵在变压器振动信号特征提取中的应用[J]. 李莉,朱永利,宋亚奇. 振动.测试与诊断. 2015(04)
硕士论文
[1]配电变压器绕组故障在线诊断方法研究[D]. 刘以刚.重庆大学 2014
[2]变压器绕组振动特征提取及其状态识别方法研究[D]. 林爱弟.浙江大学 2014
本文编号：2910304
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2910304.html
