基于智能极限学习机的变压器故障诊断方法研究
发布时间：2021-05-08 17:37
变压器故障诊断可靠性的提高有利于进一步落实变压器的差异化运行维护和状态检修。目前应用较为广泛的评估方法为三比值法,该方法存在编码不全,无法覆盖全部故障类型,评判标准过于绝对的缺点。随着监测设备的投入和检测手段的提高,越来越多的变压器特征数据被收集,这为基于智能算法的变压器故障诊断方法的研究提供了数据基础。这些数据表征了运行工龄工况不同、工作环境差异较大、试验设备有不同程度的误差、检测周期不一致以及不同原因导致故障的变压器状态。本文围绕如何提高以特征数据为建模对象的变压器故障诊断模型精度的问题展开研究,论文的主要内容有:（1）考虑到数据形成环境复杂,采用人工收集的方式,可能存在离群值。本文利用结合密度聚类的模糊C均值算法取代人工的数据挑选方式,实现了数据噪声的分类清洗,使剔除离群值和边缘值后的数据所反映变压器状态特征信息更清晰,提高了数据质量和价值密度。（2）研究现已提出的变压器故障诊断方法,针对方法输出精度低的问题,提出基于智能极限学习机的变压器故障诊断方法,将表征变压器状态的数据转换变为数学模型,输出可靠的诊断信息。为此,本文利用免疫算法对粒子群进行改进,克服了种群容易陷入局部极值的...
【文章来源】：广东工业大学广东省
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 变压器状态检修的发展
1.2.2 基于数学方法的变压器故障诊断
1.2.3 基于大数据挖掘技术的变压故障诊断
1.3 论文研究内容与章节安排
1.3.1 课题来源与研究内容
1.3.2 论文章节安排
第二章 变压器故障指标选取
2.1 概述
2.2 变压器指标体系构建
2.2.1 变压器指标的选取
2.2.2 数据噪声清洗方法
2.2.3 降噪效果评价指标
2.3 数据的降噪处理
2.4 本章小结
第三章 基于最优正则极限学习机的变压器故障诊断
3.1 概述
3.2 最优正则极限学习机
3.2.1 极限学习机
3.2.2 正则极限学习机
3.3 变压器故障诊断模型
3.4 实例计算与分析
3.5 本章小结
第四章 基于智能极限学习机的变压器故障诊断
4.1 概述
4.2 改进免疫粒子群优化算法
4.2.1 粒子群算法
4.2.2 免疫算法
4.3 变压器故障诊断模型
4.4 实例计算与分析
4.4.1 模型训练
4.4.2 故障诊断
4.4.3 方法比较
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
攻读学位期间参与的科研项目
致谢
【参考文献】：
期刊论文
[1]基于分类修剪的关联分类算法改进[J]. 秦晨普,张云华. 计算机系统应用. 2019(04)
[2]基于粒子群算法的电动汽车电能计量优化[J]. 高敬更,李项,张勇红,王兴贵,陈欣. 工业仪表与自动化装置. 2019(02)
[3]基于实际运行数据的配电变压器故障原因多维度分析[J]. 康兵,杨勇,李振兴,沈煜,季斌. 智慧电力. 2019(03)
[4]综合RapidMiner与改进粒子群极限学习机算法的变压器故障诊断[J]. 魏金萧,周步祥,唐浩,张百甫,杨常. 电力系统及其自动化学报. 2019(03)
[5]基于特征气体关联特征的变压器故障诊断方法[J]. 梁永亮,郭汉琮,薛永端. 高电压技术. 2019(02)
[6]基于最优正则极限学习机的变压器故障诊断[J]. 覃炜梅,吴杰康,罗伟明,金尚婷,龚杰. 宁夏电力. 2018(05)
[7]大数据背景下电力行业数据应用研究[J]. 李志勇,郭一通. 自动化技术与应用. 2018(09)
[8]基于局部密度聚类算法的变压器故障状态评估[J]. 罗伟明,吴帆,黄业广,吴杰康,覃炜梅,龚杰,金尚婷. 广东电力. 2018(08)
[9]基于改进差分进化算法优化极限学习机的短期负荷预测[J]. 胡函武,施伟,陈桥,李凯. 宁夏电力. 2018(04)
[10]基于多因素的变压器油中溶解气体体积分数预测方法[J]. 刘航,王有元,梁玄鸿,白德盟,秦佳峰. 高电压技术. 2018(04)
硕士论文
[1]基于加权极限学习机集成算法的污水处理故障诊断及软件开发[D]. 孙称立.华南理工大学 2018
[2]面向组合优化问题的粒子群算法的研究[D]. 戎汉中.南京邮电大学 2017
[3]基于大数据分析方法的变压器绝缘老化诊断与故障预测研究[D]. 黎佳.长沙理工大学 2017
[4]基于故障案例的变压器风险评估体系研究[D]. 田姗.华北电力大学 2017
[5]极限学习机算法及应用研究[D]. 任阳晖.沈阳航空航天大学 2017
[6]基于大数据分析的电力变压器状态评估与故障诊断技术研究[D]. 雷帆.西南交通大学 2016
[7]基于DBSCAN的自适应聚类算法研究[D]. 李宗林.长沙理工大学 2015
[8]电力变压器分层分部件状态评估研究[D]. 徐智.重庆大学 2013
[9]变压器状态评估方法的研究[D]. 张登.华中科技大学 2013
本文编号：3175721
【文章来源】：广东工业大学广东省
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 变压器状态检修的发展
1.2.2 基于数学方法的变压器故障诊断
1.2.3 基于大数据挖掘技术的变压故障诊断
1.3 论文研究内容与章节安排
1.3.1 课题来源与研究内容
1.3.2 论文章节安排
第二章 变压器故障指标选取
2.1 概述
2.2 变压器指标体系构建
2.2.1 变压器指标的选取
2.2.2 数据噪声清洗方法
2.2.3 降噪效果评价指标
2.3 数据的降噪处理
2.4 本章小结
第三章 基于最优正则极限学习机的变压器故障诊断
3.1 概述
3.2 最优正则极限学习机
3.2.1 极限学习机
3.2.2 正则极限学习机
3.3 变压器故障诊断模型
3.4 实例计算与分析
3.5 本章小结
第四章 基于智能极限学习机的变压器故障诊断
4.1 概述
4.2 改进免疫粒子群优化算法
4.2.1 粒子群算法
4.2.2 免疫算法
4.3 变压器故障诊断模型
4.4 实例计算与分析
4.4.1 模型训练
4.4.2 故障诊断
4.4.3 方法比较
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
攻读学位期间参与的科研项目
致谢
【参考文献】：
期刊论文
[1]基于分类修剪的关联分类算法改进[J]. 秦晨普,张云华. 计算机系统应用. 2019(04)
[2]基于粒子群算法的电动汽车电能计量优化[J]. 高敬更,李项,张勇红,王兴贵,陈欣. 工业仪表与自动化装置. 2019(02)
[3]基于实际运行数据的配电变压器故障原因多维度分析[J]. 康兵,杨勇,李振兴,沈煜,季斌. 智慧电力. 2019(03)
[4]综合RapidMiner与改进粒子群极限学习机算法的变压器故障诊断[J]. 魏金萧,周步祥,唐浩,张百甫,杨常. 电力系统及其自动化学报. 2019(03)
[5]基于特征气体关联特征的变压器故障诊断方法[J]. 梁永亮,郭汉琮,薛永端. 高电压技术. 2019(02)
[6]基于最优正则极限学习机的变压器故障诊断[J]. 覃炜梅,吴杰康,罗伟明,金尚婷,龚杰. 宁夏电力. 2018(05)
[7]大数据背景下电力行业数据应用研究[J]. 李志勇,郭一通. 自动化技术与应用. 2018(09)
[8]基于局部密度聚类算法的变压器故障状态评估[J]. 罗伟明,吴帆,黄业广,吴杰康,覃炜梅,龚杰,金尚婷. 广东电力. 2018(08)
[9]基于改进差分进化算法优化极限学习机的短期负荷预测[J]. 胡函武,施伟,陈桥,李凯. 宁夏电力. 2018(04)
[10]基于多因素的变压器油中溶解气体体积分数预测方法[J]. 刘航,王有元,梁玄鸿,白德盟,秦佳峰. 高电压技术. 2018(04)
硕士论文
[1]基于加权极限学习机集成算法的污水处理故障诊断及软件开发[D]. 孙称立.华南理工大学 2018
[2]面向组合优化问题的粒子群算法的研究[D]. 戎汉中.南京邮电大学 2017
[3]基于大数据分析方法的变压器绝缘老化诊断与故障预测研究[D]. 黎佳.长沙理工大学 2017
[4]基于故障案例的变压器风险评估体系研究[D]. 田姗.华北电力大学 2017
[5]极限学习机算法及应用研究[D]. 任阳晖.沈阳航空航天大学 2017
[6]基于大数据分析的电力变压器状态评估与故障诊断技术研究[D]. 雷帆.西南交通大学 2016
[7]基于DBSCAN的自适应聚类算法研究[D]. 李宗林.长沙理工大学 2015
[8]电力变压器分层分部件状态评估研究[D]. 徐智.重庆大学 2013
[9]变压器状态评估方法的研究[D]. 张登.华中科技大学 2013
本文编号：3175721
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3175721.html
