基于关联气体和优化支持向量机的变压器故障诊断

发布时间：2020-11-01 16:17

　　 电力变压器是电网中重要的电气设备之一,电力变压器的可靠对电网的稳定有着重要的意义。电力变压器一旦发生故障,电力系统的稳定将难以为继,严重的情况下电力系统将会瓦解。甚至会造成重大的经济损失。因此,对电力变压器实时在线的诊断是非常有必要的,不仅可以提前发现电力变压器一些潜伏性的故障,还可以对电力变压器的早期故障进行诊断。目前,变压器的故障诊断已经形成了一套体系,电力变压器油中溶解气体含量与变压器潜伏性故障具有非线性的对应关系。传统的方法就是通过分析变压器油中溶解气体含量来分析电力变压器的故障类型。然而,变压器故障诊断存在很多问题,如传统的诊断方法容易陷入局部最优而不能达到全局最优,使诊断结果出现较大的偏差;传统支持向量机的模型参数对电力变压器故障诊断精确度影响较大;电力变压器故障数据不易获取以及电力变压器故障诊断正确率不高的问题。针对以上问题,本文提出一种两级级联的电力变压器故障诊断算法。首先采用关联气体的方法对电力变压器是否故障进行初始判别。在分别介绍遗传算法、支持向量机的基本思想、基本原理的基础上,用遗传算法对支持向量机的模型参数进行优化直至其模型参数达到最优,接着采用优化好的支持向量机分类器对电力变压器具体故障进行判别分类。最后,将本文所用的基于关联气体和遗传算法优化的支持向量机的故障诊断同IEC三比值法进行对比。结果表明:遗传算法优化支持向量机能够有效识别变压器故障,且故障诊断的正确率比三比值法正确率更高。
【学位单位】：西安理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TM407
【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 变压器故障诊断的研究现状
        1.2.1 三比值法的研究现状
        1.2.2 人工神经网络的研究现状
        1.2.3 支持向量机的研究现状
        1.2.4 遗传算法的研究现状
    1.3 本文研究的主要内容
2 利用关联气体方法对电力变压器是否故障进行初始筛选
    2.1 电力变压器的主要故障
        2.1.1 电力变压器故障的分类
        2.1.2 电力变压器故障的原因和现象
        2.1.3 电力变压器故障诊断方法
    2.2 电力变压器在线诊断系统
        2.2.1 在线诊断系统的意义
        2.2.2 电力变压器在线诊断的原理和范围
        2.2.3 电力变压器油中溶解气体在线诊断技术
        2.2.4 电力变压器在线诊断的条件
    2.3 关联气体对变压器是否发生故障诊断的优点
        2.3.1 关联气体法对故障初始筛选的原理
    2.4 本章小结
3.电力变压器实际故障实例分析
    3.0 特征气体分析法
    3.1 三比值法
    3.2 案例分析
        3.2.1 高温过热性故障分析
        3.2.2 中温过热性故障分析
        3.2.3 低温过热性故障分析
        3.2.4 火花放电性故障分析
        3.2.5 局部放电性故障分析
        3.2.6 电弧放电性故障分析
    3.3 本章小结
4.遗传算法优化支持向量机变压器故障分析
    4.1 遗传算法
        4.1.1 适应度函数的选取
        4.1.2 选择算子的确定
        4.1.3 交叉算子的选择
        4.1.4 变异算子的选择
    4.2 支持向量机
        4.2.1 线性分类器的原理
        4.2.2 非线性分类器的原理
        4.2.3 核函数的选取
    4.3 支持向量机的多分类问题
        4.3.1 一次求解多分类问题
        4.3.2 组合多分类问题
    4.4 遗传算法优化支持向量机的模型与仿真
        4.4.1 支持向量机参数对分类结果的影响
        4.4.2 遗传算法对支持向量机参数优化
        4.4.3 本文整体的算法流程
        4.4.4 输入数据的数据化处理
        4.4.5 输出故障类型
        4.4.6 验证结果分析
    4.5 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
致谢
参考文献
附录
    附录1：硕士期间发表论文

【参考文献】

相关期刊论文 前10条

1 陶新民;李震;刘福荣;张越;;基于精简集支持向量机的变压器故障检测方法[J];高电压技术;2016年10期

2 李思;;三比值法在变压器故障类型判断中的应用[J];中国高新技术企业;2016年15期

3 陈玉烽;汪保;;基于关联气体报警的变压器故障识别[J];宁波工程学院学报;2015年03期

4 陶栋琦;薄翠梅;易辉;;基于随机森林的变压器故障检测方法的研究[J];电子器件;2015年04期

5 禹建丽;卞帅;;基于BP神经网络的变压器故障诊断模型[J];系统仿真学报;2014年06期

6 牛高远;杜正聪;冯大海;;三比值法在变压器故障诊断中的问题分析[J];攀枝花学院学报;2013年02期

7 张翔;宋子彤;杨致慧;周勤;郭创新;;一种基于负载率和设备检测信息的油浸式变压器故障率模型[J];电网技术;2013年04期

8 唐勇波;桂卫华;欧阳伟;;主元分析和重构贡献在变压器故障检测与诊断中的应用[J];机械科学与技术;2012年02期

9 郑蕊蕊;赵继印;赵婷婷;李敏;;基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断[J];中国电机工程学报;2011年07期

10 赵文清;;基于选择性贝叶斯分类器的变压器故障诊断[J];电力自动化设备;2011年02期

相关博士学位论文 前3条

1 尹金良;基于相关向量机的油浸式电力变压器故障诊断方法研究[D];华北电力大学;2013年

2 王维博;粒子群优化算法研究及其应用[D];西南交通大学;2012年

3 邹敏;基于支持向量机的水电机组故障诊断研究[D];华中科技大学;2007年

相关硕士学位论文 前4条

1 陈俊良;基于神经网络的油浸式变压器故障诊断分析[D];郑州大学;2016年

2 祖文超;基于油中溶解气体的支持向量机变压器故障诊断[D];华北电力大学;2013年

3 高文军;基于人工免疫算法优化支持向量机的电力变压器故障诊断研究[D];太原理工大学;2012年

4 杨青波;改进PSO-BP神经网络在变压器故障检测中的研究和应用[D];重庆大学;2010年

本文编号：2865783