油浸式电力变压器故障诊断方法研究

发布时间：2020-11-07 11:08

　　 变压器是输配电系统中的关键设备,及时而准确地检测出变压器早期潜伏性故障,对于保障电力系统的可靠运行具有重大意义。本文在分析电力变压器故障机理和现有故障诊断方法的基础上,研究了自组织抗体网络、极限学习机和证据理论等人工智能方法,并用于解决电力变压器故障诊断问题。论文的主要内容如下。 自组织抗体网络的学习算法中没有网络压缩机制,训练后的网络中存在大量的冗余抗体。针对该问题,本文提出了改进的自组织抗体网络。该方法将网络压缩机制引入自组织抗体网络,利用亲和度阈值调节免疫网络的记忆抗体分布。仿真实验表明,网络压缩机制可以加快网络的收敛速度,优化网络结构,同时维持免疫网络的稳定性。 将自组织抗体网络应用于变压器故障诊断时,由于其初始抗体是随机选取的,网络性能并不稳定。文中将免疫算子引入自组织抗体网络,提出了基于混合免疫算法的变压器故障诊断方法。该方法利用K-means最佳聚类算法获取初始抗体,并通过粒子群优化算法优化亲和度阈值。仿真实验表明,混合免疫算法的性能比自组织抗体网络更加稳定,其诊断正确率高于单一诊断方法。 基于混合免疫算法的变压器故障诊断方法中提取疫苗需要进行大量的计算,并且存在训练速度慢和参数确定困难的问题。为此,文中将极限学习机和核极限学习机用于解决变压器故障诊断问题,并利用粒子群优化算法优化核极限学习机的学习参数。仿真实验表明,极限学习机比混合免疫算法的诊断正确率稍高,训练时间远远少于后者,但其性能不太稳定；和其他智能诊断方法相比,核极限学习机需要的训练时间和测试时间最少,训练正确率和测试正确率最高,并且性能更加稳定。 由于变压器气体征兆与故障原因之间存在复杂性和模糊性,各种故障诊断方法的判断结果容易出现分歧。文中提出了一种基于证据理论的变压器故障诊断方法,利用冲突证据合成规则将混合免疫算法、核极限学习机和模糊理论的诊断结果进行融合,实现了多特征信息、多诊断方法的有效融合。实例分析表明,该融合方法可以提高故障诊断的可靠性。
【学位单位】：华北电力大学
【学位级别】：博士
【学位年份】：2014
【中图分类】：TM411
【部分图文】：

每类别样本的初始抗体数为t从每类训练样本中随始抗体浓度设为0。 Fourclass数据集rclass数据集的样本分布如图2-3所7K。图2-3可以直观地看出Fourclass数据集中两类样本的分布情况。在自络中，每一类样本的初始抗体个数设定为/t=5。为了对比网络压缩小节屮改进算法的初始抗体和自组织抗体网络相同，亲和度阈值C7经过训练学习后，两种免疫算法在测试样本集上的分类正确率记忆抗体分布情况如图2-4、图2-5所示。对比分析图2-4和图2-5可以发现，在初始抗体相同的情况下，法与自组织抗体网络相比，以较少的记忆抗体完成了对测试样本时保持了同样高的分类]H确率。本章改进免疫网络的记忆抗体分布容易分类的区域记忆抗体个数相对较少，在两类数据交叉的区域抗体数目。这正是由于网络压缩机制根据亲和度阈值a对记忆抗体，优化了抗体分布。

的训练样本集和测试样本集上分别进行10次变压器故障珍断仿真实验并对比实验结果。10次仿真实验的记忆抗体个数对比如图3-10所示，诊断正确率对比如图3-11所示。200? 捉合免疫算法-一‘一 soAbNet160丨载 ,<一 120 t , 一拉 . -r -斗一-?k—一NJ 80 ■fjU ? 毋 ? -+ ? ? 參 -?40Q 1 —I 1 123456789 10实验序号图3-10记忆抗体个数对比Fig. 3-10 Comparisons of memory antibody numbers-51 -

共进行5X300次训练和测试，从训练集诊断正确率和测试诊断正确率两个方面进行对比分析。实验结果见图4-3和图4-4。----sig -0.5 f =:--0 4 i tribas 一I ‘ - - radbas I 1 1 I I 0 50 100 150 200 250 300隐含层节点数目图4-3采用不同激活函数的训练:?诊断正确率对比Fig. 4-3 Correct diagnosis rate on training dataset using different active function-60-
【参考文献】

相关期刊论文 前10条

1 杨启平,薛五德,蓝之达;基于人工神经网络的变压器故障诊断[J];变压器;2000年03期

2 宋绍民;王耀南;孙炜;胡新晚;;基于免疫聚类算法的变压器DGA数据故障诊断方法[J];变压器;2008年08期

3 廖瑞金,姚陈果,孙才新,顾乐观;多专家合作诊断变压器绝缘故障的黑板型专家系统[J];电工技术学报;2002年01期

4 刘娜,高文胜,谈克雄;基于组合神经网络模型的电力变压器故障诊断方法[J];电工技术学报;2003年02期

5 李中;苑津莎;张利伟;;基于自组织抗体网络的电力变压器故障诊断[J];电工技术学报;2010年10期

6 张鸣柳,孙才新;变压器油中气体色谱分析中以模糊综合评判进行故障诊断的研究[J];电工技术学报;1998年01期

7 熊浩;孙才新;陈伟根;杜林;廖玉祥;;电力变压器故障诊断的人工免疫网络分类算法[J];电力系统自动化;2006年06期

8 魏星;舒乃秋;崔鹏程;吴波;;基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断[J];电力系统自动化;2006年07期

9 丁晓群，林钟云;神经网络应用于电力变压器故障诊断[J];电力系统自动化;1996年02期

10 王平;基于模糊综合评判的变压器故障模糊诊断法[J];电力系统自动化;1996年12期

相关博士学位论文 前2条

1 周世兵;聚类分析中的最佳聚类数确定方法研究及应用[D];江南大学;2011年

2 李中;基于人工免疫系统的电力变压器故障诊断技术研究[D];华北电力大学（河北）;2010年

本文编号：2873859