基于HMM的电力变压器健康状态评估
发布时间：2021-08-10 17:29
电力变压器是电力系统中的关键设备,如果它的运行状态不稳定,将对电力系统的安全性和可靠性造成严重影响。因此,对电力变压器的健康状态进行评估,保障送变电安全,对提高电力系统的可靠性,促进电力设备基于状态的维修（Condition Based Maintenance,CBM）发展具有重要意义。本文分析了隐马尔可夫模型（Hidden Markov Model,HMM）应用到变压器领域中的局限性,并将改进后的隐式半马尔科夫模型（Hidden-semi Markov Model,HSMM）引入电力变压器健康状态评估领域,提出了一种电力变压器HSMM健康状态评估方法,设计开发了电力变压器健康状态检测系统。本文主要做了以下几方面的工作:1)研究分析了电力变压器油中溶解气体的产生机理,并从电退化、热退化、化学退化和机械退化等方面进行了变压器的退化机理研究,指出当前变压器维护维修领域存在成本过高的问题,有必要开展变压器的健康状态评估工作。2)通过对HMM模型参数和结构的阐述,论述了HMM应用于变压器健康状态评估领域的可行性,并通过实验进行了验证,结果表明HMM能够有效的对变压器进行健康状态的划分。3)针对...
【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
绝缘寿命与绕组温度和绝缘纸含水量的关系图
图 3-7 五种状态 HMM 的训练曲线.5 HMM 故障诊断HMM 用于变压器的故障诊断中，根据上文中的图 3-5 所示，构建了 HMM 分。将通过数据预处理的 DGA 序列，作为实验模型中的观测序列，并在训练过实验模拟过程中，通过调用模型的基本算法计算P（ o | ），将次概率最大值对 HMM类别输出，即为判定的故障类型。采用矢量为 x=[85.9，66.0，15.3，25.7，6.3]作为此次实验的输入数据，根据基MM 的变压器故障诊断模型的流程进行实验，得到的各状态的识别结果输出如-3 所示，其发生高能放电故障的概率是 96.44%。表 3-3 HMM 输出输出 正常中低温过热高温过热低能放电高能放电对数似然值-Inf -21.6 -122.9 -15.0 -14.1故障可能性（%）0 0 0 3.56 96.44
图 4-3 五种状态 HSMM的训练曲线M 故障诊断在运行状态分为正常状态和故障状态，故障类型分为放电性故障中放电性故障分为：低能放电、高能放电；过热性故障分为：中700℃）、高温过热（温度≧700℃）。其中两种故障特性都包含的热和高能放电兼过热。本文所采用的 HSMM 是在传统 HMM 结素，为变压器故障诊断提供更好的建模和数据分析能力，具体如压器的各个健康状态，使用各类 DGA 故障数据对 HSMM 进行训的是，HSMM 中的“宏状态”对应变压器的各个健康状态。例如体观测矢量为 x=[85.9，66.0，15.3，25.7，6.3]，则 HSMM 模型输出如表4-1所示，在此时刻变压器有98.45%的概率发生高能放表 4-1 HSMM输出输出 正常中低温过热高温过热低能放电高能放电对数-Inf -22.6 -124.0 -15.9 -14.0
【参考文献】：
期刊论文
[1]采用自适应基因粒子群算法优化隐马尔科夫模型的方法及应用[J]. 张西宁,雷威,杨雨薇,张雯雯. 西安交通大学学报. 2018(08)
[2]PHM技术在核电厂的应用与展望[J]. 解光耀,刘井泉,曾聿赟. 核动力工程. 2018(02)
[3]油浸式变压器绕组暂态温升的计算与分析[J]. 陶超,张喜乐,王建民,彭广勇,赵银汉. 变压器. 2018(03)
[4]变压器油纸绝缘水分含量和老化程度定量评估研究[J]. 曹建军,隋彬,杨飞豹,尹小兵. 高压电器. 2018(01)
[5]基于Wiener模型的变压器油纸绝缘老化剩余寿命评估方法[J]. 张明泽,刘骥,陈昕,廖俐琳,陈庆国. 电工技术学报. 2018(21)
[6]一起220kV变压器绕组短路故障诊断与分析[J]. 张鹏,汪佛池,周若琪,刘宏亮,陈志勇,刘海峰. 变压器. 2017(11)
[7]LSSVM与HMM在航空发动机状态预测中的应用研究[J]. 崔建国,高波,蒋丽英,于明月,郑蔚. 计算机工程. 2017(10)
[8]电力变压器故障预测与健康管理:挑战与展望[J]. 李刚,于长海,刘云鹏,范辉,文福拴,宋雨. 电力系统自动化. 2017(23)
[9]基于HMM的风电机组齿轮箱故障诊断研究[J]. 杨志凌,姚治业,王瑞明. 太阳能学报. 2017(09)
[10]基于DGA的粗糙集与决策信息融合变压器故障诊断[J]. 李春茂,周妺末,袁海满,高波,吴广宁. 电工电能新技术. 2018(01)
本文编号：3334484
【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
绝缘寿命与绕组温度和绝缘纸含水量的关系图
图 3-7 五种状态 HMM 的训练曲线.5 HMM 故障诊断HMM 用于变压器的故障诊断中，根据上文中的图 3-5 所示，构建了 HMM 分。将通过数据预处理的 DGA 序列，作为实验模型中的观测序列，并在训练过实验模拟过程中，通过调用模型的基本算法计算P（ o | ），将次概率最大值对 HMM类别输出，即为判定的故障类型。采用矢量为 x=[85.9，66.0，15.3，25.7，6.3]作为此次实验的输入数据，根据基MM 的变压器故障诊断模型的流程进行实验，得到的各状态的识别结果输出如-3 所示，其发生高能放电故障的概率是 96.44%。表 3-3 HMM 输出输出 正常中低温过热高温过热低能放电高能放电对数似然值-Inf -21.6 -122.9 -15.0 -14.1故障可能性（%）0 0 0 3.56 96.44
图 4-3 五种状态 HSMM的训练曲线M 故障诊断在运行状态分为正常状态和故障状态，故障类型分为放电性故障中放电性故障分为：低能放电、高能放电；过热性故障分为：中700℃）、高温过热（温度≧700℃）。其中两种故障特性都包含的热和高能放电兼过热。本文所采用的 HSMM 是在传统 HMM 结素，为变压器故障诊断提供更好的建模和数据分析能力，具体如压器的各个健康状态，使用各类 DGA 故障数据对 HSMM 进行训的是，HSMM 中的“宏状态”对应变压器的各个健康状态。例如体观测矢量为 x=[85.9，66.0，15.3，25.7，6.3]，则 HSMM 模型输出如表4-1所示，在此时刻变压器有98.45%的概率发生高能放表 4-1 HSMM输出输出 正常中低温过热高温过热低能放电高能放电对数-Inf -22.6 -124.0 -15.9 -14.0
【参考文献】：
期刊论文
[1]采用自适应基因粒子群算法优化隐马尔科夫模型的方法及应用[J]. 张西宁,雷威,杨雨薇,张雯雯. 西安交通大学学报. 2018(08)
[2]PHM技术在核电厂的应用与展望[J]. 解光耀,刘井泉,曾聿赟. 核动力工程. 2018(02)
[3]油浸式变压器绕组暂态温升的计算与分析[J]. 陶超,张喜乐,王建民,彭广勇,赵银汉. 变压器. 2018(03)
[4]变压器油纸绝缘水分含量和老化程度定量评估研究[J]. 曹建军,隋彬,杨飞豹,尹小兵. 高压电器. 2018(01)
[5]基于Wiener模型的变压器油纸绝缘老化剩余寿命评估方法[J]. 张明泽,刘骥,陈昕,廖俐琳,陈庆国. 电工技术学报. 2018(21)
[6]一起220kV变压器绕组短路故障诊断与分析[J]. 张鹏,汪佛池,周若琪,刘宏亮,陈志勇,刘海峰. 变压器. 2017(11)
[7]LSSVM与HMM在航空发动机状态预测中的应用研究[J]. 崔建国,高波,蒋丽英,于明月,郑蔚. 计算机工程. 2017(10)
[8]电力变压器故障预测与健康管理:挑战与展望[J]. 李刚,于长海,刘云鹏,范辉,文福拴,宋雨. 电力系统自动化. 2017(23)
[9]基于HMM的风电机组齿轮箱故障诊断研究[J]. 杨志凌,姚治业,王瑞明. 太阳能学报. 2017(09)
[10]基于DGA的粗糙集与决策信息融合变压器故障诊断[J]. 李春茂,周妺末,袁海满,高波,吴广宁. 电工电能新技术. 2018(01)
本文编号：3334484
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3334484.html
