隨著智能電網(wǎng)的建設(shè)與發(fā)展,電力變壓器狀態(tài)監(jiān)測、生產(chǎn)管理、環(huán)境氣象等數(shù)據(jù)逐步在統(tǒng)一的信息平臺上集成共享,推動了變壓器狀態(tài)評估、診斷和預(yù)測向綜合分析方向發(fā)展。然而,影響電力變壓器運行狀態(tài)的因素眾多,爆發(fā)式增長的狀態(tài)監(jiān)測數(shù)據(jù)加上與設(shè)備狀態(tài)密切相關(guān)的電網(wǎng)運行、氣象環(huán)境等信息數(shù)據(jù)量較大,傳統(tǒng)技術(shù)難以建立準(zhǔn)確完善的變壓器狀態(tài)評估模型。在這種背景下,基于深度學(xué)習(xí)的數(shù)據(jù)挖掘技術(shù)提供了一種全新的解決思路和技術(shù)手段。論文通過深度學(xué)習(xí)相關(guān)理論、分析算法和操作流程等,分析、把握變壓器狀態(tài)相關(guān)監(jiān)測數(shù)據(jù)特性,搭建涉及數(shù)據(jù)清洗、態(tài)勢預(yù)警、診斷分析的數(shù)據(jù)處理架構(gòu)并設(shè)計了相關(guān)算法,進(jìn)而從多源海量數(shù)據(jù)中提煉出適用于變壓器設(shè)備狀態(tài)評估的特征表達(dá),實現(xiàn)對變壓器運行狀態(tài)預(yù)測及故障預(yù)警和智能診斷分析。針對監(jiān)測數(shù)據(jù)的不完整性及無效性等問題,論文介紹了棧式降噪自編碼器(stacked denoising autoencoders,SDAE)的降噪原理,分析了變壓器狀態(tài)監(jiān)測數(shù)據(jù)的流形表示,提出一種基于SDAE的數(shù)據(jù)清洗方法。首先利用變壓器正常運行的歷史樣本數(shù)據(jù)構(gòu)造SDAE清洗模型,訓(xùn)練得到清洗參數(shù)和損失函數(shù),通過核密度估計確定損失函數(shù)上限及根據(jù)現(xiàn)場監(jiān)測經(jīng)驗確定“臟”數(shù)據(jù)容限時窗。然后利用SDAE模型得到待清洗數(shù)據(jù)重構(gòu)誤差和異常數(shù)據(jù)時長,通過比較它們與損失函數(shù)上限和容限時窗間的關(guān)系,對“臟”數(shù)據(jù)進(jìn)行分類處理。通過算例及應(yīng)用分析,本文所提方法可辨識奇異點、缺失值,用SDAE重構(gòu)表示自動修正奇異點,修補(bǔ)短時缺失數(shù)據(jù)。針對變壓器自身特征參量(通常為單一參量)趨勢預(yù)測穩(wěn)定性和科學(xué)性差的問題,論文綜合考慮特征參量之間的耦合關(guān)系和非設(shè)備特征參量的影響,提出一種基于柵格長短時記憶(grid long-short term memory,GLSTM)網(wǎng)絡(luò)的預(yù)測方法。從變壓器狀態(tài)、電網(wǎng)運行、氣象環(huán)境等多角度出發(fā),利用GLSTM網(wǎng)絡(luò)對多源信息進(jìn)行充分融合。GLSTM網(wǎng)絡(luò)有效利用歷史序列信息提煉狀態(tài)參量自身發(fā)展規(guī)律,同時捕獲不同參量間強(qiáng)關(guān)聯(lián)關(guān)系,抑制、弱化無關(guān)和冗余信息。通過算例及應(yīng)用分析表明,所提GLSTM網(wǎng)絡(luò)預(yù)測方法可有效挖掘預(yù)測參數(shù)與眾多影響因素的關(guān)聯(lián)關(guān)系,以此為先驗知識修正預(yù)測模型,與傳統(tǒng)單一變量預(yù)測方法相比最大預(yù)測誤差從20%下降到了10%以內(nèi),克服了傳統(tǒng)單一變量預(yù)測方法穩(wěn)定性差的問題,提高了變壓器狀態(tài)參量趨勢預(yù)測精度。變壓器狀態(tài)一般會通過多種信息的變化表現(xiàn)出來,這些特征信息會隨著設(shè)備缺陷/故障的類型、部位、嚴(yán)重程度等因素的不同發(fā)生相應(yīng)變化。在變壓器運行狀態(tài)預(yù)測及故障預(yù)警方面,論文通過分析變壓器運行狀態(tài)全景信息中關(guān)鍵影響因素,以相對劣化度來刻畫變壓器狀態(tài)惡化程度,并通過模糊化處理得到各指標(biāo)相對劣化度與變壓器狀態(tài)對應(yīng)的隸屬關(guān)系。通過長短時記憶(long-short term memory,LSTM)網(wǎng)絡(luò)提取變壓器狀態(tài)演變規(guī)律,構(gòu)建數(shù)據(jù)驅(qū)動的設(shè)備狀態(tài)預(yù)測模型,實現(xiàn)變壓器潛在性故障初步預(yù)警。通過LSTM網(wǎng)絡(luò)將定量指標(biāo)與定性指標(biāo)有機(jī)結(jié)合,感知推導(dǎo)特征參量與變壓器運行狀態(tài)之間的對應(yīng)關(guān)系。通過不同時間尺度預(yù)測算例分析表明,以一周為尺度的預(yù)測精度達(dá)94.4%,以一月為尺度的預(yù)測精度為81.2%,可有效預(yù)測電力變壓器運行狀態(tài)。利用在線監(jiān)測、帶電檢測、運行工況、試驗檢修記錄、缺陷記錄等數(shù)據(jù),融合設(shè)備家族差異、類比實驗等信息,論文提出了基于深度置信網(wǎng)絡(luò)的變壓器故障診斷方法,采用修正線性單元為深層網(wǎng)絡(luò)激活函數(shù),以油中溶解特征氣體無編碼比值為輸入特征參量,構(gòu)建了修正線性單元改進(jìn)的深度置信網(wǎng)絡(luò)故障診斷模型,提取差異化故障特征信息。通過與傳統(tǒng)故障診斷識別方法比較,分析了輸入特征參量、樣本集規(guī)模、復(fù)合型故障對所構(gòu)建的深度置信診斷模型的影響。實驗結(jié)果表明,所提方法較大程度上提高了變壓器故障診斷的精度,深度置信網(wǎng)絡(luò)與無編碼比值組合的模型訓(xùn)練和測試準(zhǔn)確率達(dá)96.4%和95.9%。隨樣本數(shù)據(jù)增多,診斷精度得到較大提升。
【學(xué)位單位】：上海交通大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2018
【中圖分類】：TP18;TM41
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 變壓器狀態(tài)預(yù)測及故障診斷研究現(xiàn)狀
        1.2.1 電力變壓器狀態(tài)預(yù)測研究現(xiàn)狀
        1.2.2 電力變壓器故障診斷研究現(xiàn)狀
    1.3 深度學(xué)習(xí)研究及其在電力數(shù)據(jù)挖掘中的應(yīng)用
        1.3.1 深度學(xué)習(xí)研究現(xiàn)狀
        1.3.2 深度學(xué)習(xí)方法在電力領(lǐng)域的應(yīng)用研究現(xiàn)狀
    1.4 本文的主要研究內(nèi)容
        1.4.1 問題提出
        1.4.2 整體技術(shù)路線
        1.4.3 具體章節(jié)安排
第二章 基于棧式降噪自編碼器的變壓器狀態(tài)監(jiān)測數(shù)據(jù)清洗方法
    2.1 棧式降噪自編碼器基本原理
        2.1.1 降噪自編碼器
        2.1.2 棧式降噪自編碼器
    2.2 基于棧式降噪自編碼器的變壓器狀態(tài)監(jiān)測數(shù)據(jù)清洗算法
        2.2.1 基于棧式降噪自編碼器的數(shù)據(jù)清洗原理
        2.2.2 數(shù)據(jù)清洗具體實施
    2.3 算例分析
        2.3.1 數(shù)據(jù)破壞率確定
        2.3.2 變壓器狀態(tài)監(jiān)測數(shù)據(jù)清洗
    2.4 算法應(yīng)用
    2.5 本章小結(jié)
第三章 考慮復(fù)雜關(guān)聯(lián)關(guān)系深度挖掘的變壓器狀態(tài)參量趨勢預(yù)測方法
    3.1 柵格長短時記憶網(wǎng)絡(luò)基本原理
        3.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 沿時間反向傳播算法
        3.1.3 長短時記憶網(wǎng)絡(luò)
        3.1.4 柵格長短時記憶網(wǎng)絡(luò)
    3.2 基于柵格長短時記憶網(wǎng)絡(luò)提取序列關(guān)聯(lián)關(guān)系的預(yù)測方法
        3.2.1 設(shè)備關(guān)鍵性能與狀態(tài)量的關(guān)系
        3.2.2 相關(guān)序列數(shù)學(xué)表示
        3.2.3 采用數(shù)據(jù)驅(qū)動的柵格長短時記憶網(wǎng)絡(luò)預(yù)測方法
    3.3 算例分析
        3.3.1 網(wǎng)絡(luò)結(jié)構(gòu)確定
        3.3.2 關(guān)聯(lián)關(guān)系分析
        3.3.3 與傳統(tǒng)預(yù)測模型對比
    3.4 算法應(yīng)用
    3.5 本章小結(jié)
第四章 采用長短時記憶網(wǎng)絡(luò)的電力變壓器運行狀態(tài)預(yù)測
    4.1 變壓器運行狀態(tài)關(guān)鍵參量分析
        4.1.1 變壓器運行狀態(tài)模式
        4.1.2 狀態(tài)性能數(shù)據(jù)
        4.1.3 運行巡檢信息
        4.1.4 技術(shù)性能參數(shù)
    4.2 基于長短時記憶網(wǎng)絡(luò)的變壓器狀態(tài)預(yù)測
        4.2.1 定量指標(biāo)量化
        4.2.2 定性指標(biāo)量化
        4.2.3 各級參量權(quán)重確定
        4.2.4 狀態(tài)預(yù)測實現(xiàn)
    4.3 算例分析
        4.3.1 時間維度相關(guān)性分析
        4.3.2 變壓器運行狀態(tài)短期預(yù)測
        4.3.3 變壓器運行狀態(tài)長期預(yù)測
        4.3.4 樣本集規(guī)模對預(yù)測模型的影響
    4.4 算法應(yīng)用
    4.5 本章小結(jié)
第五章 基于深度置信網(wǎng)絡(luò)的變壓器故障診斷方法
    5.1 深度置信網(wǎng)絡(luò)基本原理
        5.1.1 受限玻爾茲曼機(jī)
        5.1.2 受限玻爾茲曼機(jī)訓(xùn)練
        5.1.3 深度置信網(wǎng)絡(luò)
    5.2 變壓器油中氣體分析
        5.2.1 油中氣體產(chǎn)生機(jī)理
        5.2.2 油中氣體含量與故障類型的關(guān)系
        5.2.3 油中氣體濃度比值診斷法
    5.3 基于RELU-DBN的故障診斷方法
        5.3.1 樣本數(shù)據(jù)分布
        5.3.2 特征參量設(shè)定
        5.3.3 模型參數(shù)設(shè)定
        5.3.4 診斷模型應(yīng)用步驟及架構(gòu)
    5.4 算例分析
        5.4.1 不同輸入特征參量對比
        5.4.2 不同樣本集對比
        5.4.3 復(fù)合型故障影響
    5.5 診斷算法驗證及應(yīng)用分析
        5.5.1 算法驗證
        5.5.2 算法應(yīng)用
    5.6 本章小結(jié)
第六章 結(jié)論與展望
    6.1 主要結(jié)論
    6.2 研究展望
參考文獻(xiàn)
致謝
攻讀博士學(xué)位期間已發(fā)表或錄用的論文
攻讀博士學(xué)位期間參與的科研項目

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 端木林楠;趙習(xí)靜;蔡巍;彭瓏;李雨;趙媛;馬鑫晟;;某220kV變電站35kV站用變壓器爆炸事故分析與處理[J];高壓電器;2015年12期

2 周湶;王時征;廖瑞金;孫超;解慧力;饒俊星;;基于AdaBoost優(yōu)化云理論的變壓器故障診斷方法[J];高電壓技術(shù);2015年11期

3 鄧祥力;謝海遠(yuǎn);熊小伏;高亮;;基于支持向量機(jī)和有限元分析的變壓器繞組變形分類方法[J];中國電機(jī)工程學(xué)報;2015年22期

4 周湶;孫超;安文斗;李劍;廖婧舒;鄒迪;;基于云推理及加權(quán)隱式半Markov模型的變壓器故障預(yù)測[J];高電壓技術(shù);2015年07期

5 楊廷方;張航;黃立濱;曾祥君;;基于改進(jìn)型主成分分析的電力變壓器潛伏性故障診斷[J];電力自動化設(shè)備;2015年06期

6 謝龍君;李黎;程勇;盧明;姜立秋;騰云;;融合集對分析和關(guān)聯(lián)規(guī)則的變壓器故障診斷方法[J];中國電機(jī)工程學(xué)報;2015年02期

7 鄭含博;王偉;李曉綱;王立楠;李予全;韓金華;;基于多分類最小二乘支持向量機(jī)和改進(jìn)粒子群優(yōu)化算法的電力變壓器故障診斷方法[J];高電壓技術(shù);2014年11期

8 趙婉芳;王慧芳;邱劍;何奔騰;;基于油色譜監(jiān)測數(shù)據(jù)的變壓器動態(tài)可靠性分析[J];電力系統(tǒng)自動化;2014年22期

9 谷凱凱;郭江;;緊致融合模糊集和故障樹的變壓器故障診斷[J];高電壓技術(shù);2014年05期

10 唐勇波;桂衛(wèi)華;彭濤;歐陽偉;;PCA和KICA特征提取的變壓器故障診斷模型[J];高電壓技術(shù);2014年02期

相關(guān)博士學(xué)位論文 前1條

1 唐勇波;數(shù)據(jù)驅(qū)動的大型電力變壓器故障診斷和預(yù)測研究[D];中南大學(xué);2013年

相關(guān)碩士學(xué)位論文 前4條

1 孫杉;基于深度學(xué)習(xí)和云計算的電力信息網(wǎng)入侵檢測研究[D];華北電力大學(xué);2016年

2 王琳;基于變壓器油在線監(jiān)測技術(shù)的變壓器故障檢測[D];山東大學(xué);2015年

3 曾丹樂;基于多源信息融合的變壓器狀態(tài)評估關(guān)鍵技術(shù)研究[D];上海交通大學(xué);2015年

4 鄒志勇;工程機(jī)械維修現(xiàn)狀及對策研究[D];長安大學(xué);2002年

本文編號：2842588