【摘要】：電力變壓器作為電力系統(tǒng)的樞紐電氣設備,它擔任著變電、輸電和分配電能等重要功能,電力變壓器的運行狀態(tài)直接關乎到電網(wǎng)的穩(wěn)定性和安全性。研究電力變壓器故障診斷與預測技術,準確判斷故障的性質,預測存在的潛在故障,具有重要意義。論文針對電力變壓器故障的特點,以油中溶解氣體含量為特征量,用支持向量機(SVM)理論作為基礎,結合其他智能算法,建立了基于SVM的電力變壓器故障診斷與預測模型,用于解決變壓器內(nèi)部故障類型診斷和運行狀態(tài)趨勢問題。SVM的參數(shù)直接決定了模型的性能,針對SVM參數(shù)選取難問題,引入人工魚群算法(AFSA)對參數(shù)進行尋優(yōu)。在對AFSA理論研究的基礎上,分析了步長和視野兩個參數(shù)對AFSA的影響,在算法尋優(yōu)的初期,期望人工魚的步長和視野具有較大的值,在算法尋優(yōu)的后期,期望人工魚的步長和視野具有較小的值,針對AFSA固定步長和視野的不足,提出了自適應人工魚群算法(AAFSA),實驗證明AAFSA尋優(yōu)效果更好。對電力變壓器故障診斷多分類問題,引入糾錯輸出編碼支持向量機(ECOC-SVMs)模型。目前編碼矩陣都是預先構造出來的,未與具體的應用相結合,針對此問題,提出了一種聚類編碼矩陣,經(jīng)實驗對比驗證了其有效性。但聚類編碼矩陣碼長固定且較短,不具備冗余性,針對此不足,將聚類編碼矩陣和1-v-1編碼矩陣進行結合,并適當刪減編碼,提出了一種混合編碼矩陣,用混合編碼的ECOC-SVMs建立了電力變壓器故障診斷模型,經(jīng)驗證效果較好。對電力變壓器故障預測問題,建立了AAFSA優(yōu)化SVM的預測模型AAFSA-SVM,效果較好,說明將SVM運用到變壓器油中溶解氣體預測是可行的。采用單變量灰色預測模型(GM(1,1))和多變量灰色預測模型(MGM(1,n))進行預測對比,驗證了變壓器油中氣體之間存在一定的關聯(lián)性。針對MGM(1,n)模型的背景值問題,采用AAFSA尋優(yōu)確定背景值,并用這種改進的MGM(1,n)模型建立了變壓器故障預測模型。單一模型預測的風險較大,組合預測模型可以降低預測風險,提出將AAFSA-SVM模型與改進MGM(1,n)模型進行結合,建立了組合預測的電力變壓器故障預測模型,經(jīng)驗證,比單一預測方法效果好。
【圖文】：

與預測過程中涉及到的 SVM 理論，進行具體分析。計學習理論 是一門專門針對小樣本問題的機器學習理論，在上世紀六、七等人就已經(jīng)開始從事這方面的研究，到了九十年代，其理論知[52]，SLT 開始受到廣泛的關注。下面簡要介紹 SLT 的 VC 維小化（Structural Risk Minimization, SRM）原則。C 維理論 維是 SLT 的核心概念，用來描述學習機器的復雜度。VC 維可學習能力的指標，其值與學習機器容量成正比。函數(shù)集的 VC能打散的最大樣本數(shù)目[35]。構風險最小化原則

人工魚步長和視野的系數(shù)相同，，可得人工魚步長和視野的自適應函數(shù)為iteritervalueitervaluevalueiterss*(max_)min_(1max_)max_min_( ) + =(iteritervalueitervaluevalueiterss*(max_)min_(1max_)max_min_( ) + =(s 為常數(shù)值， s 的值決定了曲線的幅度，綜合考慮后，令 s = 3。令分段自適應函數(shù)的值域為[0.1,2]，最大迭代次數(shù)為 100，圖 3-3 為人和視野的自適應系數(shù)變化趨勢。
【學位授予單位】：武漢理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TM41

【相似文獻】

相關期刊論文 前10條

1 張鵬舉;劉建英;;紅外激光光譜分析的變壓器故障診斷[J];激光雜志;2016年11期

2 夏飛;羅志疆;張浩;彭道剛;張茜;唐依雯;;混合神經(jīng)網(wǎng)絡在變壓器故障診斷中的應用[J];電子測量與儀器學報;2017年01期

3 賈立敬;;基于混合算法與支持向量機的電力變壓器故障診斷[J];電氣開關;2017年03期

4 劉忠杰;;電力變壓器故障診斷方法初探[J];能源技術與管理;2017年04期

5 劉林凡;;基于機器學習的電力變壓器故障診斷的研究進展[J];電子世界;2017年15期

6 龔健;;基于支持向量機的變壓器故障診斷研究[J];電氣開關;2016年02期

7 張仁民;黃雪昀;曹霞;;論電力變壓器故障診斷方法[J];科技展望;2014年18期

8 隋雙;;關于發(fā)電廠變壓器故障診斷及處理措施思考[J];科技與企業(yè);2015年02期

9 周穎佑;;變壓器故障診斷技術探析[J];中國新技術新產(chǎn)品;2015年08期

10 周浩;高明;;基于可拓理論的變壓器故障診斷[J];電氣開關;2015年02期

相關會議論文 前10條

1 王邦林;段一雄;;基于C語言變壓器故障診斷灰關聯(lián)度計算研究[A];2009年云南電力技術論壇論文集（文摘部分）[C];2009年

2 于虹;張永剛;;基于模擬退火和支持向量機理論的變壓器故障診斷方法[A];2011年云南電力技術論壇論文集（優(yōu)秀論文部分）[C];2011年

3 于虹;孫鵬;;基于粗糙集和支持向量機理論的變壓器故障診斷方法[A];2010年云南電力技術論壇論文集（優(yōu)秀論文部分）[C];2010年

4 周柯;羅安;;信息融合技術在變壓器故障診斷中的應用[A];2009年全國輸變電設備狀態(tài)檢修技術交流研討會論文集[C];2009年

5 禹建麗;周瑞芳;;一種基于神經(jīng)網(wǎng)絡和模糊理論的變壓器故障診斷[A];2013年中國智能自動化學術會議論文集（第四分冊）[C];2013年

6 李銳;;化學技術監(jiān)督在變壓器故障診斷中的應用[A];2009年云南電力技術論壇論文集（文摘部分）[C];2009年

7 李銳;;化學技術監(jiān)督在變壓器故障診斷中的應用[A];2009年云南電力技術論壇論文集（優(yōu)秀論文部分）[C];2009年

8 于虹;張永剛;;基于模擬退火和支持向量機理論的變壓器故障診斷方法[A];2011年云南電力技術論壇論文集（入選部分）[C];2011年

9 胡澤江;張海濤;;可拓關聯(lián)函數(shù)與屬性約簡相結合的變壓器故障診斷方法[A];2011年云南電力技術論壇論文集（入選部分）[C];2011年

10 李銳;;化學技術監(jiān)督在變壓器故障診斷中的應用[A];2009年全國輸變電設備狀態(tài)檢修技術交流研討會論文集[C];2009年

相關重要報紙文章 前1條

1 廣西龍州縣鴨水電廠 王f ;變壓器故障診斷方法的探討[N];中華合作時報;2004年

相關博士學位論文 前10條

1 鄧宏貴;可拓理論與關聯(lián)分析及其在變壓器故障診斷中的應用[D];中南大學;2005年

2 蘇宏升;軟計算方法及其在電力系統(tǒng)故障診斷中的若干應用研究[D];西南交通大學;2007年

3 趙文清;基于數(shù)據(jù)挖掘的變壓器故障診斷和預測研究[D];華北電力大學（河北）;2009年

4 鄭元兵;變壓器故障診斷與預測集成學習方法及維修決策模型研究[D];重慶大學;2011年

5 陳舵;模糊聚類分析及其在電力變壓器故障診斷中的應用研究[D];西安理工大學;2008年

6 鄭蕊蕊;智能信息處理理論的電力變壓器故障診斷方法[D];吉林大學;2010年

7 尹金良;基于相關向量機的油浸式電力變壓器故障診斷方法研究[D];華北電力大學;2013年

8 司馬莉萍;基于改進支持向量機的電力變壓器故障診斷與預測方法的研究[D];武漢大學;2012年

9 張利偉;油浸式電力變壓器故障診斷方法研究[D];華北電力大學;2014年

10 武中利;電力變壓器故障診斷方法研究[D];華北電力大學;2013年

相關碩士學位論文 前10條

1 易超人;基于支持向量機的電力變壓器故障診斷與預測研究[D];武漢理工大學;2018年

2 張耀鵬;基于決策樹算法的扼流適配變壓器故障診斷系統(tǒng)研究與設計[D];北京交通大學;2018年

3 肖乾望;基于改進的模糊C均值聚類算法的變壓器故障診斷研究[D];東南大學;2017年

4 何子襄;深度混合網(wǎng)絡研究及其在變壓器故障診斷中的應用[D];華北電力大學;2018年

5 雷倩;基于深度神經(jīng)網(wǎng)絡和貝葉斯網(wǎng)絡的電力設備故障診斷方法研究[D];華北電力大學;2018年

6 周國慶;基于量子遺傳神經(jīng)網(wǎng)絡的變壓器故障診斷研究[D];華北理工大學;2018年

7 魏雪倩;基于向量機的變壓器故障診斷研究[D];西安工程大學;2018年

8 趙洋;智能診斷方法在電力變壓器故障識別中的應用研究[D];西安工程大學;2018年

9 張俞;基于信息物理融合的變壓器故障診斷研究[D];華北電力大學(北京);2018年

10 李婭菲;基于魚群算法優(yōu)化BP神經(jīng)網(wǎng)絡的變壓器故障診斷研究[D];湖北工業(yè)大學;2018年

本文編號：2633899