發(fā)布時間：2020-11-01 16:17

　　 電力變壓器是電網中重要的電氣設備之一,電力變壓器的可靠對電網的穩(wěn)定有著重要的意義。電力變壓器一旦發(fā)生故障,電力系統(tǒng)的穩(wěn)定將難以為繼,嚴重的情況下電力系統(tǒng)將會瓦解。甚至會造成重大的經濟損失。因此,對電力變壓器實時在線的診斷是非常有必要的,不僅可以提前發(fā)現電力變壓器一些潛伏性的故障,還可以對電力變壓器的早期故障進行診斷。目前,變壓器的故障診斷已經形成了一套體系,電力變壓器油中溶解氣體含量與變壓器潛伏性故障具有非線性的對應關系。傳統(tǒng)的方法就是通過分析變壓器油中溶解氣體含量來分析電力變壓器的故障類型。然而,變壓器故障診斷存在很多問題,如傳統(tǒng)的診斷方法容易陷入局部最優(yōu)而不能達到全局最優(yōu),使診斷結果出現較大的偏差;傳統(tǒng)支持向量機的模型參數對電力變壓器故障診斷精確度影響較大;電力變壓器故障數據不易獲取以及電力變壓器故障診斷正確率不高的問題。針對以上問題,本文提出一種兩級級聯(lián)的電力變壓器故障診斷算法。首先采用關聯(lián)氣體的方法對電力變壓器是否故障進行初始判別。在分別介紹遺傳算法、支持向量機的基本思想、基本原理的基礎上,用遺傳算法對支持向量機的模型參數進行優(yōu)化直至其模型參數達到最優(yōu),接著采用優(yōu)化好的支持向量機分類器對電力變壓器具體故障進行判別分類。最后,將本文所用的基于關聯(lián)氣體和遺傳算法優(yōu)化的支持向量機的故障診斷同IEC三比值法進行對比。結果表明:遺傳算法優(yōu)化支持向量機能夠有效識別變壓器故障,且故障診斷的正確率比三比值法正確率更高。
【學位單位】：西安理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TM407
【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 變壓器故障診斷的研究現狀
        1.2.1 三比值法的研究現狀
        1.2.2 人工神經網絡的研究現狀
        1.2.3 支持向量機的研究現狀
        1.2.4 遺傳算法的研究現狀
    1.3 本文研究的主要內容
2 利用關聯(lián)氣體方法對電力變壓器是否故障進行初始篩選
    2.1 電力變壓器的主要故障
        2.1.1 電力變壓器故障的分類
        2.1.2 電力變壓器故障的原因和現象
        2.1.3 電力變壓器故障診斷方法
    2.2 電力變壓器在線診斷系統(tǒng)
        2.2.1 在線診斷系統(tǒng)的意義
        2.2.2 電力變壓器在線診斷的原理和范圍
        2.2.3 電力變壓器油中溶解氣體在線診斷技術
        2.2.4 電力變壓器在線診斷的條件
    2.3 關聯(lián)氣體對變壓器是否發(fā)生故障診斷的優(yōu)點
        2.3.1 關聯(lián)氣體法對故障初始篩選的原理
    2.4 本章小結
3.電力變壓器實際故障實例分析
    3.0 特征氣體分析法
    3.1 三比值法
    3.2 案例分析
        3.2.1 高溫過熱性故障分析
        3.2.2 中溫過熱性故障分析
        3.2.3 低溫過熱性故障分析
        3.2.4 火花放電性故障分析
        3.2.5 局部放電性故障分析
        3.2.6 電弧放電性故障分析
    3.3 本章小結
4.遺傳算法優(yōu)化支持向量機變壓器故障分析
    4.1 遺傳算法
        4.1.1 適應度函數的選取
        4.1.2 選擇算子的確定
        4.1.3 交叉算子的選擇
        4.1.4 變異算子的選擇
    4.2 支持向量機
        4.2.1 線性分類器的原理
        4.2.2 非線性分類器的原理
        4.2.3 核函數的選取
    4.3 支持向量機的多分類問題
        4.3.1 一次求解多分類問題
        4.3.2 組合多分類問題
    4.4 遺傳算法優(yōu)化支持向量機的模型與仿真
        4.4.1 支持向量機參數對分類結果的影響
        4.4.2 遺傳算法對支持向量機參數優(yōu)化
        4.4.3 本文整體的算法流程
        4.4.4 輸入數據的數據化處理
        4.4.5 輸出故障類型
        4.4.6 驗證結果分析
    4.5 本章小結
5 結論與展望
    5.1 結論
    5.2 展望
致謝
參考文獻
附錄
    附錄1：碩士期間發(fā)表論文

【參考文獻】

相關期刊論文 前10條

1 陶新民;李震;劉福榮;張越;;基于精簡集支持向量機的變壓器故障檢測方法[J];高電壓技術;2016年10期

2 李思;;三比值法在變壓器故障類型判斷中的應用[J];中國高新技術企業(yè);2016年15期

3 陳玉烽;汪保;;基于關聯(lián)氣體報警的變壓器故障識別[J];寧波工程學院學報;2015年03期

4 陶棟琦;薄翠梅;易輝;;基于隨機森林的變壓器故障檢測方法的研究[J];電子器件;2015年04期

5 禹建麗;卞帥;;基于BP神經網絡的變壓器故障診斷模型[J];系統(tǒng)仿真學報;2014年06期

6 牛高遠;杜正聰;馮大海;;三比值法在變壓器故障診斷中的問題分析[J];攀枝花學院學報;2013年02期

7 張翔;宋子彤;楊致慧;周勤;郭創(chuàng)新;;一種基于負載率和設備檢測信息的油浸式變壓器故障率模型[J];電網技術;2013年04期

8 唐勇波;桂衛(wèi)華;歐陽偉;;主元分析和重構貢獻在變壓器故障檢測與診斷中的應用[J];機械科學與技術;2012年02期

9 鄭蕊蕊;趙繼印;趙婷婷;李敏;;基于遺傳支持向量機和灰色人工免疫算法的電力變壓器故障診斷[J];中國電機工程學報;2011年07期

10 趙文清;;基于選擇性貝葉斯分類器的變壓器故障診斷[J];電力自動化設備;2011年02期

相關博士學位論文 前3條

1 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

2 王維博;粒子群優(yōu)化算法研究及其應用[D];西南交通大學;2012年

3 鄒敏;基于支持向量機的水電機組故障診斷研究[D];華中科技大學;2007年

相關碩士學位論文 前4條

1 陳俊良;基于神經網絡的油浸式變壓器故障診斷分析[D];鄭州大學;2016年

2 祖文超;基于油中溶解氣體的支持向量機變壓器故障診斷[D];華北電力大學;2013年

3 高文軍;基于人工免疫算法優(yōu)化支持向量機的電力變壓器故障診斷研究[D];太原理工大學;2012年

4 楊青波;改進PSO-BP神經網絡在變壓器故障檢測中的研究和應用[D];重慶大學;2010年

本文編號：2865783