基于油中溶解气体谱图的变压器故障识别方法

根据油中溶解气体含量对电力变压器进行故障诊断,一个关键环节是如何从故障气体数据中提取有效反映故障特性的特征量。论文提出了基于特征气体谱图形状参数识别变压器故障的方法,以5种油中溶解气体:乙炔、氢气、乙烷、甲烷和乙烯的相对含量构建了故障的特征气体谱图,并将图形偏斜性、突出性等形状参数作为特征量应用于变压器的故障诊断。应用的结果表明,这种方法有效区分变压器的放电性故障、过热性故障以及"氢主导型"故障,且识别效果达到90%以上,明显优于实践中常用的三比值方法。     

变压器油中溶解气体的智能诊断

提出一种正-负-零的面积关联度,通过其计算数值,确定待诊断变压器油中溶解气体序列和标准故障模式序列间的相似性与相近性.实例分析表明,正-负-零面积关联度诊断的结果与实际情况完全吻合,与传统的灰色面积关联度相比,能更全面、更准确地诊断变压器的内部故障类型.     

基于油中溶解气体分析的变压器绝缘故障模糊诊断及应用

变压器绝缘故障诊断问题是电力系统维护中的关键问题,常用的故障诊断方法一般是基于油中溶解气体分析法的。重点介绍了基于油中溶解气体分析的一种新方法,即变压器绝缘故障模糊诊断法,在分析一般故障诊断方法优缺点的基础上,根据实例验证了将模糊诊断法应用于电力变压器绝缘故障诊断的可行性。     

基于油中溶解气体的变压器内部故障分析

变压器油中溶解气体分析技术,是用气相色谱分析变压器油样中溶解气体的成分和含量,判定变压器有无内部故障,诊断故障类型,并推定故障点的温度、故障能量等。介绍了变压器故障时产气特征,分析了基于三比值法的变压器故障类型判断方法,并结合三个实际案例分析了此方法的故障诊断效果。     

基于油中溶解气体在线监测的变压器故障动态预警方法分析

目前,我国110kV及以上等级的大型电力变压器主要采用油纸绝缘结构,变压器油同时承担着绝缘介质和冷却媒质的作用,是油浸式变压器的重要组成部分.变压器油中包含70％的变压器故障信息,对油中溶解气体进行色谱分析是常用有效的一种变压器故障诊断方法.通过总结利用变压器油中溶解气体进行故障诊断的两大类经典方法,在此基础上分析并提...     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP(Back-Propagation)网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35.4%,收敛速度提高了44.9%,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90.8%。     

基于组合模型的电力变压器故障诊断

为了综合全面地诊断电力变压器故障,克服单项诊断方法考虑问题角度单一,不能重复利用已知信息,诊断准确度和稳定性不高的缺点,并结合电力变压器油中溶解气体的数据,提出了利用组合模型诊断变压器故障.该方法将灰关联熵、小波神经网络、模糊粗糙集、支持向量机和IEC三比值作为独立诊断模块,利用熵值法优化得到各个模块的最佳权重,最终得到发生故障最大概率所属类型.通过实例验证,组合诊断法优于单项诊断方法,提高了故障诊断精度,减少了误判率,诊断的稳定性得到提升.     

三比值法在变压器故障诊断中的问题分析

指出了《变压器油中溶解气体分析和判断导则》前后两个版本的不同之处,针对变压器故障原因具有复杂性,故障类型多样化的特点,结合实际案例,分析了用三比值法和改良三比值法进行故障诊断时容易出现误判的情况,归纳总结了在具体的变压器故障诊断中应注意的各种问题。     

基于油中溶解气体分析的电力变压器故障诊断方法

电力变压器故障是直接影响电力系统正常运转的关键因素,对其故障的诊断具有重要意义。文章阐述了基于油中溶解气体分析的电力变压器故障诊断方法,包括:三比值法以及基于有溶解分析法的模糊理论、专家系统、灰色系统理论等。为更好的诊断电力变压器故障提供新的思路。     

通过气相色谱分析变压器的潜伏性故障

利用气相色谱法预测变压器的潜伏性故障是通过定性、定量分析溶于变压器油中的气体来实现的。由于故障气体的组成和含量与故障的类型和故障的严重性有密切关系,所以定期分析溶解于变压器油中的气体就能及早发现变压器内部存在的潜伏性故障,并随时掌握故障的发展程度。通过一些成熟的分析方法,就能够充分掌握变压器的运行状态,提早发现变压器内部故障并给与准确的故障诊断,防止重大事故的发生。     

基于LSSVM概率输出与证据理论融合的变压器故障诊断

为了利用相对较少的故障数据样本对变压器主要故障类型进行较准确的判断,基于智能互补和数据融合的思想,提出基于最小二乘支持向量机LSSVM( least square support vector machine)概率输出与证据理论融合的故障诊断方法。该诊断方法具有以下特点：可融合蕴含变压器运行状态的多种特征信息,输出变压器各种故障的概率,为变压器检修提供更多的可用信息;充分发挥了LSSVM在小样本情况下具有较强泛化能力的优势。算例结果表明,该诊断方法的故障诊断准确率达到91.1%,优于传统的IEC三比值法(故障诊断准确率75.6%)及LSSVM分类法(故障诊断准确率82.2%),有效降低了诊断误判的风险。     

基于BP网络模式识别的变压器故障诊断

针对传统的离线色谱分析法在变压器故障诊断中的不足，提出了一种基于BP网络模式识别的变压器在线故障诊断方法。阐述了模式识别的原理。建立了诊断模型，给出训练精度。通过将BP网络诊断结果与传统三比值法诊断结果的对比，验证了该诊断方法的准确性与有效性。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

基于灰色关联与故障树分析法的汽车制动系统故障诊断

为了提高汽车制动系统的故障诊断能力和效率,在传统的故障树模型的基础上,引入灰色关联分析方法,建立了基于灰色关联度的故障模式分析模型。依据故障树底事件的重要度,计算出各故障模式之间关联度,并按大小进行排列,从而确定导致汽车制动系统失效因素发生的优先顺序。该方法在实践中不仅可以提高诊断工作的效率,也为汽车可靠性设计提供理论依据。     

电力变压器状态评估的加权灰靶心度分析法

针对电力变压器状态评估采用极大值极性不能正确评估正常运行状态的问题,提出一种采用加权灰靶心度算法根据电力变压器油中溶解气体含量数据以正常运行状态为标准模式的电力变压器状态评估方法。在对电力变压器状态按程度分级统计资料的基础上,提出了5级分级策略;根据电力变压器故障标准谱采用灰贡献度分析法研究确定了电力变压器油中溶解气体的权重;依据电力变压器油中溶解气体之间此消彼长的关系,提出了以正常状态为标准模式的电力变压器状态评估的加权灰靶心度分析方法,克服了采用极大值极性不能评估正常状态的问题。实验表明,该方法更符合电力变压器状态评估的实际情况,是一种科学有效的评估方法。     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型．该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效地解决了确定模型参数时耗时巨大的问题，并一定程度提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5％，过热性故障样本正确判断率为85．9％，说明该模型具有很好的分类效果和推广能力．     

煤矿铁路巡道员伤亡事故灰关联故障树诊断

将灰色系统理论中的灰关联分析方法与可靠性理论中的故障树分析方法结合,引入到煤矿铁路巡道员伤亡事故的分析诊断中,通过计算故障树底事件结构中的重要度以及灰关联度的计算和排序,对煤矿铁路巡道人员被机车车辆撞轧故障树分析中各种故障模式发生可能性的大小进行了分析判断,在13个底事件构成的24个最小割集中,气候条件恶劣最易产生寻道员伤亡事故,曲线地段或臆测行事也较易产生巡道员伤亡事故,从而为准确预防事故的发生提供了理论依据,计算实例表明,这种方法行之有效,诊断结果可靠。     

遗传支持向量机在电力变压器故障诊断中的应用

针对支持向量机中的参数通常靠交叉试验来确定的状况,提出了遗传支持向量机,即使用遗传算法来优化支持向量机中的参数,并将之进一步应用在基于溶解气体分析的变压器故障诊断中.以变压器油中5种主要特征气体作为支持向量机的输入,以7种变压器状态作为相应的输出,选用径向基核,使用遗传算法得到优化参数,充分发挥了支持向量机具有较高泛化能力的优势.实验表明,本文方法能够在较大范围内准确地找到相应的优化参数,并能有效地进行变压器的故障诊断.