基于自适应概率神经网络的变压器健康状态评估北大核心CSCD

传统变压器状态评估方法,多关注设备当前状态分析,缺少全方位预测其潜在健康状态方法,也无法确定变压器将来的故障发生概率。本文提出了一种基于自适应概率神经网络的变压器健康状态评估方法。该方法,首先从变压器内部本体特征和外部实时监测环境两方面,确定变压器健康状态指标因子,并进行数据预处理得到不相关的指标因子;然后,根据指标因子和样本标签,引入自适应参数训练,训练出用于预测的概率神经网络模型;最后,利用模型参数,通过将指标分为静态基础指标和动态可变指标,前者直接输入到网络中,后者利用AMIRA模型进行预测之后输入到网络中,得到变压器健康状态评估值。实验结果表明,该模型可获得更加准确的状态评估值,支撑变压器状态监测和预警工作。     

基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。     

基于T-S模型的电力变压器顶层油温预测研究

为准确估算电力变压器绕组热点温度，对变压器安全运行和寿命评估提供辅助依据，建立了一个基于Takagi- Sugeno(T-S))的变压器顶层油温预测模型。模型的前件参数由模糊C均值聚类算法确定，后件参数由加权最小二乘法离线辨识，并用现场实测数据对模型后件参数进行在线调整。通过对实测数据的仿真实验表明，该模型以简单的模糊规则实现了变压器顶层油温的预测，且模型的预测精度优于IEEE推荐的变压器顶层油温经验模型，从而提高其绕组热点温度计算的精度。     

基于变压器绝缘劣化降级时间预测的绝缘老化评估方法

电力变压器绝缘老化评估为电网的长期安全稳定运行提供了技术支持，在保证非破坏性试验的基础上，对绝缘状态进行诊断也是一直以来的研究热点。文中基于广义维纳过程对变压器建立老化模型，通过相关试验数据得到老化诊断指标，从而衡量变压器绝缘老化状态。对变压器健康状态进行分级，采用上述模型预测最短降级时间，相比于直接进行寿命预测，短期预测可以将未来人为操作信息纳入模型，最大化解决信息挖掘不充分的问题。最后对老化评估模型的相关分布参数进行优化求解，采用内蒙古电网设备真实历史数据迭代训练，得到适用于该地区的变压器老化状态评估模型，验证了该方法可以准确的评估变压器的老化状态。     

基于时序NARX自适应神经网络的油浸式变压器绕组温度预测

变压器绕组热点温度过高会导致绝缘老化速度变快,剩余寿命变短。为此提出了一种基于时序性外因非线性自回归(NARX)的自适应神经网络模型以获得更精准的绕组热点温度预测数据。首先,确定影响变压器绕组温度的外部特征因子种类;然后,对变压器绕组热点数据和其他数据进行预处理;最后,将处理后的数据输入时序NARX自适应神经网络模型进行训练和调参,完成模型的构建。经实例验证,提出的外因NARX自适应神经网络绕组热点温度预测模型能对不同类型变压器数据进行特定的预处理,并且与支持向量机回归、回归树、高斯核回归方法相比,预测误差更小,在提高精度上具有更大优势。     

基于Transformer神经网络的变压器状态监测

电力变压器是电力系统的关键设备,为保障电力系统健康稳定运行,对电力变压器开展状态监测十分必要。提出基于Transformer神经网络的变压器状态监测方法,Transformer神经网络具有自注意力机制,能够挖掘不同特征维度之间的关联性,为变压器状态监测提供更可靠的决策能力。在进行变压器数据收集时,将采集到的数据集分为健康、亚健康、病态3个类别;之后采用原始数据、小波特征以及傅里叶特征融合的方式对数据进行预处理,增加特征维度;通过数据生成和Focal Loss的方法降低模型训练时数据不平衡带来影响,再将处理后的数据输入Transformer神经网络进行模型训练,最终利用训练好的模型预测变压器健康状态。与传统机器学习方法、卷积神经网络、长短时记忆网络相对比,所提方法预测精度有明显提升,能够准确的监测变压器设备状态,预测准确率能达到90%,是一种有效的变压器状态监测方法。     

基于模糊层次分析法的变压器状态评估

变压器状态评估是一个系统的过程,选取合适的方法能够快速地对其运行状态进行准确的评价。综合变压器的特点提出了一种基于模糊层次分析法的变压器状态评估方法。该方法在合理运用模糊层次分析法的同时克服了主观因素的缺陷,通过历史统计数据确定模糊判断矩阵,并通过模糊层次分析法计算权重,采集现场状态量数据对各层次状态评分加权求和,最终确定变压器整体健康状态。此方法同时考虑现场实测数据和历史统计数据,计算结果准确,过程清晰。代入实际数据后,计算结果表明该方法能够准确评估变压器运行健康状态,若变压器处于非正常状态,则通过各故障类型打分分析判断具体异常原因。所提方法在进行变压器状态评估时具有广阔的应用前景。     

变压器状态及寿命的分层评估模型及应用

变压器状态及寿命的准确评估对电力系统的安全、稳定及经济运行具有重要意义。在引入英国EA公司的电力设备健康状况老化公式的基础上,构建了变压器状态及寿命的分层评估模型,该模型包括健康指数模型、变压器运行性能健康指数模型以及基于可靠性的变压器健康指数模型。综合考虑这三类健康指数模型的重要性,运用层次分析法确定权重,提出了变压器总体健康指数模型,并以此为基础实现变压器的状态和寿命评估。通过算例进行了验证,结果表明该评估方法能较为准确地评估变压器的寿命及健康状态。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

基于中心距和样本特征的换流变压器模糊状态评估模型

换流变压器是高压直流输电工程中的枢纽设备,随着投运年限的增加,其绝缘问题日益突出,对其运行状态进行评估以指导运维工作就显得尤为重要。文中综合分析了换流变压器的结构和工作特性,建立了全面的换流变压器评估指标体系;提出了一种基于模糊层次分析的换流变压器状态评估方法,避免了主观因素影响;以不同时段内换流变压器运维数据样本为基础,建立了多个带有样本特征的换流变压器模糊状态评估模型,通过中心距融合法,得到了基于样本特征的换流变压器综合模糊状态评估模型。本方法以实测数据和运维统计数据为基础,充分体现了换流变结构特点和不同时段内运行特性,具有较高的精度和较广泛的适用范围。     

基于模糊综合评判的电力变压器运行状态评估模型

研究了结合模糊理论对变压器运行状态进行模糊评价的多级评估方法。首先,以预防性试验为基础,综合考虑工作环境、运行资料、检修记录和附件情况,建立层次型评估指标体系。引入了相对劣化度来表征变压器实际状态向故障转化的相对劣化程度;以相对劣化度为输入,搭建神经网络确定了色谱状态量的隶属函数;利用模糊统计试验法和模糊分布法分别建立了定性指标和其余定量指标相对劣化度的隶属函数。在此基础上,基于模糊综合评判思想建立电力变压器运行状态评估模型,分别对各层评判因素进行了评估,并综合得出变压器的运行状态。经实例分析表明,基于模糊综合评判的电力变压器运行状态评估方法是合理和有效的。     

带变权的电力变压器状态模糊综合评判

针对常权无法客观反映电力变压器部分参数偏离正常值时对整体评估影响的不足,提出了带变权的状态综合模糊评判方法。通过分析影响变压器状态主要方面的特征参量,建立了层次型评估指标体系;在用层次分析法确定指标常权的基础上,引入了基于均衡函数的变权模式,综合考虑指标间的均衡性,并根据实际数据偏离正常值的大小,对常权修正得到变权;最后利用模糊理论确定单因素对各状态等级的隶属度,并基于多级模糊评判的思想分别对各层进行评判,综合得出了变压器状态。用实例比较变权与常权模糊评判的结果表明,应用基于均衡函数的变权综合比常权更合理、客观,其评判结论更接近变压器真实的运行状态。     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。     

基于变压器马尔可夫状态评估模型和熵权模糊评价方法的风险评估技术研究

为建立有效的电力变压器设备风险评估方法,针对变压器故障机理的复杂性和不确定性特征,提出了基于状态检修和马尔可夫过程的变压器全态状态评估模型。利用分指标研究变压器缺陷严重度,结合变压器分部位故障频率计算模型,采用熵权模糊计算量化变压器设备风险等级,构建设备风险评估矩阵,给出了一种新的变压器运行风险评估方法。仿真程序实例计算结果表明,所提方法能够准确计算变压器各组成部分的风险值,并获得针对性的维修策略,变压器风险评估结论是准确、有效的。     

基于随机模糊理论的变压器经济寿命评估

对电力变压器进行经济寿命评估,可以有效保障电网安全运行、提高企业经济效益。以全寿命周期成本理论为指导,将环境成本和社会责任成本纳入变压器全寿命周期成本中,建立了更为全面的变压器全寿命周期成本模型。针对评估参数随机、模糊不确定性共存或交叉存在的特点,引入能同时处理这两种不确定性的随机模糊理论处理评估参数,建立了新的变压器经济寿命评估模型。此模型不但可以得到变压器经济寿命期望值,还能够得到不同置信水平下的经济寿命区间以及相同跨度的区间中机会测度最大的经济寿命区间。实例结果表明,将随机模糊理论应用到变压器经济寿命评估中是有效可行的,可以为决策者提供更为详细和多元化的信息,具有一定的参考价值。     

基于模糊综合评估模型与信息融合的电力变压器 状态评估方法

针对电力变压器状态评估中存在多特征指标和多故障类型问题,提出一种基于模糊综合评估模型和皮尔逊相关系数的改进D-S证据理论的变压器状态评估方法。建立了变压器状态评估体系,引入层次分析方法和改进的三角梯形隶属函数确定特征指标的基本概率。基于皮尔逊相关系数的改进D-S证据理论融合不同特征指标以评判变压器综合状态评估。经过实例分析,该方法的评价结果与变压器实际运行状态一致,其准确率达到95.83%,验证了该方法的合理性和可行性。该方法对变压器状态评估具有一定的参考价值。     

基于非线性主分量分析-多层感知器网络的变压器油中溶解气体数据分析

采用人工神经网络进行变压器DGA数据的分析与诊断。为全面评价变压器的实际运行状况，综合利用了各特征气体含量及其比值信息，并借鉴模糊数据处理思想构造初始输入特征集合。借助一个特殊的复合神经网络进行数据分析与故障诊断。其中，非线性主分量分析网络执行多元输入特征信息的融合及主特征选择，形成待识别故障类的敏感特征量；随后的多层感知器执行故障模式识别。试验结果表明，在DGA分析的基础上，应用非线性主分量分析－多层感知器复合神经网络可有效实现变压器不同故障模式的智能化识别，获得较好的诊断结果。     

分层式信息融合在变压器状态评估中的应用

变压器的健康状态直接影响着整个电力系统的安全运行,为此,提出了分层式信息融合的变压器健康状态评估方法.该方法通过融合神经网络和D-S证据理论,解决了因变压器信息参数繁多而造成的网络结构复杂和庞大等一系列问题,也为D-S证据理论中的基本可信度分配提供了有效的依据.实例表明,该方法具有较高的诊断准确性和可靠性.     

基于混沌序列优化的BP网络油纸绝缘变压器寿命预测

变压器在服役期间其各个部分都会发生老化,影响其使用寿命。通过刻画其健康程度有助于电力部门预测变压器在运行期间的故障率以及剩余寿命,对确保变压器的安全运行极为重要。文中利用变压器故障浴盆曲线的思想,对收集到的变压器故障率进行Weibull拟合,得到故障率曲线;考虑变压器运行环境与负荷因素,利用糠醛含量构建健康指数剩余寿命预测模型。通过混沌序列优化BP神经网络权重参数进行数据挖掘,构建起多参数关联的变压器寿命预测模型,并引入交叉验证机制提高网络泛化能力。通过实例训练与测试对比,说明提出的方法有较高的预测精度,能准确运用于变压器的寿命预测。