基于支持向量机的油浸式电力变压器故障诊断方法研究

在电力网络中变压器是非常重要的电气设备,对电力网络的正常运行具有非常重要的作用,利用变压器油中溶解气体组成的分析,对电力变压器运行中的故障进行诊断具有重要意义。采用支持向量机(SVM)算法分析变压器油中溶解气体组成并进行故障诊断,选取了SVM核函数及最优参数并构造了OVR-SVM多类分类器。最后,基于DGA数据的实验结果显示,这种故障诊断方法具有很好的效果。     

基于K-L特征提取与支持向量机的油浸式变压器故障诊断模型研究

针对变压器多故障问题,提出了基于Mercer核函数的欧式距离查询策略算法,并建立了基于Karhunen-Loeve(K-L)特征提取与支持向量机的变压器故障诊断模型,利用K-L变换提取信号的特征值,最后通过支持向量机学习算法完成对信号的选择与分类。通过实例应用表明:所训练的SVM分类器较之直接任意选取训练样本作为训练集的传统方法具有更高的诊断率。     

浅谈油浸式变压器密封结构

浅谈油浸式变压器密封结构陈育才（沈阳变压器厂）油浸式变压器的密封性能的好坏，是变压器制造厂和运行单位所关注的问题。变压器的渗漏油不仅危及变压器的安全运行，也严重的影响了整体外观。目前油浸式变压器的密封结构多数是没有限位的密封结构，密封胶垫受到压紧力时...     

油浸式电力变压器过载限值分析

针对油浸式电力变压器过载状态，对过载所造成的长期危险性、短期危险性进行了分析，提出了油浸式电力变压器过载限值的建议，正常大型变压器过载能力不能超过额定负载值的45％，时间不超过25min，能够合理利用变压器的能力。     

推广采用节能型油浸式电力变压器

一、前言 80年代我国电力工业获得了持续发展,至1990年底全国装机容量已达1.3 5亿kW,年发电量6150亿kW·h,装机容量和发电量仅次于美、苏、日,居世界第四位。引进技术国产单机容量600MW的发电机组     

油浸式变压器用散热器温度场数值模拟

采用CFX软件对强油循环风冷变压器用散热器内温度场进行了数值模拟,给出了模拟结果,并与试验值进行了比较.     

油浸式变压器用热交换装置综述(中)

当油浸式电力变压器容量超过50MVA时，就可考虑采用风冷却器。风冷却器通过油泵将变压器顶层高温油送入冷却器冷却管内，将其产生的热量传给冷却管内壁和翅片，再由管壁和翅片向空气放出热量；与此同时，在冷却器空气侧由风扇强制吹风或抽风，将冷空气吹入冷却器冷却管束内以带走由冷却管束放出的热量，使热油加速冷却。冷却后的油就从冷却器下端进入变压器下部油箱内或直接进入绕组油道中。目前国内外变压器制造厂均逐渐采用大功率冷却器，风冷却器外形结构见图11。     

变压器色谱监测中的BPNN故障诊断法

本文将ＢＰ神经网络应用于变压器故障诊断。通过验证，结果显示ＢＰＮＮ诊断法有良好的应用前景。     

基于贝叶斯网络分类器的变压器综合故障诊断方法

鉴于电力变压器故障诊断中的信息和知识具有随机性和不确定性的特点,利用贝叶斯网络表达知识灵活、分析处理不确定性与关联性问题能力强的优点,本文提出了一种基于贝叶斯网络分类器的以溶解气体分析为主结合其他电气试验结果的变压器综合故障诊断方法,并建立了变压器朴素贝叶斯网络故障诊断模型和TAN故障诊断模型.文中详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数,提高诊断效果.实例验证表明了该方法的有效性.     

自构形神经网络在变压器故障诊断中的应用

神经网络已广泛应用于设备的故障诊断中.鉴于神经网络的性能和诊断能力与网络的拓扑结构和学习算法有着密切的联系,本文研究并实现了在故障诊断应用中能进行自构形的神经网络模型,改善了全局收敛性和节点总体饱和度,并较好地应用于变压器故障诊断实践中.     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

模糊距优距离用于气体分析诊断变压器故障

提出了一种模糊距优距离的变压器故障气体分析诊断算法,给出了该算法的推理、计算及仿真结果。结果表明:该算法故障识别率较高,具有实用性。     

GA-BP混合算法在变压器色谱诊断法中的应用

将一种改进的遗传操作与人工神经网络相结合的混合算法应用于电力变压器的故障诊断,有效地解决了常规BP算法易陷入局部极小、收敛速度慢和基本遗传算法早熟等缺点。实例仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。     

电力变压器BP神经网络故障诊断法的比较研究

将BPNN应用于电力变压器故障诊断,并对变压器绝缘油常用的5种溶解气体分析标准进行了神经网络效率的比较研究。这些标准是改进的Rogers,IEC,Doernenburg,Duva和CSUS。研究显示,所运用的诊断标准或方法不同,神经网络诊断电力变压器故障的效率也不相同,其值在88.3%～96.7%范围内;根据这些标准所设计的四比值法(FGR)和6种特征气体法(SKG)具有更高的诊断效率。验证结果显示,BP神经网络诊断法适合于变压器潜伏性故障的诊断。     

神经网络诊断变压器故障的新方法

介绍了一种用于信号分类识别的小波神经网络,其网络权值由小波函数集充当,并在学习过程中应用了共轭梯度法。将此小波神经网络用于变压器油色谱诊断,经仿真计算,证实它具有比ＢＰ网络更好的逼近性能,可以达到较高的准确率。     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

基于Kohonen网络的电力变压器故障诊断方法

利用基于竞争学习理论的Ｋｏｈｏｎｅｎ自组织网络模型，设计了一种新的变压器故障诊断该当这。介绍了Ｋｏｈｏｎｅｎ网络的结构特点及其学习算法，阐述了利用Ｋｏｈｏｎｅｎ网络进行变压器故障诊断的具体方法，列举了诊断实例。