電力變壓器狀態(tài)評(píng)估及故障診斷方法研究.pdf

1、電力變壓器是電網(wǎng)中能量轉(zhuǎn)換、傳輸?shù)暮诵?，是電網(wǎng)安全第一道防御系統(tǒng)中的關(guān)鍵樞紐設(shè)備。目前，我國已有較多變壓器運(yùn)行年限超過20年，這些運(yùn)行中的變壓器面臨著日益嚴(yán)重的如設(shè)備故障和絕緣老化問題，發(fā)生事故的概率不斷增加。變壓器一旦發(fā)生事故可能會(huì)造成設(shè)備資產(chǎn)和大停電等巨大損失，甚至?xí)a(chǎn)生嚴(yán)重的社會(huì)影響。因此，對(duì)電力變壓器進(jìn)行有效的狀態(tài)評(píng)估和深入的故障診斷研究，指導(dǎo)變壓器的運(yùn)行維護(hù)和狀態(tài)檢修，預(yù)防和降低故障的發(fā)生幾率，具有重要的理論和實(shí)際意義。

2、>　　 論文在搜集整理大量技術(shù)標(biāo)準(zhǔn)、規(guī)程導(dǎo)則、專家經(jīng)驗(yàn)以及變壓器實(shí)際運(yùn)行狀態(tài)數(shù)據(jù)的基礎(chǔ)上，深入研究了電力變壓器狀態(tài)評(píng)估的指標(biāo)體系、評(píng)估方法和決策準(zhǔn)則以及基于支持向量機(jī)和智能優(yōu)化算法的變壓器故障診斷技術(shù)，對(duì)變壓器狀態(tài)評(píng)估的集對(duì)分析方法和模糊與證據(jù)推理融合的絕緣狀態(tài)評(píng)估模型進(jìn)行了研究，在以油中溶解氣體為特征量的變壓器故障診斷方法研究上取得了一定進(jìn)展，論文取得的創(chuàng)新性成果主要有：
　　 在對(duì)變壓器狀態(tài)等級(jí)劃分和指標(biāo)參數(shù)提取的基礎(chǔ)上，

3、針對(duì)狀態(tài)信息具有模糊和信息不完全所致的不確定性問題，提出了基于集對(duì)分析理論的電力變壓器狀態(tài)評(píng)估策略，構(gòu)建了集對(duì)分析算法及實(shí)現(xiàn)步驟，用聯(lián)系度及其數(shù)學(xué)表達(dá)式統(tǒng)一描述系統(tǒng)狀態(tài)的不確定性問題，并結(jié)合信度準(zhǔn)則實(shí)現(xiàn)了對(duì)變壓器狀態(tài)的評(píng)估，為電力變壓器狀態(tài)評(píng)估提供了一種新的思路。
　　 針對(duì)變壓器絕緣狀態(tài)評(píng)估中存在影響評(píng)估結(jié)果因素多、評(píng)估因素不相容且影響程度又不盡相同的難題，提出了基于模糊和證據(jù)推理融合的變壓器絕緣狀態(tài)合決策模型，構(gòu)建了模糊隸屬

4、度函數(shù)來描述評(píng)估模型的因素層指標(biāo)，根據(jù)模糊評(píng)估結(jié)果確定證據(jù)推理決策模型的原始基本概率分配，利用證據(jù)融合得到了辨識(shí)框架中基本概率分配函數(shù)，最后基于最大基本概率分配函數(shù)決策規(guī)則進(jìn)行評(píng)估目標(biāo)判定。
　　 將多分類最小二乘支持向量機(jī)(LS-SVM)應(yīng)用于電力變壓器故障診斷中，通過組合編碼構(gòu)造多個(gè)二分類LS-SVM分類器實(shí)現(xiàn)多類分類。利用粒子群優(yōu)化(PSO)算法獲得LS-SVM分類模型的最優(yōu)參數(shù)，應(yīng)用交叉驗(yàn)證(CV)的思想來提高分類算法的

5、整體泛化性能，并采用加州大學(xué)歐文分校機(jī)器學(xué)習(xí)數(shù)據(jù)庫的基準(zhǔn)數(shù)據(jù)集進(jìn)行驗(yàn)證。變壓器故障診斷實(shí)例分析表明，提出的基于PSO和LS-SVM分類方法對(duì)電力變壓器進(jìn)行故障診斷是準(zhǔn)確和有效的；與傳統(tǒng)的IEC三比值法、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)及標(biāo)準(zhǔn)支持向量機(jī)(SVM)的變壓器故障診斷方法相比，提出的方法在訓(xùn)練和測(cè)試階段都獲得了較高的準(zhǔn)確率。
　　 針對(duì)經(jīng)典PSO算法在實(shí)際應(yīng)用中容易陷入局部最優(yōu)的缺點(diǎn)，提出了帶時(shí)

6、變加速系數(shù)的PSO算法(PSO-TVAC)優(yōu)化SVM模型。引入動(dòng)態(tài)慣性權(quán)：重和加速系數(shù)，控制了PSO算法的開發(fā)(exploitation)和探索(exploration)能力，平衡了PSO的全局搜索和局部搜索性能，實(shí)驗(yàn)證明，基于改進(jìn)PSO算法的故障診斷收斂速度快，計(jì)算精度高，診斷效果更好。
　　 研究了基于支持向量機(jī)回歸(SVR)理論的預(yù)測(cè)方法，建立了基于PSO-TVAC優(yōu)化最小二乘支持向量機(jī)回歸(LS-SVR)和小波最小二乘支

7、持向量機(jī)回歸(W-LSSVR)的變壓器油中溶解氣體預(yù)測(cè)模型，避免了傳統(tǒng)SVR方法中回歸問題未知變量數(shù)目的膨脹，同時(shí)簡化了支持向量機(jī)回歸的參數(shù)優(yōu)化。實(shí)例研究表明，提出的油中溶解氣體預(yù)測(cè)模型較BPNN、RBFNN、廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)及ε-SVR預(yù)測(cè)方法相比，無論在預(yù)測(cè)精度和穩(wěn)定性方面均具有很大的優(yōu)勢(shì)。
　　 在研究變壓器油中溶解氣體預(yù)測(cè)實(shí)質(zhì)的基礎(chǔ)上，為了能夠進(jìn)一步掌握油中溶解氣體的發(fā)展變化趨勢(shì)，首次提出了基于模糊信息粒化支