德班国际娱乐城轮盘

電力系統論文欄目提供最新電力系統論文格式、電力系統碩士論文范文。詳情咨詢QQ:357500023

電力變壓器故障智能診斷系統的研究

論文編號:lw201906210955271900 所屬欄目:電力系統論文 發布日期:2019年06月21日 論文作者:方強勝
摘要:因為電力變壓器出現問題時色層在線測試信息沒標簽,項目現場通常會出現很多沒標簽問題樣本,然而以往的問題檢查辦法在針對變壓器問題的類別做判斷時通常不能完全借助上面提到的沒標簽問題樣本。全文以深入學習神經網絡[1](Deep Learning Neural Network,DLNN)為基礎,建立了對應的區別模型,分解而且作用經典信息集對它分類功能進行檢測。在這個基礎上研究出一種電力變壓器問題檢測新辦法,可以充分使用多個電力變壓器色層在線測試沒標簽數據及少數出錯的電力變壓器油里溶解氣體分解[2] (Dissolved Gas-in-oil Analysis,DGA)檢測參數進行鍛煉,并且用概率方式得出問題檢測結論,具備更佳的問題辨別功能,可以為變壓器的維護提供更加正確的參照數據。
關鍵詞:故障診斷;電力變壓器;深度學習神經網絡;溶解氣體分析

引言
因為油浸式電力變壓器在不一樣的運轉情況下,油里的溶解氣體的種類以及數量不一樣,油里溶解氣體分解(Dissolved Gas-in-oil Analysis,DGA),長時間來變成判斷它運轉情況的一種有用的方法。由于人造智能的不斷優化,有更多的行業開始使用人造神經網(Artficial Neural Network,ANN)、支持向量機(Support Vector Machine,SVM)及極限學習機(Extreme Learning Machine,ELM)等電變壓器科技檢測手段來處理某些難題,但ANN 辦法溶解速度緩慢、而且不平穩; SVM辦法實際上是二分類運算法的一種,在多種類問題上會有建立學習器障礙和區分速度慢的缺陷,并且核函數的挑選以及參照值的確立有一定難度。深度入學習神經網 (Deep Learning Neural Network,DLNN)是2006年由Hinton專家研究出的一種深入機器學習辦法[3],有很強的在樣本中提煉特點和對特點進行轉變的能力,有較強的學習力,是最近這兩年世界研究及討論的一個熱點。現如今,它已經成功使用于語音辨別、目標辨別、自然語言加工等,但在電變壓器問題辨別上使用的探究才剛開始。
在DLNN的基礎上,全文起初建立分類型深入學習神經網模型,并且借助經典的分類信息集對它的歸類功能做了分析認證。接下來,融合電變壓器色層在線測試信息及DGA信息特點和問題類別,研究出一種全新的變電器問題檢測辦法。這種辦法利用半監視機器學習法,有較強學習力,可以檢測出變電器任意一種運轉狀態的幾率,以此來給工作者判斷是否需要對變電器進行修理供應更全面的參照數據。最終,對該論文中提出的辦法進行項目實際檢測,并且和BP神經網以及SVM的測試辦法做比較以及探討。
1 深度學習神經網絡的介紹
2 深度學習模型
 2.1分類深度學習神經網絡模型
 2.2 深度學習模型的性能測試
3 基于 CDLNN 的變壓器故障診斷方法
3.1 選取樣本數據
3.2 選取特征變量
3.3 變壓器的狀態編碼
3.4 變壓器故障診斷 CDLNN 模型
3.5 基于 CDLNN 的變壓器故障診斷步驟
4 結果分析
5 總結
(1)經過深入學習神經網的模型可以完美的處理多種分類難題,同時經過檢測數值可以對體系功能進行全面解析。
(2)在CDLNN的電變壓器問題檢測的辦法的基礎上,用半監視方法來完成,能夠充分借助油色層在線測試來得到的沒標簽樣本對該網提前進行練習,解決了BPNN、SVM法不能使用沒標簽樣本練習的缺陷,并且學習性能更加強大,問題檢測功能更佳。
(3)檢測分析結論表示,CDLNN檢測辦法由于提前鍛煉集的擴大,問題檢測整體準確率一直升高,這個辦法在多樣本的鍛煉中很適合,并且具有可拓展性,和BPNN、SVM問題檢測辦法相比較來說,檢測整體準確率上升,能夠為變壓器修理[12] 供應更加正確的參照數據。
參考文獻
[1]杜文霞,趙秀平,杜海蓮,呂鋒.基于極限學習機的電力變壓器故障診斷[J].山東科技大學學報(自然科學版),2017,36(05):29-36.
[2]李剛,于長海,劉云鵬,范輝,文福拴,宋雨.電力變壓器故障預測與健康管理:挑戰與展望[J].電力系統自動化,2017,41(23):156-167.
[3]公茂法,柳巖妮,王來河,宋健,謝云興.基于改進蝙蝠算法優化BP神經網絡的電力變壓器故障診斷研究[J].山東科技大學學報(自然科學版),2017,36(03):70-74.
[4]聶磊. 基于PCA-SVM的電力變壓器故障診斷研究[D].山東科技大學,2017.
[5]袁海滿. 基于多維特征量的電力變壓器故障診斷技術研究[D].西南交通大學,2017.
[6]吳迪. 便攜式電力變壓器振動監測與故障診斷系統的研究與實現[D].浙江大學,2017.
[7]段效琛. 基于DGA的電力變壓器多分類模型與故障診斷研究[D].昆明理工大學,2017.
[8]韓超. 大型電力變壓器的故障診斷與風險評估[D].華北電力大學(北京),2017.
[9]張安平. 基于熵權優化灰色關聯度方法的電力變壓器故障診斷研究[D].南京理工大學,2017.
[10]魯非,金雷,阮羚,劉思維,劉毅.電力變壓器軸向位移故障診斷方法[J].高電壓技術,2016,42(09):2916-2921.
[11]吳坤,康建設,池闊.基于改進多分類算法和相關向量機的電力變壓器故障診斷方法[J].高電壓技術,2016,42(09):3011-3017.
[12]要航. 基于改進人工魚群-RBF神經網絡的電力變壓器故障診斷研究[D].廣西大學,2016.
德班国际娱乐城轮盘 上海时时彩几点开始的 甘肃十一选五开奖列表 最全的网球比分直播 梦幻西游口袋版 股票涨跌说明什么 重庆时时彩官网 188金宝博比分直播 微信卖彩票犯法吗 福彩中奖预测 竞彩比分4串1中了157亿 1