基于膜计算的变压器故障诊断研究

论文摘要

变压器是电力系统中的重要枢纽设备，及时、准确地掌握变压器的运行状态和故障，并能够及时有效地采取相应措施，对电力系统的安全、稳定和经济运行意义重大。在电力变压器油中溶解气体与故障类型之间关系的基础上，针对BP算法存在的收敛速度慢、容易陷入局部极小点等缺陷，提出了基于膜计算与BP算法相结合的故障诊断方法。该方法利用膜计算全局寻优的功能，来优化BP神经网络的初始权值和阈值，利用BP算法的学习和分类功能实现变压器故障的正确分类。本文的主要工作如下：(1)根据细胞膜具有穿透的特性，细胞膜优化算法在使用选择、交叉、改写规则的同时，引入交流规则，丰富了算法结构，加强了算法功能，提高了算法收敛能力。(2)采用了车轮式拓扑结构的组织膜优化算法，在细胞具有收缩舒张功能的基础之上，引入收缩舒张规则，加快了算法的收敛速度。同时还涉及换位、交叉、改写和交流等规则。(3)针对参数设置具有不确定性的问题，在细胞膜优化和组织膜优化算法中，均引入种群信息熵的概念，利用Sigmoid函数拥有比余弦函数更平滑的顶部和底部，在线性和非线性行为之间显现出较好的平衡的特征，将其引入进化代数并与种群信息熵结合成自适应策略，以此来调节交叉、改写和换位概率随算法进化而变化。(4)将细胞膜优化算法与BP网络相结合，提出了一种变压器故障诊断的新方法，并用实例分析证明其有效性。(5)提出了一种将组织膜优化算法与BP网络相结合的变压器故障诊断方法，并用实例分析证明其有效性。(6)比较自适应细胞膜优化算法和自适应组织膜优化算法在变压器故障诊断中的应用性能，并与基于BP神经网络的变压器故障诊断方法进行对比。结果表明，提出的两种基于膜计算的变压器故障诊断方法对各类故障的敏感程度不同，但都具有较高的诊断准确率，且算法收敛性能和诊断准确率均高于纯BP算法模型。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 电力变压器故障诊断的重要意义
• 1.2 变压器故障诊断的国内外研究现状
• 1.3 变压器的分类及常见故障分析
• 1.4 变压器油中气体分析
• 1.4.1 变压器油的成份及油中气体分析
• 1.4.2 变压器固体绝缘及产生气体分析
• 1.5 常用经典故障诊断方法
• 1.5.1 变压器故障的判断方法
• 1.5.2 特征气体法
• 1.5.3 比值法
• 1.6 人工智能方法
• 1.6.1 人工神经网络
• 1.6.2 遗传算法
• 1.6.3 灰色理论
• 1.7 膜计算的应用研究
• 1.8 本文主要工作
• 2 膜计算优化方法
• 2.1 膜计算
• 2.1.1 膜计算理论起源
• 2.1.2 膜计算的发展趋势
• 2.2 进化计算
• 2.2.1 进化计算的产生介绍
• 2.2.2 进化计算的研究分支
• 2.2.3 进化计算的研究现状与发展趋势
• 2.3 膜计算与进化计算的比较
• 2.3.1 进化计算的基本特征
• 2.3.2 膜计算与进化计算的共同点
• 2.3.3 膜计算与进化计算的差异
• 2.4 膜计算优化算法
• 2.5 本章小结
• 3 细胞膜优化算法在变压器故障诊断中的应用
• 3.1 细胞膜计算优化算法
• 3.1.1 细胞膜计算优化算法的构建
• 3.1.2 细胞膜计算优化算法的对象
• 3.1.3 细胞膜计算优化算法的格局
• 3.1.4 细胞膜计算优化算法的规则
• 3.1.5 输入与输出
• 3.1.6 适应度函数
• 3.2 基于种群信息熵的自适应策略
• 3.3 细胞膜算法优化 BP 神经网络诊断模型的实现
• 3.3.1 训练样本的收集
• 3.3.2 输入与输出的确定
• 3.3.3 BP 网络隐含层数及隐含层神经元数
• 3.3.4 样本数据的处理
• 3.3.5 算法流程
• 3.4 实例诊断及分析
• 3.5 本章小结
• 4 车轮式拓扑结构的组织膜优化算法在电力变压器故障诊断中的应用
• 4.1 模型建立
• 4.2 WT-TMC 优化算法
• 4.2.1 WT-TMC 算法的膜结构
• 4.2.2 WT-TMC 算法的对象
• 4.2.3 WT-TMC 算法的优化规则
• 4.2.4 适应度函数
• 4.3 基于种群信息熵的自适应策略
• 4.4 CEA-WT-TMC 算法流程
• 4.5 实例诊断及分析
• 4.6 本章小结
• 5 膜计算优化算法在变压器故障诊断中的应用分析
• 5.1 故障诊断模型的仿真分析
• 5.2 故障诊断模型的测试
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文及科研成果
• 致谢