智能诊断方法及其在变压器故障中的应用研究

论文摘要

现代大型机械设备技术水平不断提高,对其生产率、自动化要求也越来越高,相应的,故障率也随之增加,促进了机械设备故障诊断技术的发展。变压器作为电力系统中非常复杂且非常重要的设备,其工作状态对电力系统、企事业单位生产及居民生活具有十分重要的影响。如何快速对变压器故障进行诊断、判断故障原因是提高电力系统工作效率、减少经济损失的一个重要途径。因此研究变压器故障诊断对保证电力系统安全、可靠、经济运行,提高电力系统经济效益具有重要意义。大型电力变压器中绝缘故障占变压器故障的绝大多数,常用油中溶解气体分析技术来在线监测变压器设备运行状态。变压器故障原因很多,不能快速判定,其测试数据也存在着某种程度的不确定性,决定了变压器故障诊断系统常用的比值法难以满足工程应用的要求。近年来人工智能方法在机械设备故障诊断领域取得了成功地应用,在变压器故障诊断领域也取得了不菲的成绩,为解决传统分析方法的弊病开辟了新途径。本文首先分析总结了现代机械设备故障诊断理论和变压器传统故障诊断方法及其弊端。鉴于人工智能方法中的神经网络技术和支持向量机算法在机械设备故障诊断领域中的成功应用,提出了基于改进粒子群来优化的小波神经网络模型和基于相对变换预处理数据的最小二乘支持向量机诊断模型,并将其应用于变压器故障诊断中,取得了比较好的效果。在文章的最后,总结了本文提出的两种人工智能诊断方法的优秀性能及它们存在的不足,并且分析了未来人工智能方法在变压器故障诊断的前景和发展方向。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景及意义
• 1.2 国内外故障诊断研究现状
• 1.3 人工智能发展现状
• 1.3.1 神经网络
• 1.3.2 支持向量机
• 1.4 本文完成的主要工作
• 第2章 变压器绝缘故障分析
• 2.1 变压器绝缘分析
• 2.1.1 变压器绝缘材料
• 2.1.2 变压器绝缘分析
• 2.2 绝缘故障的诊断
• 2.3 变压器在线监测
• 2.3.1 变压器在线监测原理
• 2.3.2 变压器在线监测的内容
• 2.3.3 变压器油中溶解气体的在线监测技术
• 2.4 基于油中溶解气体的故障分析方法
• 2.4.1 比值诊断法
• 2.4.2 对比值法的分析
• 2.5 本章小结
• 第3章 改进粒子群小波网络及其应用
• 3.1 神经网络模型
• 3.1.1 神经元的基本模型
• 3.1.2 神经元的激活函数
• 3.1.3 M-P 模型
• 3.1.4 神经网络的特点
• 3.1.5 基于神经网络的故障诊断
• 3.2 小波神经网络
• 3.2.1 小波理论
• 3.2.2 小波神经网络数学模型
• 3.2.3 小波神经网络训练
• 3.3 粒子群算法
• 3.3.1 粒子群算法研究背景
• 3.3.2 标准粒子群算法
• 3.3.3 改进粒子群算法
• 3.3.4 改进粒子群网络训练算法
• 3.4 改进粒子群小波网络的应用
• 3.4.1 数据预处理及输入向量选择
• 3.4.2 小波网络输出向量的选择
• 3.4.3 训练与识别样本选取
• 3.4.4 仿真结果及故障诊断分析
• 3.5 本章小结
• 第4章 最小二乘支持向量机算法及其应用
• 4.1 机器统计学习的原理
• 4.1.1 结构风险最小化
• 4.1.2 支持向量机
• 4.1.3 核函数
• 4.1.4 多类分类问题
• 4.2 最小二乘支持向量机
• 4.3 认知几何
• 4.3.1 相对变换原理
• 4.3.2 相对变换对支持向量机性能的改善
• 4.3.3 基于相对变换的最小二乘支持向量机
• 4.4 实例研究及结论
• 4.4.1 Iris 花数据分类
• 4.4.2 变压器故障诊断
• 4.5 本章小结
• 第5章 结论和展望
• 参考文献
• 在学期间发表的学术论文和参加科研情况
• 致谢
• 论文摘要