电力变压器障碍诊断与风险估量.docVIP

　　电力变压器障碍诊断与风险估量 第一章绪论 1.1研究背景及意义 随着科学技术和经济的发展，我国电网进入了高速发展的时期，国家相继提出了西电东送、南北互供、全国联网战略和特高压直流输电系统规划。电网的安全可靠运行是保证供电稳定、可靠的前提，电网崩淸和大面积停电事故，不仅仅会造成巨大的经济损失，影晌人民的生活，甚至会引起社会恐慌，危及社会的安全⑴。电力设备安全和系统运行安全是电网安全主要体现的两方面，前者更是电网安全的第一道防线。国内外运行经验表明，只有从引发电网事故的主要源头建立防线，才可以实现大电网运行的可靠性。变压器是电力系统中的核心设备之一，其健康水平及运行工况的好坏直接关_系到整个系统的安全与稳定。变压器故障占电力系统故障的70%以上，造成巨大经济损失的同时，严重影响着人们日常生活。因此，利用变压器故障诊断与风险评估提高变压器检修与维护水平，预防和降低变压器故障发生机率具有重大的意义[2]。对大型变压器进行有效的故障诊断和风险评估，便于及时消除变压器设备缺陷及故障隐患，减少经济损失的同时，降低了社会危害；便于进一步深入研究变 .压器的检修制度，为由定期检修向状态检修过度提供一定的理论基础；便于进一步完善和细化变压器的管理制度和标准，完善人力管理；便于进一步完善设备试验手段及局部放电检测等新技术检测项目的开展。总而言之，对大型变压器进行有效的故障诊断和风险评估具有重大社会效益、经济效益和科研价值。 1.2研究现状 1.2.1变压器的故障诊断 电力变压器常见故障主要包括过热故障放电故障和机械故障三类，不同的故障模式在其发生和发展过程中表现出不同的故障特征，并存在与之对应的映射。目前国内现场电力变压器故障诊断主要技术之一是油中溶解气体分析技术，该技术在系统运行时即可进行，且不受外界电场和磁场因素影响，能够及时发现变压器内部存在的早期故障，被认为是变压器设备故障诊断最为广泛的方法之一。随着在线监测技术、计算机技术、人工智能技术及新理论的发展，基于不同理论与原理的融合诊断技术很大程度上提高了故障诊断准确性及诊断效率，为变压器故障诊断技术的发展开拓了新的方向与途径。该类型技术利用的原理是：变压器运行过程中变压器油受热或电场的影响，产生某些类型的特征气体且大部分溶解于变压器油，通过一定技术分离出来，这些特征气体的组分含量及比值一定程度上反映故障引起变压器油纸绝缘系统热分解的本质。Domenburg开启了利用油中溶解气体比值进行变压器故障诊断的纪元，使该技术得到了广泛的关注[3]。继其之后，Barraclough等人提出了四比值法，但由于C2H6/CH4只能反映油纸分解极有限的温度范围，故在IEC标准中将其删去，修改后的三比值法被普遍认可与接收[4]。 第二章 基于支持向量机的变压器故障诊断 2.1支持向量机简介 1992年，在第五届计算学习理论学术年会(putational Learning Theory, COLT)上，Boser) Guyon和VapnidPtJ在他们的论文中首次提出了支持向量机(Support Vector Machine，SVM)。统计学习理论是一种专门研究在有限数据集的情况下基于数据的机器学习规律的理论，因此这一理论特别适用于处理基于油色谱分析的变压器故障诊断这一类在有限数据集情况下的统计模式识别问题。而其中，SVM是一种优秀的基于数据的机器学习算法，是仍不断发展着的、最新最实用的统计学习理论主要内容之一。在人工智能（Artificial Intelligence，AI)研究领域内，机器学习(Machine Leaming, ML)是最具智能特征、最前沿的主题之一。机器学习的主要研究内容是计算机怎样模拟或实现人类的学习行为，包括新知识或技能的获取、已有知识结构的重组以及对自身性能的不断改善。机器学习主要使用的是归纳和综合，而不使用演绎。它是人工智能的核心问题，也是使计算机具有人工智能的根本途径。在最初，人工智能研究领域的研究者就思考学机器学习的问题。例如，Alan Turing在二十世纪五十年代的研究成果中明确指出了学习器的思想，并认为学习器的重要特征之一在于，其施教者对于内部实际的运算处理过程并无所知，但受教者的行为在一定的程度上是可以预测的。之后不久，许多早期的学习器相继被开发出来。学习算法逐渐的发展成为人工智能的一个重要的子领域，并最终形成了一个独立的学科领域机器学习。 2.2支持向量机的基本求解算法 Vapnik和他的合在20世纪60年代开始研究在有限数据集条件下基于数据的机器学习问题，提出了统计学习理论(Statistical Leaming Theory，SLT)。到90年代中期，统计学习发展并逐渐成熟，形成了比较完善的统计学习理论体系。与过去传统的、以渐进理论为基础的统计学不同的是，基于数据