基于大数据分析的电力变压器状态评估与故障诊断技术研究-电气工程专业论文.docxVIP

西南交通大学硕士学位论文主要工作(贡献)声明 西南交通大学硕士学位论文主要工作(贡献)声明 本人在学位论文中所做的主要工作或贡献如下： 1．详细介绍了电力变压器状态评估体系建立过程中应该遵循的基本原则，对变压 器状态评估指标参量进行分析和选择，并完善电力变压器运行状态综合评估指 标体系； 2．结合电力变压器运行状态评估指标体系中指标的特性，对定量指标进行了统一 量纲处理，对定性指标进行了量化处理；利用改进的变压器健康指数公式对样 本数据进行计算，建立用于机器学习算法的状态评估所需要的样本集； 3．对比分析了极限学习机算法(Extreme learning machine，ELM)和自适应进化算法 (Self-adaptive Evolutionary,SaE)的优缺点，将集成得到的自适应进化极限学习 机算法(SaE．ELM)进行介绍，并应用于变压器状态评估过程中。研究采用不同 的评估指标体系对状态评估结果的影响；并对支持向量机(SVM)、ELM和 SaE．ELM三种模型评估效果进行比较研究； 4．本文对人工鱼群优化算法(Artificial Fish-swarm Algorithm，AFSA)进行学习研究， 利用其对极限学习机的权值及阂值进行优化，并为了有效克服变压器不完备故 障样本数据对故障诊断结果的影响，构建了一种基于粗糙集的人工鱼群极限学 习机(AFSA．ELM)变压器故障诊断方法，研究了BP、SVM和AFSA．ELM不同 故障诊断模型的诊断效果。 本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成 果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰 写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确说明。 本人完全了解违反上述声明所引起的一切法律责任将由本人承担。 学位论文作者签名：傍朋 日期：加，f；．乡．·乡 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第1页 摘 要 油浸式电力变压器是电网中能量传输和转换最为核心，应用最广泛的枢纽设备之 一，其性能密切关系着电力系统的安全可靠运行，因此准确的掌握电力变压器运行状 态、及时有效的发现变压器潜在性故障，不仅可以指导电力变压器状态检修和运行维 护工作，而且能有效的降低电力事故和变压器故障的发生机率。本论文采用大数据分 析方法，以变压器实际运行数据为基础，选取能够有效表征影响变压器运行状态的特 征量为评估指标，建立电力变压器状态综合评估体系，进而结合智能优化算法构建评 估模型对变压器进行状态评估研究；以油中溶解气体含量比值为特征量，结合智能优 化算法建立故障诊断模型，对变压器进行故障诊断方法研究，主要进行的工作如下： 研究现有研究成果并搜集了大量标准、规程和专家经验，对可能影响变压器运行 状态的指标进行了分析和筛选，结合建立电力变压器指标体系应该遵循的原则，建立 了变压器运行状态综合评估指标体系。 将极限学习机(ELM)算法应用于变压器状态评估中，利用自适应进化算法(SaE)对 ELM进行优化，构建了基于SaE．ELM的电力变压器运行状态综合评估模型。研究变 压器自身差异情况对变压器状态评估准确性的影响，对该模型和SVM模型、ELM模 型进行对比研究。测试结果分析表明：增加变压器自身差异因素为状态评估指标可以 提高评估的准确率；SaE．ELM模型可用于变压器状态评估并且评估准确性比SVM模 型和ELM模型都高。 针对极限学习机算法在实际应用中参数的随机性缺陷，使用人工鱼群算法(AFSA) 对ELM的权值及阈值进行优化。为了有效克服变压器不完备故障样本数据对故障诊断 结果的影响，本文构建了基于DGA的粗糙集与人工鱼群极限学习机(AFSA-ELM)变压 器故障诊断方法。利用电力变压器故障诊断数据集对其进行训练、测试，实例研究分 析表明：该方法诊断效果良好，从而为变压器故障诊断提出了一种极具参考价值的新 思路。 关键词：电力变压器；状态评估；故障诊断；油中溶解气体分析；极限学习机 万方数据 AbstractOil-immersed Abstract Oil-immersed power transformer is applied widely and the most critical power equipment in the transmission and conversion of electricity,whose performance relate with the safe and reliable operation of power system，SO grasping the running state of the power transformer a