智能算法在油浸式變壓器故障診斷中的應用研究.pdf

1、油浸式變壓器是電力系統(tǒng)的核心設備，其安全運行關系到國民經濟的各個領域的正常運行及人們的生命財產安全，也極大地影響電力系統(tǒng)的運行成本。針對電氣試驗法對變壓器故障診斷，一般需要停電，而且對于某些局部故障和缺陷很難檢測到。通過對油中溶解氣體組分含量分析一般不需要停電，并且可以有效、快速的發(fā)現變壓器內部的潛伏性故障，彌補了電氣試驗方法的不足。
　　國內外利用油中溶解氣體分析（DGA）變壓器故障的常規(guī)方法是以三比值為基礎的比值法。這些比值法

2、在對具有不確定性、復雜性的變壓器故障進行診斷時容易出現“編碼邊界過于絕對”，“甚至編碼缺失”等缺陷。隨著智能信息處理方法的發(fā)展，各種智能算法在故障診斷中得到了很大的應用，本文在以油中溶解氣體為基礎上，采用支持向量機、貝葉斯網絡對變壓器故障診斷進行應用研究。
　　支持向量機（SVM）在變壓器故障診斷應用中取得了一定的效果，但核函數和參數選擇上目前并沒有公認最好的方法理論。本文在交叉驗證意義下，采用網格搜索、GA、PSO等方法進行SV

3、M參數尋優(yōu)，得到最初的優(yōu)化參數，在實驗中進行參數的微調得到最終的最佳參數。實驗比較發(fā)現在處理非線性輸入方面，徑向基核函數比其它幾種常用的核函數性能優(yōu)越。雖然SVM在選擇最佳參數和核函數下對故障識別取得了不錯的效果，然而，當變壓故障數據較大時，存在冗余信息，直接使用SVM對訓練集建模收斂時間變長，分類精度低。針對這一問題，本文提出了K-均值聚類與SVM相結合的故障診斷模型，采用K均值聚類算法在保證模型精度下對變壓器故障訓練樣本進行預選取，