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(guān)系到國民經(jīng)濟的各個領(lǐng)域的正常運行及人們的生命財產(chǎn)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(xiàn)變壓器內(nèi)部的潛伏性故障，彌補了電氣試驗方法的不足。
　　國內(nèi)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(xiàn)“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(wǎng)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(shù)和參數(shù)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(wǎng)格搜索、GA、PSO等方法進行SV

3、M參數(shù)尋優(yōu)，得到最初的優(yōu)化參數(shù)，在實驗中進行參數(shù)的微調(diào)得到最終的最佳參數(shù)。實驗比較發(fā)現(xiàn)在處理非線性輸入方面，徑向基核函數(shù)比其它幾種常用的核函數(shù)性能優(yōu)越。雖然SVM在選擇最佳參數(shù)和核函數(shù)下對故障識別取得了不錯的效果，然而，當變壓故障數(shù)據(jù)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(jié)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，