基于大數(shù)據(jù)分析的電力變壓器狀態(tài)評估與故障診斷技術研究.pdf

1、油浸式電力變壓器是電網中能量傳輸和轉換最為核心，應用最廣泛的樞紐設備之一，其性能密切關系著電力系統(tǒng)的安全可靠運行，因此準確的掌握電力變壓器運行狀態(tài)、及時有效的發(fā)現(xiàn)變壓器潛在性故障，不僅可以指導電力變壓器狀態(tài)檢修和運行維護工作，而且能有效的降低電力事故和變壓器故障的發(fā)生機率。本論文采用大數(shù)據(jù)分析方法，以變壓器實際運行數(shù)據(jù)為基礎，選取能夠有效表征影響變壓器運行狀態(tài)的特征量為評估指標，建立電力變壓器狀態(tài)綜合評估體系，進而結合智能優(yōu)化算法構建評

2、估模型對變壓器進行狀態(tài)評估研究;以油中溶解氣體含量比值為特征量，結合智能優(yōu)化算法建立故障診斷模型，對變壓器進行故障診斷方法研究，主要進行的工作如下:
　　研究現(xiàn)有研究成果并搜集了大量標準、規(guī)程和專家經驗，對可能影響變壓器運行狀態(tài)的指標進行了分析和篩選，結合建立電力變壓器指標體系應該遵循的原則，建立了變壓器運行狀態(tài)綜合評估指標體系。
　　將極限學習機(ELM)算法應用于變壓器狀態(tài)評估中，利用自適應進化算法(SaE)對ELM進行

3、優(yōu)化，構建了基于SaE-ELM的電力變壓器運行狀態(tài)綜合評估模型。研究變壓器自身差異情況對變壓器狀態(tài)評估準確性的影響，對該模型和SVM模型、ELM模型進行對比研究。測試結果分析表明:增加變壓器自身差異因素為狀態(tài)評估指標可以提高評估的準確率;SaE-ELM模型可用于變壓器狀態(tài)評估并且評估準確性比SVM模型和ELM模型都高。
　　針對極限學習機算法在實際應用中參數(shù)的隨機性缺陷，使用人工魚群算法(AFSA)對ELM的權值及閾值進行優(yōu)化。為