论文部分内容阅读
大型油浸式电力变压器是电力系统的核心设备之一。对变压器实施故障诊断,准确掌握其运行状态,是保障电力系统可靠运行的重要环节。油中溶解气体分析(Dissolved Gas Analysis,简称DGA)技术是变压器故障诊断领域常用技术,本文以DGA技术为基础,对变压器故障诊断策略进行研究探索,制定合适的故障诊断算法。本论文首先以变压器油中溶解特征气体和故障状态之间的深刻联系为依据,从传统故障诊断算法出发,采用两种典型的传统算法:气体图形法和改良三比值法,对变压器进行故障诊断。由于变压器故障诊断问题的实质是多分类问题,故选用两种智能分类算法:k—最近邻(k-Nearest Neighbor,简称kNN)算法和分类回归树(Classification and Regression Trees,简称CART)算法,建立基于单一智能算法的变压器故障诊断模型,利用MATLAB进行实验,并对传统算法和单一智能算法的性能进行对比分析。其次,鉴于单一智能算法自身的缺陷制约泛化准确度的提升,采用集成学习算法SAMME对单一智能算法进行集成学习,并通过10折交叉验证优化算法参数。分别采用10折交叉验证优化的SAMME-kNN算法和SAMME-CART算法对变压器进行故障诊断,运用MATLAB进行仿真实验,而后对kNN、CART两种单一智能算法和SAMME-kNN、SAMME-CART两种集成算法进行对比分析,选择出CART为合适的集成对象,表明集成对提高单一智能算法的准确度是有益的。再者,针对SAMME-CART全集成算法存在的问题,在选择性集成理论的基础上,利用遗传算法(Genetic Algorithm,简称GA)对SAMME-CART算法作进一步的选择优化,并对最优单一CART算法、SAMME-CART全集成算法和遗传算法选择优化SAMME-CART算法进行对比分析,单一CART算法的最优故障诊断准确率约为83.33%,SAMME-CART全集成算法的故障诊断准确率约为88.67%,而经遗传算法选择优化的SAMME-CART算法故障诊断准确率可达91.33%,表明遗传算法对SAMME-CART算法进行选择优化可有效提高泛化能力。同时也表明本论文中各算法逐步优化的层次关系。最后,运用MATLAB软件的GUI功能进行变压器油色谱故障诊断专家系统的设计和实现,将本论文中涉及到的算法嵌入其中,建立友好的人机交互界面,实现了数据实时显示、历史查询、诊断结果显示等多种功能,以便更好地应用于实际工程。