论文部分内容阅读
目前我国高铁已经开始从大规模建设期向全面运营维护期进行转换。牵引变压器作为动车组牵引供电系统的核心设备之一,其性能对动车组的正常运行至关重要。动车组牵引变压器的故障预测不仅能够实现牵引变压器故障发生前的及时预测预警和故障发生时确定故障类型,也能够为牵引变压器运用维修保障方案的制定提供合理的决策支持,提高动车组的安全性和可靠性。本文在分析现有变压器油中溶解气体浓度预测、故障诊断和故障预测方法的基础上,利用油中溶解气体分析、大数据分析和智能算法建立了动车组牵引变压器故障预测模型,具体研究如下:（1）变压器油中溶解气体浓度预测针对长短期记忆网络（LSTM）依据经验选取参数而导致预测精度较低的问题,本文利用改进人工蜂群算法（ABC）对LSTM的学习率和隐藏层神经元个数进行迭代优化,建立了改进ABC-LSTM模型来实现变压器油中溶解气体浓度的预测。首先,在标准ABC算法中加入Levy变异因子和自适应搜索因子,平衡全局和局部寻优能力并提高准确度,得到改进ABC算法;然后利用改进ABC算法对LSTM模型中的学习率和隐藏层神经元个数进行迭代优化;最后利用迭代优化得到的隐藏层神经元个数和学习率构建改进ABC-LSTM预测模型,从而实现变压器油中溶解气体浓度预测。本文选取某变压器油中溶解气体的C2H4浓度数据进行算例分析,分析结果表明与其他预测模型相比较,改进ABC-LSTM具有收敛速度快、精度高和误差小的优势,能够对变压器油中溶解气体浓度实现较高精度的预测。（2）变压器故障诊断变压器故障诊断误判案例分析表明,传统的基于油中溶解气体分析的故障诊断方法中存在较多的局部放电、低温过热、低能电弧放电兼过热混淆等误判,同时在故障诊断中未考虑产生故障气体所需能量的差异。为进一步提高变压器故障诊断效果,本文在考虑产生不同故障气体所需能量差异的前提下,利用故障气体各自的加权因子对其进行适当地加权,建立了以气体浓度作为输入的改进粒子群（IPSO）优化BP神经网络的变压器故障诊断模型。通过输入为故障气体与适当能量加权的故障气体,研究了考虑不同气体能量水平对变压器故障诊断的影响。算例结果表明,基于能量加权溶解气体分析的IPSO-BP故障诊断能力更加优于未加权的IPSO-BP故障诊断模型。（3）动车组牵引变压器故障预测将建立的基于改进ABC-LSTM的变压器油中溶解气体浓度预测方法和基于能量加权溶解气体分析的IPSO-BP变压器故障诊断模型相结合,建立了动车组牵引变压器故障预测模型,并将收集到的牵引变压器故障发生前的油中溶解气体浓度输入到建立的故障预测模型中,对模型的故障预测性能进行验证。经验证,建立的动车组牵引变压器故障预测模型能够利用牵引变压器油中溶解气体浓度对动车组牵引变压器故障实现预测。