论文部分内容阅读
在电力系统中,电力变压器是承担电压转换与输送的关键设备,因此,对其采取合适的状态监测手段和故障诊断技术,及时发现隐藏故障信息并制定检修策略,对电网稳定运行具有重要作用。基于充油设备故障诊断中常用的油中溶解气体分析法(dissolved gas analysis,DGA),针对变压器DGA样本特点和相关诊断算法存在的局限性。本文首先结合邻域粗糙集约简特征量,挖掘DGA特征信息与故障的联系,其次建立算法融合下更实用有效的变压器多层故障诊断及定位模型,主要开展研究工作如下:构建了基于邻域粗糙集和DGA比值的故障诊断模型。利用粗糙集工具对多种气体比值组成的备选故障特征样本进行决策约简,结合支持向量机进行故障判别,改进了目前DGA特征繁杂且包含故障信息不明的问题。对比结果证明该方法可以实现特征量的完善,使特征信息的冗余度降低至原先的50%,得到更好的故障诊断效果。构建了一种基于粒子群算法优化SVM的故障诊断模型。本模型在得到优选比值样本后,利用PSO优化前文分类器中核函数参数和惩罚参数的设置,克服了在实际故障诊断应用中为了实现非线性多分类功能,其相关参数选取对SVM性能的影响。经过实例分析,发现PSOSVM运算速度较传统CV法选取参数的SVM提高4倍,模型分类精度增加约8%。在PSOSVM模型基础上,为了在工程实际中可以快速获取更详细故障信息,方便制定后续检修方案,提出了初层故障性质分类及次层故障定位体系。通过分析变压器故障多发位置与故障点的DGA特点,考虑故障定位与故障性质的DGA特征量数据不一致问题,融合多层故障诊断思路,得到的NRS-PSOSVMs多层模型实现简化了每层分类器的特征输入与分类功能,细化了故障类别并提高故障诊断的综合效率与精确度。工程实例验证,本模型初层故障诊断准确率达到93.3%,故障定位层诊断准确率达到83.5%。