基于模糊ART神经网络的变压器局部放电模式识别

合集下载

基于遗传算法的BP神经网络在变压器超高频局部放电模式识别中的应用

Ｐ随机化Ｗ０、ｑｍ，ｉＷ采用实数编码。
② 计算每一条染色体的评价函数，按蒙特卡罗法来选择
个体 Biblioteka ￡ｃ／ ∑其中，为第ｉ染色体的适应度，ｆ条用误差平方和来衡量，即
ｆ／ｉ￣Ｅ（）＝ｌＥ（）ｉ＝（ｋＴ）Ｏ－
识别
ｘ２
ｘｉ
图１Ｂ神经网络结构图Ｐ
１引言．
随着电力系统的发展和电压等级、量的不断提高，容局部放电已经成为电力变压器绝缘劣化的重要原因。而因
局部放电的检测也就成为变压器绝缘状况监测的重要手段 …。变压器绝缘体系中的放电类型很多，同的放电类不型对绝缘的破坏作用有很大差异，此有必要对各种放电因类型加以区分，而能够更好地进行变压器故障定位和故从障处理。人丁神经网络自２世纪９年代开始就用于放电类型的模０Ｏ式识别，由于神经网络的结构类似于人类大脑的神经元．有具自学习的能力。因此在很多应用中取得了比较好的效果．但是它也存在局限性。由于利用梯度下降法全局寻优，此网络收因
根据Ｋｌｇｒｖ理．本文中选用的Ｂ网络采用Ｎ２＋ｏｍｏｏ定ｏＰｘＮ１Ｍ的三层网络结构。其中，表示输入特征向量的分量数。 × ＮＭ表示输出状态类别总数。中间层神经元的作用函数为Ｔｎｉ，ａｓｇ

基于改进的神经网络在变压器故障诊断应用的研究

基于改进的神经网络在变压器故障诊断应用的研究近年来，人工智能技术在电力系统领域得到了广泛的应用，特别是神经网络在变压器故障诊断中展现出强大的能力。

本文将重点研究基于改进的神经网络在变压器故障诊断应用中的方法及实现。

一、研究背景及意义现代工业生产中，变压器作为重要的电力设备扮演着不可替代的角色。

然而，变压器故障的发生可能导致生产中断、设备损坏甚至事故发生。

准确快速地诊断变压器故障对于提高生产效率、防止设备损坏具有重要意义。

传统的变压器故障诊断方法主要依靠技术人员的经验判断，存在着主观性强、诊断准确率低等问题。

而基于神经网络的方法能够通过大量的样本数据进行训练，具有自动学习的能力，能够更客观准确地识别故障类型和位置。

二、基于改进的神经网络方法1.数据预处理在使用神经网络进行变压器故障诊断之前，需要进行数据预处理。

常见的数据预处理方法包括数据采集、特征提取和数据标准化等。

通过对原始数据进行预处理，可以提高神经网络的训练效果和诊断准确率。

2.改进的神经网络模型为了提升神经网络在变压器故障诊断中的性能，研究者们通过改进神经网络模型来提高其学习能力和泛化能力。

例如，引入卷积神经网络（CNN）用于图像识别任务中，可以有效地提取变压器故障图像的特征信息。

3.特征选择与降维在训练神经网络之前，需要选择合适的特征作为输入。

传统的特征选择方法主要依赖于人工经验，存在着主观性强的问题。

因此，研究者们提出了各种自动特征选择和降维方法，如主成分分析（PCA）和线性判别分析（LDA），以提高变压器故障诊断的准确率。

三、实验与结果分析本文通过实验验证了基于改进的神经网络在变压器故障诊断中的应用效果。

实验采用了包含多种故障类型的变压器故障数据集，并与传统的故障诊断方法进行对比。

实验结果表明，基于改进的神经网络方法在变压器故障诊断中具有显著的优势。

相比传统方法，改进的神经网络在准确率和速度上都取得了明显的提升。

这表明在变压器故障诊断领域，基于神经网络的方法具有更好的应用前景。

基于经验模态分解法的变压器局部放电去噪方法研究

(１)
ｈ１＝Ｘ( ｔ) －ｍ１
(２)
Ｘ( ｔ) 与均值ｍ的差记为ｈ１ ꎬ得:
多次分解ꎬ满足ＩＭＦ条件时ꎬ输出ＩＭＦ１ꎬ记作
Ｃ１ ꎮ 把Ｃ１从Ｘ( ｔ) 中剥离ꎬ得到舍去高频分量的信
号ｒ１ ꎬ得:
ｒ１＝Ｘ( ｔ) －Ｃ１
(３)
将ｒ１作为下一次分解的原始信号ꎬ重复分解ꎬ
如图７所示ꎮ 将含噪声较多的ＩＭＦ１剔除后进行重
构去噪ꎬ结果如图８所示ꎮ
４２ＣＥＥＭＤＡＮ阈值去噪仿真分析
略有提升ꎬ但是依然使用舍去ＩＭＦ分量的方法ꎬ信
号的完整度不够好ꎮ 因此ꎬ本文使用ＣＥＥＭＤＡＮ方
法对信号进行自适应分解ꎬ然后对每个ＩＭＦ设定阈
值ꎬ进行阈值去噪ꎮ
频信号的重构方法ꎬ信号保留不完整ꎬ且存在模态混叠ꎮ 本文采用单一ＥＭＤ、ＥＥＭＤ、ＣＥＥＭＤ以及ＣＥＥＭ￣
ＤＡＮ方法对局部放电信号去噪仿真分析ꎬ部分解决了模态混叠问题ꎬ但单一分解方法去噪效果差ꎮ 因此ꎬ本
文进一步改进ꎬ采用ＣＥＥＭＤＡＮ阈值的局部放电去噪方法ꎬ通过仿真数据分析ꎬ减少了重构误差ꎬ提高信噪
６８
« 电气开关» (２０２１. Ｎｏ. ６)
文章编号:１００４－２８９Ｘ(２０２１)０６－００６８－０４
基于经验模态分解法的变压器局部放电
去噪方法研究
宫成明ꎬ厉伟
( 沈阳工业大学电气工程学院ꎬ辽宁沈阳１１０８７０)
摘要:复杂噪声环境下ꎬ提取变压器的局部放电信号是对其运行状态在线检测的关键ꎮ ＥＭＤ舍高频ꎬ留低
[ Ｊ] . 砖瓦世界ꎬ２０１９(１２) :７７.
[３] 毛伟思. 分析输配电及用电工程线路安全运行的问题及其技

基于卷积神经网络的开关柜局部放电监测

基于卷积神经网络的开关柜局部放电监测朱正国;何斌斌;胡冉;秦哲【摘要】This paper presents a method based on artificial intelligence and machine learning theory to realize the monitoring the operation status of distribution network equipment,and it also displays a system which uses the ultrasonic and ground wave data and is based on convolutional neural network to monitor the partial discharge of the switch cabinet.A concrete convolutional neural network model is designed in the paper,which after the off-line training,can be used to analyze and identify some of the real-time signal generated by the switch cabinet in actual operation,and further judge the running status of equipment.The experimental results show that in the premise of noise reduction of the error signal,the system can accurately indicates the exact situation of equipment operation,which fully demonstrates the effectiveness of the proposed method.%提出了一种通过人工智能和机器学习理论来实现配网设备运行状况监测的方法,并展示了一套基于卷积神经网络使用超声波和地电波数据的开关柜自动局部放电现象的监测系统.设计了具体的卷积神经网络模型,使其在经过离线训练之后,可以对开关柜实际运行时所产生的信号进行实时的分析与辨别,进而判断设备的运行状况.实验结果表明,在错误信号进行降噪处理的前提下,该系统依然可以准确地给出设备运行的确切状况,这充分证明了提出方法的有效性.【期刊名称】《电网与清洁能源》【年(卷),期】2017(033)003【总页数】6页(P17-22)【关键词】局部放电;开关柜;卷积神经网络;智能电网【作者】朱正国;何斌斌;胡冉;秦哲【作者单位】南方电网深圳供电局电力技术研究中心,广东深圳518000;南方电网深圳供电局电力技术研究中心,广东深圳518000;南方电网深圳供电局电力技术研究中心,广东深圳518000;广州安电测控技术有限公司,广东广州 510000【正文语种】中文【中图分类】TM855由于电力设备在运行中会受到电、热、机械等负荷作用，以及一些自然因素的影响，长期工作会引起电力设备的老化、疲劳和磨损，以致性能逐渐下降[1-2]。

基于模糊K-近邻算法的GIS局部放电模式识别

Ｋ－ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒｓＡｌｇｏｒｉｔｈｍ
ＨＵＡＮＧＹｏｎｇｄｏｎｇ，ＮＩＵＸｕｅｓｏｎｇ２
（１．ＪｉｅｙａｎｇＰｏｗｅｒＳｕｐｐｌｙＢｕｒｅａｕｏｆＧｕａｎｇｄｏｎｇＰｏｗｅｒＧｒｉｄＣｏｒｐｏｒａｔｉｏｎ，Ｊｉｅｙａｎｇ，Ｇｕａｎｇｄｏｎｇ５２２０００，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｉｃａｌａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＨｕｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ，Ｈｕｎａｎ４１００８２，Ｃｈｉｎａ）
文章编号：１００７ — ２９Ｏｘ（２０１４）０１．００８１．０４
ＤｉｓｃｒｉｍｉｎａｔｉｏｎｏｎＧＩＳＰａｒｔｉａｌＤｉｓｃｈａｒｇｅＭｏｄｅＢａｓｅｄｏｎＦｕｚｚｙ
Ａｂｓｔｒａｃｔ：Ｄｅｔｅｃｔｉｏｎｆｏｒｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｏｆｇａｓｉｎｓｕｌａｔｅｄｍｅｔａｌｅｎｃｌｏｓｅｄｓｗｉｔｃｈｇｅａｒａｎｄｃｏｎｔｒｏｌｇｅａｒｉｓｏｆｉｍｐｏｒｔａｎｔｓｉｇｎｉｆｉ — ｃａｎｃｅｔｏｅｎｓｕｒｅｓａｆｅａｎｄｒｅｌｉａｂｌｅｏｐｅｒａｔｉｏｎｏｆＧＩＳ．ＦｏｒｃｏｎｄｕｃｔｉｎｇｅｆｆｅｃｔｉｖｅｄｉａｇｎｏｓｉｓｏｎｄｅｆｅｃｔｆａｕｌｔｏｆｈｉｇｈｖｏｌｔａｇｅＧＩＳ，ｔｈｉｓｐａｐｅｒｄｅｓｉｇｎｓｆｏｕｒｋｉｎｄｓｏｆｔｙｐｉｃａｌｄｅｆｅｃｔｍｏｄｅｌｓａｎｄｕｓｅｓｕｌｔｒａｈｉｇｈｆｒｅｑｕｅｎｃｙｍｅｔｈｏｄｔｏｅｘｔｒａｃｔｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｓｉｇｎａｌｓｉｎｏｒｄｅｒｔｏｇｅｔｄｉｓｔｒｉｂｕｔｉｏｎｍａｐｓｏｆ－ｑａｎｄ－ｎａｎｄａｃｑｕｉｒｅｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓｉｎｃｌｕｄｉｎｇｄｅｇｒｅｅｏｆｓｋｅｗｎｅｓｓＹＳｋ，

基于神经网络算法的变压器诊断

基于神经网络算法的变压器诊断摘要：电力变压器诊断是根据变压器故障特征，定故障的性质或者类别，为变压器的检修决策提供依据。

文章对变压器油溶解气体的来源、特点及产生原因进行分析，通过构建变压器油中溶解气体与变压器故障之间的对应关系的专家系统，运用神经网络算法对变压器进行全面诊断，仿真结果表面文章所示方法具有可行性。

1.神经网络算法基本原理神经网络算法（BP神经网络）是一种前向网络，利用反向传播学习算法进化学习。

目前神经网络算法已广泛应用于故障诊断、寿命预测、数据归类等方面。

典型神经网络算法包括：输入层、隐含层、输出层。

其拓扑如图1所示。

图1 神经网络拓扑图图1所示拓扑结构可知，当选取一组学习样本作为输入时，通过映射条件至隐含层，然后再经激活函数处理，反向输出到输出传播层，并在输出层获得神经元的网络输入响应；以降低实际输出和目标输出之差为优化条件，反向修正映射和激活函数连接权值，最后返回输入层。

如此过程反复交替，从而实现误差的减少。

1.变压器诊断模型文章通过对变压器常见故障进行诊断分析，得出变压器故障类型与特征气体之间关系如表1所示。

表1 变压器故障类型与特征气体之间关系表从表1可知，变压器故障后变压器油溶解气体核心为：、、、、五种气体。

因此将它们作为变压器故障特征提取量，通过比较、、三项值的大小来判断故障。

1.基于神经网络的变压器诊断过程从文章第二节可知，气体之间比值的不同对应不同的故障类型，因此可以构建三项值与故障类型对应关系，并将该关系作为神经网络的输入和输出进行训练。

由于变压器进行故障的诊断时，因为其内部油中的特性气体和自身问题件并不是线性的关系，所以选择非线性的Sigmoid函数来对其进行计算。

通过上述反向传播训练，得到适用于变压器诊断特点的神经网络权值模型。

运用得到的神经网络权值模型，输入实际数据，得到神经网络传播后的输出结果，该结果即为对应的变压器故障类型。

1.仿真实例文章收集了实际故障数据如表2所示。

电力变压器在线监测与故障诊断

PART THREE
基于信号处理的方法：利用信号处理技术，提取故障特征并进行分类。基于知识的方法：利用专家系统、模糊逻辑等知识库技术进行故障诊断。
基于模型的方法：建立电力变压器数学模型，通过模型参数的变化进行故障诊断。
基于人工智能的方法：利用神经网络、深度学习等技术进行故障诊断。
原理：通过分析变压器油中溶解气体的成分和浓度来判断变压器的故障类型和严重程度。
干扰因素多：电力变压器运行环境复杂，存在多种干扰因素，对在线监测设备的稳定性和准确性造成影响。
设备老化和维护问题：电力变压器设备老化、维护不当等问题，导致在线监测设备易出现故障，影响监测效果。
数据分析难度大：电力变压器产生的数据量庞大，准确分析这些数据对技术和算法要求极高，目前还存在一定难度。
PART FOUR
应用场景：介绍电力变压器在线监测与故障诊断的应用领域，如电力系统、石油化工等。
案例概述：列举几个电力变压器在线监测与故障诊断的典型案例，包括监测方案、故障诊断方法、实施效果等。
应用背景：介绍油中溶解气体监测在电力变压器在线监测中的重要地位和作用。
监测原理：简述油中溶解气体的产生机理和监测方法。
案例背景：某变电站主变压器出现异常振动，需要进行在线监测与故障诊断。
监测方案：采用振动分析技术，对变压器的振动信号进行实时采集和分析。故障诊断：通过分析振动信号，诊断出变压器存在局部放电故障。处理措施：及时停运变压器，进行维修和更换部件，确保设备正常运行。
PART FIVE
监测技术不成熟：目前电力变压器在线监测技术尚未完全成熟，无法准确判断所有故障。
优点：能够早期发现变压器内部的潜在故障。
添加标题
添加标题

核电厂500 kV主变压器局部放电异常分析

4作者简介：郭述志(1977— )，男，高级工程师，本科，从事核电站生产准备及调试管理工作。

郭述志，段琰璞，杨庆学(国核示范电站有限责任公司，山东荣成 264300)摘要：介绍了某核电厂500kV 主变压器局部放电量超标情况，通过现场试验、返厂解体检查及试验、生产过程排查，全面地分析了变压器局部放电量超标原因。

结果表明：由于变压器长期充氮储存，导致外部潮气进入变压器本体，叠加内部绕组撑条位置纸板受力变形，形成绝缘薄弱点，在试验过程产生局部放电。

为避免此类事故的发生，针对核电厂主变压器制造、存储、安装周期长等特点，提出了应对措施。

关键词：主变压器；局部放电；油色谱分析中图分类号：TM411 文献标识码：B 文章编号：1007-3175(2021)01-0043-04Abstract: This paper introduces the situation of partial discharge exceeding the standard of 00kV main transformer in a nuclear power plant. Through field test, disassembly inspection, test and production process investigation, the causes of over standard of partial discharge of transformer are comprehensively analyzed. The results show that :due to the long-term storage of nitrogen in the transformer, the external mois-ture enters the transformer body, and the paperboard at the position of the internal winding stay bar is deformed under stress, forming an insula-tion weak point and producing partial discharge during the test. In order to avoid the occurrence of such accidents, the countermeasures are put forward according to the characteristics of long manufacturing, storage and installation period of main transformer in nuclear power plant. Key words: main transformer; partial discharge; oil chromatogram analysisGUO Shu-zhi, DUAN Yan-pu, YANG Qing-xue（State Nuclear Power Demonstration Plant Co., Ltd, Rongcheng 264 00, China ）Analysis on Abnormal Partial Discharge of 500kV MainTransformer in Nuclear Power Plant核电厂500kV主变压器局部放电异常分析0 引言大型变压器作为核电厂的核心设备之一，为保证其长期安全可靠运行，在投运前须考核其在运输和现场安装后的绝缘性能。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎｏｆＴｒａｎｓｆｏｒｍｅｒＰａｒｔｉａｌＤｉｓｃｈａｒｇｅＢａｓｅｄｏｎ
ＦｕｚｚｙＡＲＴＮｅｕｒａｌＮｅｔｗｏｒｋ
第３２卷第６期
Ｖｏ１．３２．ＮＯ．６
西华大学学报（自然科学版）
ＪｏｕｒｎａｌｏｆＸｉｈｕａＵｎｉｖｅｒｓｉｔｙ・ＮａｔｕｒａｌＳｃｉｅｎｃｅ
２０１３年１１月
Ａｂｓｔｒａｃｔ：Ｔｈｅａｕｔｈｏｒｓｃｏｎｄｕｃｔｅｄｍｏｄｅｌｔｅｓｔｂｙｕｓｉｎｇｔｈｒｅｅｔｙｐｉｃａｌｅｌｅｃｔｒｏｄｅｍｏｄｅｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ，Ｔｈｒｏｕｇｈａｎａｌｙｓｉｓａｎｄｃａｌ — ｃｕｌａｔｉｏｎｔｈｅｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｓｉｇｎａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｗｅｒｅｅｘｔｒａｃｔｅｄ，ａｎｄｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｐａｔｒｉａｌｄｉｓｃｈａｒｇｅｓｉｇｎａｌｓｆｅａｔｕｒｅｌｉｂｒａｒｙｗａｓｅｓｔａｂｌｉｓｈｅｄ．ＴｈｅｅｘｔｒａｃｔｅｄｆｅａｔｕｒｅａｍｏｕｎｔｏｆｐａｔｒｉａｌｄｉｓｃｈａｒｇｅｓｉｇｎａｌｓｗａｓｕｓｅｄａｓｔｈｅｆｕｚｚｙＡＲＴｎｅｔｗｏｒｋｇｉｎｐｕｔｉｎｏｒｄｅｒｔｏｉｄｅｎｔｉｆｙｔｈｅｔｙｐｅｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ，ａｎｄｃｏｍｐａｒｅｗｉｔｈｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ．ＴｈｅｒｅｓｕｌｔｓｏｆｅｘｐｅｒｉｍｅｎｔｓｈｏｗｅｄｔｈａｔｆｕｚｚｙＡＲＴｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｅｆｆｅｃｔｉｖｅｆｏｒｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｏｆｔｒａｎｓｆｏｒｍｅｒｐａｔｒｉａｌｄｉｓｃｈａｒｇｅ．Ｋｅｙｗｏｒｄｓ：ｔｒａｎｓｆｏｒｍｅｒ；ｐａｔｉｒａｌｄｉｓｃｈａｒｇｅ；ｆｕｚｚｙＡＲＴｎｅｕｒａｌｎｅｔｗｏｒｋ；ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ
征量，建立相应的局部放电信号特征库，以此作为模糊ＡＲＴ网络的输入，对局部放电的类型进行模式识别，并将识别结果与ＢＰ网络的识Байду номын сангаас结果进行对比。实验结果表明，模糊ＡＲＴ网络用于变压器局部放电模式识别是有效的。关键词：变压器；局部放电；模糊ＡＲＴ神经网络；模式识别
ＮＯＶ．２Ｏｌ３
・
机电工程・
基于模糊ＡＲＴ神经网络的变压器局部放电模式识别
王家炜，杨燕翔，孟海林，陈伟
（西华大学电气信息学院，四川成都６１００３９）
摘
要：对变压器主要放电类型的３种局部放电典型电极模型进行试验，通过分析计算提取局部放电信号特
ＷＡＮＧＪｉａ — ｗｅｉ，ＹＡＮＧＹａｎ — ｘｉａｎｇ，ＭＥＮＧＨａｉ — ｌｉｎ，ＣＨＥＮＷｅｉ
（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＸｉｈｕａＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３９Ｃｈｉｎａ）
中图分类号：ＴＭ４１；ＴＰ１８文献标志码：Ａ文章编号：１６７３—１５９Ｘ（２０１３）０６— ００７９— ０５
ｄｏｉ：ｌ０．３９６９／ｊ．ｉｓｓｎ．１６７３—１５９Ｘ．２０１３．０６．０１７