下载文档原格式
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。
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。
以特高频技术为基础的变压器局部放电特征摘要：本次研究，针对以特高频技术为基础的变压器局部放电特征做出深入分析，首先分析特高频发局部放电测量原理，随后在进行变压器局部放电特高频信号的传播特性研究的同时，分析基于特高频测量技术的不同类型局部放电的频谱、图谱特征。
关键词：特高频电磁波；局部放电；特高频信号变压器在日常应用中十分广泛，包括变电站应用，工程施工应用等，其稳定的运行状态，不论是对于电网供电服务的稳定性还是工程施工安全，都具有至关重要的意义。
在变压器运行阶段，普遍存在着局部放电的现象，而变压器长期处于局部放电状态，会对变压器的绝缘介质产生长久性的侵蚀，最终导致失去绝缘性能从而带来风险，因此对变压器局部放电特征开展研究，是间接保障变压器安全运行的重要举措1.特高频法局部放电测量原理UHF法、又称特高频法，其应用原理是利用特高频信号传感器来接收变压器局部放电阶段所辐射出的特高频电磁波，在变压器在运行阶段出现局部放电的情况下，出于正负电荷的中和效应，会形成电流脉冲，并将电磁波向周围辐射，同时，电磁波与电流脉冲的特性参数同变压器的局部放电源的放电间隙绝缘强度、几何形状有密切关联。
基于变压器的油——隔板结构，其绝缘强度较高，进而发生局部放电可以辐射出频率极高的电磁波，可达数吉赫兹。
此外，油中放电的上升沿十分陡，多为纳秒级别的脉冲宽度可以有效激起＞1GHz的特高频电磁信号，此刻就可以使用特高频传感器，于变压器特高频（300~3000MHz）范围中提取变压器在局部放电中辐射的电磁波，同时这一过程中不存在外界干扰信号，能够很好的提升变压器局部放电检测灵敏性，尤其是在线监测模式，更可提高局部放电检测的可靠性与灵敏性。
当下，我国对于特高频检测技术的应用仍处于起步阶段，但该技术所体现出的潜在优势，证明其具有极其广阔的应用前景，相比传统局部放电检测技术，采用特高频局部放电检测，能够对变压器等电力设备的最小局部放电量进行精确检测，同时基于数字化测量的特高频检测，能够检测频带宽、灵敏度高、该频率且具备强抗干扰能力的电力设备局部放电现象，可进一步提升检测质量。
基于数据和模型的油浸式电力变压器健康管理系统研究一、本文概述随着电力系统的智能化、信息化进程加速，对油浸式电力变压器这类核心电气设备的精细化管理需求日益凸显。
此类变压器因其容量大、电压等级高、结构复杂，其健康状况直接影响到整个电力系统的安全可靠运行。
传统的定期检修模式已无法满足现代电力系统的高效运维要求，而基于数据驱动与模型推理的健康管理策略则展现出显著优势。
本文的研究工作旨在填补这一技术空白，开发出一套能够有效整合多源监测数据、利用先进分析模型、实现变压器全生命周期健康管理的智能系统。
提出的THMS设计遵循模块化、集成化原则，主要包括数据采集与预处理模块、状态监测与特征提取模块、健康评估与故障诊断模块、以及维护决策支持模块。
数据采集与预处理模块负责从现场传感器、在线监测设备、定期检测报告等多途径获取变压器运行数据，并进行清洗、校准、融合等预处理操作。
状态监测与特征提取模块运用信号处理、模式识别等技术，实时提取反映变压器健康状态的关键特征指标。
健康评估与故障诊断模块基于机器学习、深度学习、物理模型等多元模型融合策略，对特征数据进行深入分析，实现变压器状态的定量评估、潜在故障的早期预警及故障类型的精准诊断。
维护决策支持模块则结合设备历史数据、运行工况、经济性等因素，提出科学的预防性维护计划或维修建议，辅助电力企业进行高效运维决策。
本文研究的核心技术涵盖了大数据处理、多源信息融合、特征工程、机器学习算法应用、模型融合与优化等多个领域。
具体包括：大数据处理技术：用于海量监测数据的高效存储、索引、查询与实时分析。
多源信息融合技术：解决不同类型、不同精度、不同时间尺度数据的整合与一致性问题。
特征工程方法：设计并提取能有效表征变压器状态变化的特征变量，为后续模型训练提供高质量输入。
机器学习与深度学习算法：如支持向量机、随机森林、神经网络等，用于变压器状态分类与回归分析。
物理模型与数据驱动模型融合：结合变压器内在物理规律与实际运行数据，提升诊断准确性和鲁棒性。
电力变压器局部放电在线监测与诊断系统林渡1，姜磊1，李福祺1，朱德恒1，谈克雄1，吴成琦2，金显贺3，王昌长3，郑振中31.清华大学、电气工程部门、北京,1000842. 沈阳电力公司(集团),1100133.美国洛杉矶南加州大学, CA 90089 - 0271,摘要:本文介绍一种变压器在线局部放电(PD)监测与诊断系统。
采用主动传感器和宽带数据采集单元和系统模块化部件的系统，已经被使用在一个电站。
该电力设备监测与诊断系统的系统软件,主要是基于组件对象模型,并开发了多个参数监测多个电源系统。
统计特征的综合研究了在电力变压器用实验模型来模拟综合7变压器和3模型模拟空气中放电干扰。
通过数值模拟试验,分析了放电特征图与三维模式的三层bp人工神经网络用于识别模式。
结果表明, 局部放电在空气和油的综合可以被辨识出来。
该模型可用于变压器的局部放电在线监测的干扰排斥。
关键词:在线监测;局部放电;诊断;变压器0 简介电力设备的可靠性影响电力系统的稳定性。
在线监测器是一种有效的方法来防止出现故障的电源设备。
各种监控系统已经发展,从一个的一个设备单一的参数监测到监测多个组件系统的各种参数。
局部放电(综合)是恶化的主要原因和电力设备的绝缘分解。
过去二十年里pd检测系统有了重大的进展重大。
对于数字信号的处理方法A/D模块的优良性能是可靠性所必不可少的,例如,数字滤波,以收集更多的信号信息,甚至当信噪比(SNR)是相当低的。
本文介绍了系统所采用的高频电流传感器(HFCTs捡起PD信号、声学传感器主要用于放电位置,和一个数据采集单元(常人)与程控滤波和程控A/D单位获得实时数据。
PD一个电力设备监测与诊断系统(PEMDS),基于组件对象模型(COM)技术,控制着常人、过程的原始数据,并提供了许多其他的工具。
数据提出ψ-q / q-n /ψ-n二维模式图和aψ-q-n三维模式图, ψ相在PD 发生,问站排放数量和n表示密度,或更确切地说,PD事件的数量在1秒钟内。
电气设备局部放电模式识别研究综述一、本文概述电气设备局部放电（Partial Discharge, PD）是设备绝缘老化和失效的重要前兆，其早期检测和准确识别对于保障设备的安全运行和延长使用寿命具有重要意义。
随着科技的不断进步，对电气设备局部放电的模式识别研究已成为当前电气工程领域的热点之一。
本文旨在综述近年来电气设备局部放电模式识别的研究进展，分析不同方法的优缺点，并展望未来的研究方向。
通过对国内外相关文献的梳理和评价，本文期望为电气设备局部放电模式识别的研究和应用提供有益的参考和借鉴。
在本文中，首先将对电气设备局部放电的基本概念、产生机理和危害进行简要介绍，为后续的模式识别研究奠定基础。
接着，将重点回顾和总结电气设备局部放电模式识别的传统方法，如脉冲电流法、超声波法、化学法等，并分析它们的适用范围和局限性。
随后，将详细介绍近年来新兴的电气设备局部放电模式识别技术，如基于机器学习的方法、基于深度学习的方法以及基于的方法等，并探讨它们在提高识别准确率和效率方面的优势。
将对电气设备局部放电模式识别的未来研究方向进行展望，包括多源信息融合、智能化识别系统、在线监测与预警等方面。
通过本文的综述，期望能够为电气设备局部放电模式识别的研究和实践提供全面的视角和深入的理解，为推动该领域的发展做出一定的贡献。
二、局部放电检测技术与原理局部放电是指在电气设备绝缘结构中，部分区域发生的非贯穿性放电现象。
这种放电虽然不会立即导致设备绝缘击穿，但长期累积会对绝缘材料造成损伤，最终导致设备故障。
因此，对局部放电的有效检测与模式识别对于电气设备的预防性维护和安全运行至关重要。
电气测量法：这是最常用的方法，包括脉冲电流法、介质损耗法、局部放电超声波检测法等。
其中，脉冲电流法通过测量局部放电产生的脉冲电流来检测放电的存在和强度；介质损耗法则通过分析绝缘材料介质损耗的变化来间接判断放电情况。
化学检测法：通过检测局部放电过程中产生的气体成分和浓度变化来判断放电的强度和频率。
基于随机森林算法的变压器局部放电故障类型识别余志红发表时间：2018-04-18T11:14:20.213Z 来源：《电力设备》2017年第31期作者：余志红[导读] 摘要：通过采用不同类型的电极对变压器的局部放电进行了模拟，获取得到了三种不同类型局部放电的放电信息，通过对其放电二维谱图统计发现不同类型局部放电的放电信息各异，通过提取其放电二维谱图的统计参数，建立了表征变压器局部放电的指纹库，最终基于随机森林思想对不同类型的局部放电参数进行了训练，最终300例测试数据中测试准确组数为297，其识别准确率达到了99%。
（国网江西省电力公司赣东北供电分公司江西乐平 333300）摘要：通过采用不同类型的电极对变压器的局部放电进行了模拟，获取得到了三种不同类型局部放电的放电信息，通过对其放电二维谱图统计发现不同类型局部放电的放电信息各异，通过提取其放电二维谱图的统计参数，建立了表征变压器局部放电的指纹库，最终基于随机森林思想对不同类型的局部放电参数进行了训练，最终300例测试数据中测试准确组数为297，其识别准确率达到了99%。
为变压器局部放电类型的识别方法提供了新的途径。
关键词：局部放电；二维统计图谱；随机森林思想；模式识别0 引言电力变压器在制造使用过程中会出现一些如毛刺类的局部缺陷，这就导致该结构处局部场强集中，容易出现局部放电。
局部放电会使得电力变压器的绝缘受到侵蚀和损伤，从而最终导致其绝缘失效。
因此，有必要对电力变压器的局部放电采取更加深入的研究[1-3]。
本文设计了三种典型的局部放电模型，通过试验获取得到了三种类型局部放电的放电数据，并进一步从中提取出了表征局部放电的24种特征参数量，最后基于随机森林算法建立了识别变压器局部放电的决策树分类器。
1试验准备（1）局放试验系统（2）局部放电放电试验原理，其主要由函数发生器、功率放大器、电阻分压器、试验油罐、示波器等元器件组成。
（3）试验电极制备本文用于模拟变压器内局部放电故障的模型主要有三种，分别是固体绝缘内部气隙模型、油中沿面放电模型、油中悬浮电极放电模型和油中电晕放电模型。
基于残差卷积神经网络的开关柜局部放电模式识别黄雪莜，熊俊，张宇，刘辉，陈鹭，孟祥麟，江秀臣2摘要：传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低，难以在实际工程中应用。
提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法，通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题，并综合利用开关柜局部放电数据的浅层与深层特征融合学习，实现模式识别。
通过开关柜不同绝缘缺陷类别的局部放电模拟实验与配电站现场检测，构建了开关柜局部放电数据样本库，并进行了实验分析。
实验结果表明：所提方法的识别正确率达96.06%，相比传统识别方法至少提高了20.22%，且随着训练集样本数量的增加，识别率有更大提升。
综合使用特征层融合模块和残差模块，显著提升了模型的泛化性能，更适用于实际工程。
关键词：卷积神经网络；残差模块；特征层融合；局部放电；模式识别0 引言开关柜是中国配电网中的主要设备，其运行状态与配电网息息相关。
由于封闭在柜内的电力设备长期运行后会不可避免的产生绝缘缺陷，严重时将会发展成设备故障，影响配电网的安全可靠运行。
局部放电是开关柜存在绝缘缺陷的重要表现形式，利用局部放电带电检测数据对设备绝缘缺陷进行模式识别，能够提前了解设备的缺陷和问题，有助于后期对设备进行有针对性的检测与检修。
基于局部放电检测数据进行模式识别的传统方法主要利用专家知识，对人工经验依赖高，缺乏一定的泛化性能。
近年来，随着深度学习（deep learning，DL）的快速发展，人工神经网络（ANN）、支持向量机（SVM）、卷积神经网络（CNN）等模型被广泛应用于局部放电模式识别领域。
深度学习网络基于数据驱动，能够自主学习数据特征，具有更好的数据挖掘能力。
其中，卷积神经网络常用于处理二维矩阵数据，被广泛应用在图像识别领域中[14]。
开关柜局部放电模式识别使用的数据主要包括脉冲序列相位分布（phase resolved pulse sequence, PRPS）图谱和相位分布局部放电（phase resolved partial discharge,PRPD）图谱，与二维图像的格式表达有一定相似性。
