基于智能信息融合的油浸式電力變壓器故障診斷.pdf

1、電力關(guān)系到國民經(jīng)濟(jì)的持續(xù)發(fā)展，而電力變壓器是電力系統(tǒng)中最重要的電氣設(shè)備之一，其運(yùn)行狀態(tài)直接影響電力系統(tǒng)的安全水平。變壓器油中溶解氣體分析（Dissolved Gas-in-oil Analysis，DGA）是變壓器內(nèi)部故障診斷的重要手段，它為間接了解變壓器內(nèi)部的一般隱患提供了重要依據(jù)。國際電工電氣委員會據(jù)此推薦了基于油中溶解氣體分析的三比值方法，但該方法中存在一些缺陷。如何進(jìn)一步發(fā)揮油中溶解氣體分析診斷方法的優(yōu)勢，及時(shí)、準(zhǔn)確地分析變壓器

2、內(nèi)部的早期故障，已成為高壓電氣設(shè)備故障診斷研究的一個重要方向。國內(nèi)外學(xué)者從專家系統(tǒng)、模糊數(shù)學(xué)、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）、信息融合等角度，對其進(jìn)行了研究，取得了一定的效果。對此，本文基于油中溶解氣體分析數(shù)據(jù)，采用不同的方法對其與故障之間的關(guān)系進(jìn)行了研究。 由于故障征兆和故障類型之間存在著復(fù)雜的非線性關(guān)系，使得診斷系統(tǒng)的數(shù)學(xué)模型很難獲取。而人工神經(jīng)網(wǎng)絡(luò)以其分布式并行處理、自適應(yīng)、自

3、學(xué)習(xí)、聯(lián)想記憶以及非線性映射等優(yōu)點(diǎn)，為解決這一問題開辟了新途徑。因此，本文采用BP神經(jīng)網(wǎng)絡(luò)來研究變壓器故障診斷系統(tǒng)。但是如何使BP網(wǎng)絡(luò)被足夠泛化，即不收斂于局部極小點(diǎn)，是一個關(guān)鍵問題，此外，采取傳統(tǒng)的單一人工智能診斷方法，存在一些固有的缺陷。 針對BPNN的不足，本文將模糊數(shù)學(xué)與神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)造了新型的模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN），此網(wǎng)絡(luò)將自適應(yīng)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)優(yōu)點(diǎn)與模糊數(shù)學(xué)的模糊推理方法進(jìn)

4、行了有效的結(jié)合，解決了變壓器絕緣故障診斷中模糊規(guī)則難以確定的問題。結(jié)果證明，該模型有效地改善了神經(jīng)網(wǎng)絡(luò)收斂速度慢，易陷入局部最小的缺點(diǎn)，分類效果較好，從而有效地克服了以往采用單一方法進(jìn)行診斷時(shí)所固有的的診斷出錯或診斷結(jié)果不全面等缺點(diǎn)。 本文從信息融合的角度出發(fā)，提出了一種基于TNFIN和D-S證據(jù)理論的模塊化綜合故障診斷模型。該模型以油中溶解氣體分析作為診斷內(nèi)部潛伏性故障的主線，結(jié)合各種相應(yīng)的試驗(yàn)項(xiàng)目進(jìn)行綜合診斷，確定了故障的大