基于人工神经网络的电力变压器故障诊断-开题报告-文献综述-参考文献

（一）国内研究现状

目前主要依赖电力工作人员对变压器的进行巡视，工作人员的积累的变压器巡视经验，查验变压器的外形完整、周边空气味道、噪音声响判断变压器是否发生故障，做到对变压器早起故障的诊断。这种原始的对变压器状态检修方法不但对人员有丰富的运行经验，而且很容易发生失误和纰漏。变压器作为结构复杂的电力设备，而且故障种类繁多、故障原因多样、故障表型征兆没有一定的规律可言遵循，还受到监测设备获取数据的误差、外界或人为的干扰等因素，也对变压器故障的诊断增加了困难。

电力人员逐渐发现了早期变压器故障诊断的不足，加之对变压器分析的故障理论技术和试验方法的发展，可以用电工试验手段对变压器进行离线试验判断故障类型和缺陷。目前常用的离线试验方法主要是：绝缘测试、局放测试、短路阻抗、绕组变形测试、介质损耗角测试、频率响应等方法。但是目前变压器的生产制造厂家众多，衍生型号繁多，生产的工艺也不尽相同，造成上述离线试验方法都存在一定的不足，难以满足现代电力的生产要求。再后来相关学者意识到了变压器绝缘油在热和电的作用下会分解产生特定的气体，当变压器存在安全隐患的时候相应分解生成产物的速率也会变化，因此使用相关理论模型对变压器的分解产物进行分析判断故障类型，做到对变压器的在线状态监测。变压器绝缘油分解后可以生成一定浓度的氢气和烃类低分子的气体，溶解在油中的这类气体的组分含量受故障性质、类型和严重程度有一定联系。目前国际上变压器各种故障产生的特定气体已经有了共识，变压器油过热故障可以产生 CH4、C2H4为主的气体组分，绝缘纸过热时可以产生 CO、CO2为主的气体，低能局部放电产生 H2，CH4，CO 为主的气体，高能火花和电弧放电产生了以 H2，C2H2为主的气体，同时还需要鉴别次要气体组分对故障进一步判别分析。

我国对气相色谱分析技术对变压器进行检测分析始于 20 世纪 70 年代，尽管起步较晚，但是油中气体分析技术（DGA）已经取得了较大的成果，是目前常用的变压器故障诊断方法。对离线变压器进行特征气体的采集获得气体组分和含量后，使用特征气体法、三比值法、四比值法和大卫三角法等进一步判断变压器故障类型、性质和严重程度。但离线对油样采集、气体分离、组分检测和色谱分析等步骤复杂，要求每一个步骤不能出现较大的采样误差，造成故障诊断结果的不准确性。目前已经实现了油色谱的在线监测技术，传统的三比值法虽然诊断方法简单、易操作，但难以满足对变压器故障的准确判断，例如该方法只能依靠已知编码进行故障判断，故障类型界定模糊，无法识别变压器的多重故障等。

针对传统三比值等方法的缺陷，国内外学者用了很多方法弥补上述缺陷，取得了一定的研究成果。基于目前常用的 DGA 油中溶解气体分析技术，以支持向量机、灰色理论、模糊理论、人工神经网络等数学理论为基础，对在线监测获得气体参数进一步研究分析。

（二）国外研究现状

相关国外学者以变压器介质损耗角为输入输出样本，由 BP 神经网络模型判别变压器油温上升的故障，在实际应用获得了满意的结果。国内相关学者也应用 BP 神经网络对变压器故障展开预测判别，对 BP 神经网络模型进行改进，引入了遗传算法的突变理论，提升了 BP 算法模型的预测结果精度。提出了利用神经网络对变压器故障检测的完整的理论方法和措施。目前对神经网络的研究主要在算法的收敛速度和泛化能力上：学习速率可以自动进行调节，加快计算的收敛速度；算法中引入了了动量项，避免算法计算中的波动；传递函数中加入了陡度因子避免陷入局部最优；考虑了变压器的故障类型的不确定性，还引入了模糊算法理论。当然神经网络也有一定的缺点和局限，该模型需要有大量的样本和模型网络权值不断调整，但是模型应用到其它变压器时需要重新进行样本训练，以判别故障类型。

二、^范文提纲

一、基于神经网络的变压器故障诊断

（一）神经元模型

（二）BP 神经网络

（三）基于神经网络的变压器的故障诊断

（四）本章小结

二、基于 BP 神经网络的变压器关键参数联合诊断模型研究

（一）BP 神经网络的基本原理

（二）以局部放电和 DGA 为特征量的 BP 神经网络联合诊断模型构造

（三）联合诊断模型在模拟变压器故障实验中的诊断实例

（四）本章小结

三、变压器故障诊断专家系统

（一）专家分析系统

（二）分析系统实例

（三）本章小结

致谢

参考文献

三、参考文献

[1] 郭建波.1981~1991 年电网稳定事故统计分析[J].电网技术,1994,2（08)：58-61.

[2] 邢懿.浅谈油浸式变压器状态评估与检修策略[J].2007 年全国输变电设备状态检修技术交流研讨会,海口,2007.

[3] 王昌厂,李福祺,高胜友.电力设备在线监测与故障诊断[M].北京：清华大学出版社,2006.

[4] 王晓莺 , 王建民 , 杨俊海等 . 变压器故障与监测 [M]. 北京：机械工业出版社,2004.

[5] 郑万长. 智能电网中的智能化变压器[J]. 电气时代, 2010, (10): 78-83.

[6] 赖业宁, 薛禹胜, 高翔, 等. 发电容量充裕度的风险模型与分析[J]. 电力系统自动化, 2006, 30(17): 1- 6 .

[7] 周利军, 吴广宁, 张星海. 基于加权模糊度时间序列分析的大型变压器故障预报[J]. 电力系统自动化, 2005, 13 (29): 53-55.

[8] 张彼德, 裴子春, 袁宇春. 基于遗传算法优化的 BP 神经网络的变压器油中气体预测[J]. 西华大学学报, 2010, 2 (29): 145-147.

[9] 王有元, 廖瑞金, 陈伟根, 等. 基于油色谱分析的变压器故障在线预测方法[J].重庆大学学报(自然科学版), 2005, 7 (28): 34-37.

[10] 罗运柏. 用灰色模型预测变压器油中溶解气体的含量[J]. 中国电机工程学报,2001, 21(3): 65-69.

[11] 周玲,胡浩,王志贤.在论人工神经网络应用于电力变压器故障诊断[J].高电压技术,1997,23(3):21-26.