关键词： 变压器   故障诊断   贝叶斯网络   改进黏菌优化算法   油中气体分析法  

摘要： 油浸式变压器是电网系统的核心设备,对于保障电网系统安全运行起着至关重要的作用。因此,油浸式变压器的故障诊断技术以及诊断准确性对于电网系统各项工作特性的稳定运行具有十分重要的意义。当油浸式变压器发生故障时,变压器油及绝缘材料等不断裂解会产生特征气体。油浸式变压器结构复杂,传统的故障诊断方法往往存在诊断能力弱、诊断精度低等缺点。为了解决上述问题,本文提出一种将油中溶解气体分析法与改进的贝叶斯网络结构学习算法相结合的故障诊断方法。主要内容如下: (1)针对变压器故障诊断模型的特征变量选取问题,本文首先分析油浸式变压器的基本结构、故障类型和故障诱因等,并通过对比传统故障诊断方法,选用改良无编码比值法确定故障特征变量,从而进一步确定基于改进黏菌算法优化贝叶斯网络的变压器故障诊断网络模型节点变量。 (2)针对传统贝叶斯网络存在寻优速度慢且容易陷入局部最优等问题,本文提出一种基于M-ISMA的贝叶斯网络结构学习方法。首先,介绍了黏菌优化算法和贝叶斯网络的原理,结合互信息和最大支撑树机制建立初始贝叶斯网络结构,采用黏菌优化算法以BIC分数为评判标准进行迭代,从而得到最优贝叶斯网络结构;然后,为提高算法的开发能力和搜索效率,引入Cubic混沌映射初始化种群,利用反向学习策略和正弦-余弦算法增强种群多样性和质量,在算法后期搜索阶段更新解的位置,避免算法陷入局部最优;最后,经过多种算法测试与验证,结果表明基于改进黏菌算法优化贝叶斯网络的结构学习算法具有较好的可行性。 (3)将基于改进黏菌算法优化贝叶斯网络的结构学习算法应用于变压器故障诊断中。首先采用改良无编码比值法确定网络的证据节点,将故障类型作为目标节点,通过不断学习训练集样本,得到最优的变压器故障诊断模型,进而通过实例分析、样本数据缺失分析和样本容量分析以及相关实验,验证本文提出的基于M-ISMA优化贝叶斯网络结构的变压器故障诊断模型具有较高可行性与准确性。 (4)进一步以Lab VIEW为仿真平台建立油浸式变压器故障监测与诊断系统,验证了本文提出诊断方法的有效性,经过系统结果测试表明该系统具有较精确的诊断效果,同时说明优化的贝叶斯网络应用于变压器故障诊断中具有较高的工程价值和实用意义。图51幅,表23个,参考文献81篇。

关键词： 单相四柱换流变压器   铁芯磁滞模型   电磁暂态模型   参数辨识  

摘要： 换流变压器作为国家特高压直流输电中的重要一环，其运行状态影响着电力系统的稳定。随着直流输电规模的扩大，换流变受到的交直流侧暂态损害逐渐增多，建立准确的换流变电磁暂态模型是电力系统电磁暂态仿真的基础。而当下PSCAD平台中没有可适用的换流变模型，因此本文从变压器铁芯结构形式出发，建立不同结构单相变压器铁芯等值电路模型，提出一种用标量微分方程等效的变压器铁芯磁滞模型，探究铁芯磁滞模型关键参数的最优求解算法，最后通过变压器空载试验数据验证本文单相多柱变压器电磁暂态模型的准确性。论文的主要研究工作如下:　　(1)通过对单相多柱变压器铁芯拓扑结构的分析，建立了单相两柱、单相四柱结构形式的等值磁通回路;推导了统一磁路等效理论，并由此建立了单相两柱、单相四柱变压器铁芯等值磁路模型;基于单相四柱变压器模型特殊的磁路拓扑，将其等效成两个对称的单相三柱磁路拓扑，以此简化建模仿真计算。　　(2)基于Jiles-Atherton(J-A)模型拟合硅钢片材料磁滞特性的良好效果，推导并建立了 J-A磁滞理论的正逆模型;将J-A磁滞模型嵌入变压器铁芯等值磁路，探究了 J-A模型在电磁暂态仿真中的迭代步骤，在PSCAD平台建立了计及饱和特性的单相两柱、单相四柱变压器电磁暂态仿真模型，并分别进行变压器空载试验及使用实测单相四柱变压器空载数据进行比对验证。　　(3)针对当前算法在J-A模型参数辨识过程中存在的辨识精度低、收敛速度慢等问题，提出了一种改进的人工蜂群算法;分别以仿真及实测磁滞回线为依据，研究了麻雀算法、遗传算法、人工蜂群算法及改进人工蜂群算法对J-A磁滞模型参数优化性能的差异。　　本文研究结果表明:采用本文所建立的变压器暂态模型分析实际换流变空载正常工况及直流偏磁工况，其励磁电流峰值的最大偏差低于5％,研究成果促进了包含磁滞特性的单相四柱换流变压器在PSCAD电磁暂态仿真平台的应用。

关键词： 油中溶解气体浓度预测   变压器内部故障预测   TGSCSO   LSTM   LSSVM  

摘要： 变压器是电力系统的命脉,其稳定运行至关重要。变压器一旦发生故障,将会导致电力网的部分瘫痪,造成不可估量的损失。因此对电力变压器内部故障预测的研究十分有必要。本文基于电力系统在线监测数据,建立了一种变压器内部故障预测模型,避免了变压器内部引起的事故,提高了电力系统运行稳定性。首先建立变压器油中溶解气体浓度预测模型,利用互补集合经验模态分解算法(Complementary Ensemble Empirical Mode Decomposition,CEEMD)将原始气体浓度序列分解为一系列具有一定频率特征的分量,以提高原始序列的可预测性能;然后针对各分量分别建立长短期记忆神经网络(Long Short-Term Memory,LSTM)预测模型,同时利用经Tent映射随机初始化种群与高斯扰动改进的沙丘猫群优化算法(Tent&Guass Sand Cat Swarm Optimization,TGSCSO)对LSTM网络参数寻优,以提高算法的预测精度;最后重构各个分量的预测结果以获取最终的油中溶解气体浓度预测结果。利用569组某500k V变压器实际气体浓度数据对所提方法进行对比实验,实验结果表明,所提方法油中溶解气体浓度预测性能优良,具有较好的应用价值。然后建立变压器内部故障诊断模型,通过改进的沙丘猫群优化算法寻求最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)中的最优惩罚系数和核函数参数,用以提高故障诊断的准确率。代入421组某500k V电力变压器的油中溶解气体检测数据来诊断故障类型,与其他诊断方法进行对比,实验表明该诊断模型具有一定优势。最后基于变压器油中溶解气体浓度预测模型和变压器内部故障诊断模型建立了变压器内部故障预测模型,并将收集的变压器故障发生前的油中溶解气体浓度输入到建立的故障预测模型中,对模型的故障预测性能进行验证。该论文有图49幅,表17个,参考文献75篇。

关键词： 非晶合金变压器   磁-热-流耦合   绕组故障   运行特征   顶层油温  

摘要： 随着我国工业化进程的不断加快,电能需求不断增长,电力系统的装机容量和电网规模也在不断扩大,电网及设备安全经济运行一直是业内关注的重要技术问题,直接影响供电企业效益,关乎国计民生。国家大力实施“碳达峰、碳中和”发展战略,降低电网损耗一直是电力系统技术和管理工作的重中之重。配电变压器作为电力网中的重要组成部分,是配送电能的关键设备,在配电网安全稳定运行中作用重要,应用非晶合金变压器是电网节能减排的重要环节。非晶合金变压器具有低空载损耗、低空载电流的优良特性,但由于其特殊的矩形绕组和铁心结构,绕组承力不平衡问题突出,更易发生绕组匝间短路故障,轻微匝间短路故障也容易引发连锁效应,导致设备损坏,供电中断,影响配电网安全稳定运行。因此,亟需对非晶合金变压器单匝轻微匝间短路故障时的多物理参数变化特征进行分析,探求敏感状态量用于非晶合金变压器轻微匝间短路故障的状态诊断,以实时感知非晶合金变压器是否发生轻微匝间短路故障,提高配电网供电可靠性。首先,本文基于电磁-流体-温度多物理场耦合原理,在Maxwell 3D中建立非晶合金变压器场路耦合仿真模型,在Workbench中建立非晶合金变压器电磁-流体-温度场耦合仿真模型,仿真分析非晶合金变压器额定运行工况下电磁场、流体场和温度场的分布及各参数的变化特征。通过空载试验、负载试验和温升试验对耦合仿真模型的正确性进行验证,为后续不同运行工况下非晶合金变压器绕组匝间短路故障的研究提供理论指导。其次,本文基于非晶合金变压器电磁-流体-温度场耦合仿真模型,对绕组首端、中部、末端和外层、中层、内层绕组发生绕组匝间短路故障后的电磁场、流体场及温度场等多物理场的不同变化特征及不同分布规律进行对比分析,得到变压器顶层油温这一变化规律明显且易于获取的状态量,为提出非晶合金变压器轻微匝间短路故障的状态诊断方法提供理论依据。最后,从故障状态量的敏感度和获取难易程度出发,提出一种基于顶层油温变化率的非晶合金变压器绕组故障的状态诊断方法,并对不同负载率和不同环境温度下的温度场进行对比分析。该方法可以有效诊断非晶合金变压器绕组轻微匝间短路故障,预防轻微匝间短路故障进一步恶化,为非晶合金变压器绕组绝缘在线监测、状态诊断与运行维护提供帮助。

关键词： 电力变压器   电磁特性   内部故障   模型匹配   漏磁测量   继电保护  

摘要： 近年来电力系统迅速发展，对大中型电力变压器保护的安全性、可靠性、灵敏性、选择性和快速性提出了更高的要求。现有以差动保护为代表的基于电气特征的变压器保护方案在应用时需要增加涌流闭锁判据，存在保护动作时间延迟、整定困难等问题，难以满足当前对变压器主保护性能的要求。相比之下基于电磁特征的变压器保护方案专注于故障状态与非故障状态的区分，不受励磁涌流影响，能够突破涌流识别的限制。为此，本文综合电压量、电流量以及磁场量等多维度信息，从变压器的电磁耦合关系出发，根据内部磁通流通路径的差异，从主磁通特性和漏磁通特性两个方面研究了基于电磁特性的新型变压器保护原理。　　论文完成的主要工作如下:　　(1)对适用于继电保护的变压器电磁特性求解模型进行理论研究。建立了从变压器的等效电路磁路出发，考虑铁心非线性和漏阻抗参数的变压器主磁通求解模型以及以单重傅里叶级数法为核心，以绕组电流和幅向漏磁感应强度量为要素的漏磁求解模型，为设计基于电磁特性的变压器保护方案奠定了基础。　　(2)提出了一种基于主磁通模型匹配法的变压器保护方案。首先基于主磁通模型，分析了内部故障和正常情况下变压器实际主磁通与模型计算主磁通的匹配差异。在此基础上，设计了以实时电压量和电流量反映匹配程度的主磁通在线模型匹配方案，提出了依据主磁通模型匹配差异识别内部故障的变压器保护方案。最后，搭建了基于PSCAD的仿真模型，对所提主磁通模型匹配保护方案对于各类变压器扰动与故障工况的有效性进行验证。　　(3)提出了一种基于漏磁通模型匹配法的变压器保护方案。首先基于漏磁求解模型，分析了发生内部故障时漏磁空间分布的解析计算方法。之后选择故障情况下发生改变的漏磁模型参数作为故障特征，综合利用电流信息以及漏磁测量信息求取实时漏磁状态角，提出了依据状态角变化情况作为模型匹配指标的变压器漏磁通模型匹配保护方案。最后，通过ANSYS仿真测试平台和动模录波实验数据对漏磁通模型匹配法保护方案的有效性进行验证。

关键词： 变压器   参数辨识   PMU   量测误差   数据质量评估  

摘要： 变压器作为电力系统中的主要设备,其参数的准确性对电力系统安全稳定分析具有重要作用。传统获取变压器参数的方法,如理论计算、离线量测等无法计及变压器实际运行状态,而基于PMU数据的参数辨识方法则可以实现在线辨识。然而,实测PMU数据存在误差或偏差,会影响变压器参数辨识结果,进而影响电力系统高级应用。针对上述问题,本文开展了如下工作:(1)针对三绕组变压器,构建了一套基于单点和多点量测的PMU数据的可信性指标。首先考虑变压器运行时三绕组电压电流相量之间的关系,形成基于单点量测的可信性指标;其次,结合统计学知识,形成基于多点量测的可信性指标;最后,通过实测数据验证了可信性指标的正确性和有效性。(2)结合变压器有功和无功损耗估计,提出了一种变压器功率量测异常检测方法。首先,变压器三绕组的PMU量测电压电流和功率应当满足一定的电气约束,由此对变压器单侧功率量测进行检测;其次,在考虑互感器与变压器参数误差的情况下设定功率偏差的阈值,在阈值的范围内对有功和无功的量测值和估计值进行比较,以此判断变压器三绕组的有功无功量测是否存在异常,并通过仿真和实测算例验证了该检测方法的有效性。(3)结合灵敏度,揭示了电压、电流的幅值和相角量测误差与变比误差对三绕组变压器参数辨识的影响特性,并确定了主导因素。通过灵敏度分析得到了三绕组变压器电压和电流的幅值量测误差、相角量测误差和变比误差对待辨识参数的影响特性,通过仿真验证了灵敏度计算的正确性,并结合灵敏度特性分析,确定了影响变压器参数辨识的主导因素。(4)针对三绕组变压器,结合误差影响特性,提出了一种分步的抗差参数辨识方案。在辨识时,首先基于三绕组变压器的正序等值模型,建立了单时刻的参数辨识方程;其次,考虑到实际运行时变压器分接头位置未知的问题,通过变压器的电压和电流的相量关系计算出实际的变比并选择分接头;最后将多个时间段面的的数据代入参数辨识方程联立并采用最小二乘法进行求解。为使得辨识结果具有较好的抗差性能,采用中位数抗差算法对最小二乘法的参数辨识结果进行处理。仿真和实测结果表明,该参数辨识方案具有有效性且具有较好的抗差性能。

关键词： 电力变压器   故障诊断   正则化极限学习机   核极限学习机   卷尾猴搜索算法   萤火虫改进麻雀算法  

摘要： 电力变压器在电力系统输配电过程中有着至关重要的作用,其运行状态直接影响电力系统供电的安全可靠性。对电力变压器进行潜在故障的准确识别,降低故障引发的经济损失和危害,是电气工程领域长期以来的热点研究方向。在电力变压器故障诊断中最为广泛应用的方法是油中溶解气体分析,但基于油中溶解气体的传统故障识别方法诊断精度较低,且存在边界过于绝对和编码不完备的局限性。本文在分析现有电力变压器故障诊断方法的基础上,将传统方法和人工智能方法结合来实现电力变压器的故障诊断,对电力系统的安全稳定运行有着关键的理论和实际应用意义,主要工作内容如下:(1)对电力变压器故障时与其产生的特征气体间的映射关系进行总结,结合无编码比值等传统方法,通过对收集的电力变压器油气数据进行特征处理,减少模型输入的冗余特征并提升模型的诊断速度,得到与电力变压器故障时关联性更强的油气特征。(2)针对现有故障诊断方法精度差,模型泛化性能不足的问题,建立了基于正则化极限学习机和核极限学习机的电力变压器故障诊断模型,改善了模型训练的过拟合问题,实验结果表明,故障诊断精度得到了进一步提升。(3)由于所构建分类模型超参数对实验结果有显著影响,针对于此,将卷尾猴搜索算法与萤火虫改进麻雀算法引入模型当中,对极限学习机的输入层权值和隐含层偏置进行参数优选,有效避免了模型陷入局部最优解的问题,提升了模型的稳定性。(4)将传统电力变压器故障诊断方法中的BP神经网络、概率神经网络、极限学习机等模型与遗传算法等传统优化算法优化极限学习机等模型进行了对比实验。实验结果表明,Cap SA-RELM与FASSA-KELM的整体性能优于传统的分类模型,故障诊断精度有所提升,模型的泛化性和稳定性得到了改善,故障诊断精度的浮动误差较小。

关键词： 油纸绝缘   支持向量机   回复电压法   老化状态评估  

摘要： 油浸式电力变压器作为电网中不可或缺的部分,其稳定运行至关重要,油纸绝缘作为变压器的重要组成部分,长期工作环境下绝缘将出现老化、受潮现象,将严重威胁绝缘的可靠性,因此准确获得变压器油纸绝缘的运行状态至关重要。本文首先设计用于RVM分析的回复电压采集电路,为解决测试阶段存在悬浮电位导致测试结果偏大的问题,文中采用双开关强制接地,RVM/PDC试验电路的转换由控制逻辑电路通断来实现,对油纸绝缘进行回复电压特性测试验证所设计回复电压采集电路的合理性和有效性;同时,在实验室环境下对油纸绝缘试样进行加速热老化及受潮试验,制备了多组油纸绝缘老化、受潮试样,并开展不同测试温度下的RVM测试,测试结果表明RVM曲线与测试温度、油纸绝缘老化程度、纸板内水分含量之间均存在一定的关联性,所提取出的回复电压特征量的变化趋势与理论分析结果一致。同时观测试样发现,测试温度对老化、受潮油纸绝缘模型测试特征量的变化量的影响较小,仅需考虑温度修正系数对曲线的影响即可。对于测试后获得的油纸绝缘RVM曲线,本文进行了RVM中与油纸绝缘状态相关的特征参数的提取,如峰值电压、初始斜率、中心时间常数等,以此构建了油纸绝缘RVM特征参数的模式识别库。由于常规油纸绝缘老化评估方法难以用单一种类的试验数据对待测模型老化状态进行量化评价,本文对回复电压特征参数进行理论分析,提出了一种基于改进TOPSIS算法的油纸绝缘回复电压特征量表征绝缘老化状态的分类方法,并通过PSO-ELM神经网络算法调节输出层数,实现模型聚合度和含水率双参数的预测,但根据试验发现,水分含量预测的准确度较高,老化程度预测的结果偏差较大,因此本文进一步采用改进SVM模型,在考虑水分影响条件下,在消除梯度爆炸或梯度消失的影响后,实现了油纸绝缘老化程度(聚合度)的准确评估,分析结果表明,油浸纸板聚合度预测结果与实测聚合度进行比较,发现其相对误差在4%以内,绝缘分类精度可达96%,预测结果满足工程测试需要。

关键词： 油浸式变压器   故障诊断   机器学习  

摘要： 变压器是电力变压环节的重要电力设备，是电压转换和电力传输的关键设备之一，其运行状况直接关系着整个电力系统的稳定。随着电网不断扩大规模和逐步升级，电力变压器的装载数量和电压等级也在不断增多，因变压器故障导致电力系统无法持续供电的概率也随之提高。传统的定期检修方式不仅无法有效的排除故障隐患，而且会造成“检修过剩”的问题，甚至会对变压器造成一定程度的损伤。本文提取油浸式变压器的油中溶解气体构建特征向量，将智能检测算法应用于油浸式变压器的故障诊断中，为设备维护人员提供更为精确的信息参考。本文主要研究内容如下:　　(1)针对油浸式变压器有标签样本数据量较少，样本数据标记困难的问题，提出基于梯度提升决策树(GradientBoostingDecisionTree,GBDT)与K-Means增益聚类的少标签下油浸式变压器双层故障诊断模型。通过特征气体法与无编码比值法构建可以表征变压器运行状态的高维特征向量，引入堆栈自编码器(StackedAutoEncoder,SAE)模型对表征变压器状态的高维特征向量进行降维，消除冗余信息，获得可以表征变压器运行状态的低维特征向量作为后续分类器的输入;然后构建双层故障诊断模型，针对无标签样本，引入GBDT方法作为所提模型首层,获取无标签样本的伪标签;为进一步提高诊断精度，提出基于无标记样本伪标签的K-Means聚类增益，构建新特征向量，输入末层模型K-Means用以实现二次诊断的目的。　　(2)针对油浸式变压器样本数据收集、存储和传输过程中易受噪声影响，以及单一分类器诊断精度低的问题，提出基于多阶段数据预处理与SVM—XGBoost的油浸式变压器多级故障诊断模型。利用特征气体法与无编码比值法构建可以表征变压器运行状态的高维特征向量，使用多阶段数据预处理模型剔除样本数据集中的全局噪声点和局部噪声点，构建去噪样本数据集;最后利用多级诊断思想构建SVM—XGBoost多级故障诊断模型，导入去噪样本数据集进行样本故障判定。　　(3)针对油浸式变压器类别样本数据数量差距悬殊，传统神经网络诊断精度低的问题，提出基于带辅助分类器的对抗生成网络(AuxiliaryClassifierGenerativeAdversarialNetwork,ACGAN)与改进的深度残差收缩网络(DeepResidualShrinkageNetworks,DRSN)的油浸式变压器故障诊断模型。首先，基于特征气体法与无编码比值法构建可以表征变压器运行状态的高维特征向量;其次，引入ACGAN模型对不平衡样本数据集进行样本扩容，构建平衡样本数据集;然后，引入DRSN模型进行激活函数和优化器模型的优化，组合多尺度特征提取网络模块(Multi-scaleFeatureFusionBlock,MCK),构建改进的一维DRSN模型;最后，将平衡样本数据集导入到改进的一维DRSN模型中，进行样本数据的故障判定。