论文部分内容阅读
电力变压器的状态优良直接影响到电力系统的可靠运行,到目前为止我国存在一定数量已服役近30年的电力变压器,设备老化及其他电气问题日益严峻,若出现故障造成非计划性停电事故将会造成严重生产事故、造成重大经济损失。因此,收集电力变压器历史故障数据,加强电力变压器运行状态监测,及时发现并处理电力变压器有载运行状态下的潜在性设备故障,预防和降低电力变压器故障发生的几率,对电力变压器可靠运行具有重要的理论及现实意义。变压器诊断方法正在由原来的以预防性试验为主的油中溶解气体色谱分析(DGA)的离线监测逐步转变为综合诊断为主导的变压器故障在线监测。其中电力变压器各类故障中以绕组、铁心、绝缘套管、分接开关为主的电气故障最多且最为重要,多数故障表现形式为过热和放电两种表现形式。本文首先介绍了开展变压器诊断研究的重要性,阐述了变压器故障诊断的发展现状。在对电气故障特征参数进行分析的基础上,提出了油中溶解气体与电气故障特征参数混合作为依据对变压器电气故障类型进行划分的方式,考虑电力变压器历史数据为无标签数据属性建立基于深度置信网络(Deep Belief Network,DBN)的电力变压器电气故障诊断模型,模型采用多层受限玻尔兹曼机(restricted Boltzmann machine,RBM)堆栈并在顶层采用BP神经网络返回参数的构架,并对输出数据利用SOFTMAX进行标签化进行故障分类与诊断。仿真结果显示基于DBN的电力变压电器故障诊断模型相较于传统BP神经网络诊断模型有更好的收敛速度以及更高的诊断准确率。在此基础上,根据电力变压器运行状态的马尔可夫性即后无效性,在故障比例模型(Cox模型)的基础上提出一种基于隐马尔可夫模型(hidden Markov model,HMM)的服从故障率模型的视情维修模型,对电力变压器在部分可观测数据条件下进行剩余寿命(remaining useful life,RUL)预测分析。考虑环境因素以及采集影响变压器寿命信息的局限性,利用贝叶斯公式不断优化系统状态空间建立部分信息条件下的剩余寿命预测模型。相较于传统方法,提出的算法具有更高的预测准确度,对电力变压器视情维修提供了一种新的参考方法。