论文部分内容阅读
随着我国电压等级的提高以及用电需求的日益增加,电力系统中电力设备的安全面临严重的挑战。由于电力变压器在所有的电力设备中的重要作用,往往变压器的运行状况会直接影响电力系统的运行状态,因此对变压器可能存在的潜在故障进行诊断具有重大的研究意义。油中溶解气体分析(DGA)是当前进行变压器故障分析的首要选择方法。早期的变压器故障诊断方法以DGA为理论依据,主要诊断方法包括比值法和浅层机器学习方法,这些方法在一段时期内取得较好的效果,随着电压等级的提高和传感器技术的发展,大量的无标签数据产生,对变压器的故障诊断结果精度提出更高的要求,得益于当前深度学习的热门应用,本文将深度学习算法应用在变压器故障诊断中,构建基于堆栈稀疏自动编码网络的变压器故障诊断模型和基于堆栈稀疏降噪自动编码网络的变压器故障诊断模型。本文的研究内容如下:首先,介绍本文研究的背景与意义,阐述当前变压器故障诊断的方法及其存在的问题,详细介绍当前深度学习的研究现状。其次,介绍电力变压器油中溶解气体的来源和油中溶解气体与电力变压器故障类型之间的关系,说明了根据油中溶解气体的气体类型和气体含量来进行电力变压器故障诊断的可行性。最后,搜集油中溶解气体数据建立油中溶解气体数据集,构建基于堆栈稀疏自动编码网络的变压器故障诊断模型和基于堆栈稀疏降噪自动编码网络的变压器故障诊断模型,研究其在不同的隐藏层层数、隐藏层节点数、稀疏参数、噪声系数、迭代次数和训练和测试样本比例下的性能,调整参数,确定最佳的网络模型参数。在测试集上进行测试,诊断的正确率达到97%左右,与传统的变压器故障诊断方法相比,诊断正确率提高了15%左右,结果表明本文构建的诊断模型应用在变压器故障诊断方案中是可行有效的。