论文部分内容阅读
由于油浸式电力变压器在不同运行状态时油中溶解气体的类型和含量不同,油中溶解气体分析(Dissolved Gas-in-oil Analysis,DGA)长期以来成为判别其运行状态的一种有效手段。本文在分析现有基于DGA的电力变压器故障诊断方法的特点基础上,针对其存在的缺陷和不足,首次尝试将具有较强学习能力的深度学习神经网络(Deep Learning Neural Networks,DLNNs)应用于油浸式电力变压器故障诊断,为变压器检修人员对变压器是否决定断电检修提供更为准确的参考信息。提出了一种基于深度自编码网络(Deep Auto-Encoder Networks,DAENs)的油浸式电力变压器故障诊断新方法。基于DAENs,结合电力变压器DGA数据特点及故障类型,构建了变压器故障诊断模型,并详细给出了诊断方法实现步骤。该方法具有较强的数据样本特征转换能力,能够以概率形式给出故障诊断结果。提出了一种基于深度信念网络(Deep Belief Networks,DBNs)的油浸式电力变压器故障诊断新方法。构建了深度信念网络分类器(Deep Belief Network Classifier,DBNC)模型,并将其应用于变压器故障分类,给出了故障判别具体实现步骤。该方法具有较强地从大量数据样本中提取特征的能力,可以充分利用通过变压器油色谱在线监测装置所获取的无标签样本进行训练,有效判别出故障类型。采用工程实例对文中所提出的两种油浸式电力变压器故障诊断方法进行了测试,并与现有的BP神经网络和支持向量机的故障诊断方法进行了对比。结果表明,文中所提出的方法具有更优的故障诊断性能,可扩展性好,可以更好地满足实际工程需要。