一、变压器油中溶解气体在线监测装置综述(论文文献综述)
陈图南,马凤翔,王刘芳,韩冬,张国强[1](2022)在《高分子渗透膜在变压器油中溶解气体分析中的应用》文中指出油中溶解气体分析是变压器状态检测最为常见且可靠的方法,油气分离技术则是溶解气体分析中重要的一环。在油气分离技术中,渗透膜是一种较为新颖且颇具前途的分离技术。相较于传统的油气分离方法,渗透膜技术具有结构简单、体积较小、免于维护等优点,因此该方法是油中溶解气体分析研究的热点之一。该文首先对近年来应用于油气分离的高分子渗透膜材料及其结构进行了综述;然后,结合现有研究对几种常见的不同类型的高分子渗透膜进行归纳、总结和对比;最后,在总结当前研究的基础上,提出并讨论高分子渗透膜在变压器油中溶解气体分析领域中未来的发展方向。
李闫远,何清,莫长宇[2](2021)在《变压器油色谱在线监测装置检测数据分析》文中研究表明本文基于变压器油中溶解气体在线监测装置评价指标,对不同类型及厂家的在线监测装置入网检测数据进行分析,通过不同在线监测装置的组成及工作原理,分析不同装置评价指标的差异,进而将不同装置产生误差的主要方面进行总结,对装置选型起到一定指导作用。
苟家萁[3](2021)在《基于深度学习的变压器油中溶解气体浓度预测研究》文中研究表明为了实现我国电力领域“全国联网”的战略目标,远距离、特高压、大容量的输电模式已被广泛应用。电力变压器作为电力系统中的核心设备之一,发挥着电压、电流变化等重要作用,影响着电网的稳定运行。考虑到变压器的运行状况与其内部油中溶解气体含量之间有着密切的联系,故对油中溶解气体的精准预测可以提早发现变压器设备可能存在的潜伏性故障,为运行人员检修提供理论支撑。本文以在线监测到的变压器油色谱数据为研究对象,结合深度学习算法主要进行以下两方面的研究:针对正常运行的电力变压器所提取到的油中溶解气体数据存在“异常值”或“缺失值”的问题,本文提出了一种基于堆叠式降噪自动编码器(SDAE)的变压器在线监测油色谱数据清洗模型。利用在线监测到的某220k V和500k V电压等级变压器的油中溶解气体数据为研究对象,首先将正常运行状况下采集到的变压器油色谱数据输入到SDAE清洗模型,对模型进行训练学习,确定其关键参数的大小;然后将正常运行状态下监测到存在“缺失值”或“异常值”的油色谱数据输入到清洗模型,通过比较重构误差NL和损失函数峰值Top、容限时窗Tn和误差持续时间Tt之间的大小关系判断不良数据的类型;最后对存在“缺失值”和“异常值”的数据进行重构修复表示,还原了更多的原始数据信息,为文章后续进行特征气体浓度的精准预测研究提供了可靠的数据源。针对传统深度学习预测模型存在关键参数难以确定和预测精度不高的问题,本文提出了一种基于改进粒子群算法(IPSO)和门控循环单元(GRU)的油中溶解气体浓度组合预测模型。将搜集的7种特征气体序列划分为训练集和测试集,对训练集数据利用IPSO算法迭代搜索GRU模型关键参数(神经元个数m与学习率ε)的最优值,建立IPSO-GRU组合预测模型,对测试集数据来进行验证所提方法的可靠性。实验结果表明,本文所提方法不仅克服了选取模型关键参数的难题,并相较于传统的PSO-GRU、GRU、LSTM、RF和RNN深度学习算法模型相比预测精度更高,进行特征数据序列清洗提高了预测模型的精度,且随着样本训练集数目的不断增加,模型的预测精度逐渐提高,表明模型可以获得特征数据集内部之间更多的潜在规律,对及时、准确判断电力变压器的运行状态发挥着重要的作用。
辜祥[4](2021)在《变电站变压器在线监测系统的设计与实现》文中研究说明电力已经成为了现代社会生产生活中必不可少能源,电力变压器作为电力系统中最重要的供电设备之一,如果变压器的发生故障,很容易造成电网事件或者大面积的停电事故,影响人们的日常工作生活和社会稳定。加之未来电网规模越来越大,电气化设备越来越多。而目前对变压器的监测手段仍然比较落后,难以适应现代设备管理的要求。本文针对以上问题,提出变压器在线监测的解决方案,力求对变压器的运行工况进行实时监测。本文对相关重要的厂站进行研究,分析了变压器在线监测的实际需求,并且对国内外设备在线监测的情况作了对比了解。就现在成熟的相关技术和常用的设备监测技术的深入研究和对比,对系统的便捷性,安全性,准确性,经济性等方面作了充分考虑。设计出了基于.NET平台的变压器在线监测系统。系统采用Client/Server架构(简称C/S架构)作为变压器在线监测系统的软件结构,以发挥C/S架构在安全性方面的优势,确定了系统的三层结构模式和设计了系统的基本功能模块。使用.NET Framework框架平台进行软件开发,一方面.NET平台支持C/S架构开发模式和优秀的图形化人机交互控件模式,另一发面提供了Visual Studio IDE集成开发环境,为开发人员提供了很大的方便。基于.NET平台使用C#语言实现了变压器在线监测系统的系统管理、油中气体监测、铁芯接地电流、油面温度监测等功能模块。利用SQL Sever数据库强大的数据管理能力,为系统的数据提供了数据管理、存储、查询等业务的支撑。总的说来,本文开发出了C/S架构+.NET平台+C#+SQL Sever的变压器在线监测系统,实现了实时监测变压器运行态势的初衷。通过变压器运行的指标数据可以第一时间发现故障表征,就可以在发生故障前制定科学的检修策略,以此达到保障变压器长期稳定运行,不出现大的停电事故的目标。
谢鹏[5](2020)在《基于数据和模型的油浸式电力变压器健康管理系统研究》文中研究表明油浸式电力变压器在电网中的广泛使用,使其安全可靠性成为影响电网供电可靠性和供电质量的关键性因素之一,长期以来,油浸式电力变压器的健康管理一直倍受关注。由于变压器生产厂家、工艺、电压等级、容量等的多样化,以及运行环境的复杂化,变压器健康管理一直占据电网企业大量的资源。在智能电网背景下,新一代信息技术的飞速发展促进了智慧变电站的建设,使变压器运行状态的实时在线监测成为了可能,从而为变压器健康管理奠定了物理基础。本文立足于油浸式电力变压器预测性管理(prognostics and health management,PHM)的应用场景,开展变压器健康管理系统关键理论技术研究,在此基础上,充分利用先进的计算机、通信等信息技术,开发变压器PHM平台,以有效提高电网企业对变压器资产的管理水平和效率。本文的主要研究内容包括以下几个方面:(1)针对单一变压器属性难以有效、准确地实现变压器状态评估的问题,对变压器的多属性特性进行了分析,并给各属性分配适当的权重。在此基础上,提出了基于模糊逻辑的变压器多属性状态评估模型。该模型具有输入参数个数较少、模糊规则简单、评估结果准确可靠的优点。本文提出的方法克服了以往模糊逻辑模型和传统变压器健康评估方法的不足。变压器现场数据的检测结果检验了所提模型的正确性和可行性。(2)针对计算变压器热点温度的经验公式中对散热电阻的分析和取值较为简单,不能充分反映负载、环境等因素对温度的影响,致使计算结果误差相对较大的问题,研究不同负载电流下、不同冷却方式、不同内部温度下变压器内部传热方式与机理,提出考虑多因素条件下散热电阻的计算方法,进而构建综合考虑不同运行工况下变压器的改进热路模型,给出了基于改进模型的顶油和热点温度求解方法,并对计算结果进行准确性评估。结果表明,采用提出的改进模型计算得到的变压器顶油和热点温度与其实际值之差不超过2.2K,也即提出的散热电阻计算方法能有效提高热路模型的精确度。(3)分析了三种常见的基于油中溶解气体的变压器故障诊断方法;研究了遗传算法基本原理及其易陷于局部最优解的不足,提出一种交叉和变异概率、个体繁殖数量能够依适度值自适应调整的改进方法,仿真结果表明,改进方法显着提高了算法的全局搜索能力;利用提出的改进遗传算法优化BP神经网络的初始权值和阈值,建立基于改进遗传算法优化BP网络的变压器故障诊断模型,有效解决了BP神经网络收敛速度缓慢且精确度较差的问题,通过与已有的三种典型的故障诊断方法进行对比分析,结果表明提出的诊断模型具有更高的诊断速度和准确度。(4)利用提出的考虑不同工况下的变压器热路模型,建立了基于热点温度分析的变压器绝缘寿命评估模型;设计了一种热因素条件下油纸绝缘老化试验,提取基于脉冲相位分布模式的四个统计图谱共27个特征量,并通过因子分析法获取10个主成分因子,从而建立基于改进遗传算法优化BP神经网络的油浸式电力变压器油纸寿命评估方法,试验结果表明提出的方法诊断效果较好;分析了Weibull分布与电气设备寿命统计学规律的相关性,建立了基于Weibull分布的电力变压器寿命预测模型,利用收集的某电网电力变压器故障数据,检验了利用Weibull分布进行变压器寿命评估的有效性。(5)基于变压器PHM管理在线、实时化的需要,利用先进的信息网络技术,开发了变压器PHM管理系统。阐述了PHM管理平台开发所涉及关键技术理论和设计原则,基于PHM功能需求和技术资源现状,规划了平台总体架构和功能模块。通过将开发的PHM云平台对某变电站变压器联网试运行,运行结果表明,开发的平台有效提高了变压器运行状态监控水平,提升了变压器的管理效率。
任双赞,吴昊,刘晓立,朱红梅,单玉涛,刘晶,韩红蕊[6](2020)在《变压器油中溶解气体在线监测技术研究现状》文中研究表明综述了目前国内外变压器油中溶解气体在线监测方法,分析了各种气体检测方法的原理、优缺点及应用现状,为变电站选取合适的在线监测装备或相关研究提供了参考,对提高变压器运行状态评估与故障诊断准确度,维护电网安全稳定运行具有重要意义。
盛乐,李学锋,周波,包学山[7](2020)在《油色谱在线监测装置运维情况分析》文中研究指明统计分析了2019年7月至2020年1月期间某地区油色谱在线监测装置的分布和运行情况,对油色谱在线监测装置运行维护中遇到的问题进行梳理和归纳总结,深入分析了典型异常问题,结合实例给出解决方法,并对油色谱在线监测装置的运行维护提出合理化建议,为被监测充油设备的安全运行提供技术保障。
许自强[8](2020)在《数据驱动的电力变压器智能化健康管理关键技术研究》文中认为作为电力系统的重要枢纽设备,电力变压器的安全稳定运行是保障优质电力正常供应以及社会正常运作的必要基础。伴随着智能电网建设的不断推进,包括状态监测、生产管理、运行调度、气象环境等在内的电力变压器状态相关信息已逐步呈现出体量大、种类多、增长快等典型大数据特征。因此,在电力大数据的时代背景下,开展电力变压器状态数据的综合挖掘与分析研究,对于推动设备运行维护迈向精细化、智能化管理具有重要意义。本文以反映设备运行状态的多源信息为数据基础,以人工智能技术与数据挖掘技术作为分析工具,深入研究包含异常检测、故障诊断、状态评估、态势预测等在内的电力变压器智能化健康管理关键技术体系。主要的研究内容与成果如下:针对电力变压器在线监测系统受设备状态异常变化、外界环境干扰以及通讯中断等因素影响而产生异常数据的问题,本文提出一种面向设备监测数据的异常识别及模式区分方法。首先,通过利用经验小波变换与差分自回归移动平均模型对监测数据进行时序建模,获得反映监测数据异常情况的残差序列,并进一步运用孤立森林算法识别其中的异常点信息,依据识别结果对监测序列进行分段。然后,采用改进多维SAX向量表示法对分段序列进行符号化表示,通过计算相邻符号向量的相似度得分得到关于异常模式的判定结果,并进一步利用监测序列的关联性对判定结果进行校验。最后,结合实例分析表明,本文所提方法能够可靠识别异常点并对其无效及有效两种异常模式进行准确区分。针对电力变压器智能故障诊断中存在的数据非均衡问题,本文提出一种基于深度学习的故障数据增强方法,以实现样本类别分布均衡化的目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型存在的训练不稳定问题。然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出基于数据增强方法的设备故障诊断技术框架。最后,选用由准确率、F1度量及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,本文提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能。针对电力变压器状态评估中存在的信息不确定性问题,本文提出一种计及信息不确定性的设备多层级健康状态综合评估方法。首先,在综合考虑电力变压器功能结构及其性能表现的基础上,构建了包含设备层、部件层、缺陷层及指标层的多层级健康评估体系。然后,针对等级划分中的不确定性问题,通过运用可拓云理论来对判据边界进行柔性化处理;针对权重赋值中的不确定性问题,通过结合主观与客观权重、静态与动态权重来对各层级中评估因素的相对重要程度进行准确度量;针对信息融合中的不确定性问题,通过利用改进DSmT理论来有效解决传统证据理论对于高冲突性证据融合失效的缺陷。最后,实际案例验证结果表明,本文所提方法能够准确、有效地评判变压器及其功能部件的健康状况,并提供关于部件缺陷隐患的细致分析结果。针对油中溶解气体浓度进行精确预测可为电力变压器的故障预警工作提供重要依据,本文提出一种基于经验模态分解与长短期记忆神经网络的变压器油中溶解气体浓度预测方法。首先,运用经验模态分解将气体浓度序列分解为一组相对平稳的子序列分量,以减少不同趋势信息间的相互影响。然后,针对各子序列分别构建基于长短期记忆神经网络的时序预测模型,并利用贝叶斯理论对网络相关超参数进行优化,以提高单个模型的预测精度。最后,叠加各子序列预测结果得到气体浓度预测值。算例研究结果表明,相较于传统预测算法,本文所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。
张燕[9](2020)在《基于油中溶解气体分析的变压器缺陷预警与辨识》文中研究表明如今,随着对电网安全性的要求提高,对电力变压器运行的安全性和稳定性也有了更高的需求。本文针对当前基于油色谱在线监测数据的诊断方法未考虑故障特征气体的时序特性,且普遍存在的阈值确定困难、典型缺陷样本数据匮乏等问题,提出将隐马尔科夫和动态网络标志物模型引入基于油中溶解气体在线监测时序数据的变压器缺陷预警与辨识的方法,为识别变压器的早期缺陷提供理论指导。首先,将隐马尔科夫模型引入变压器的缺陷预警中,利用变压器运行过程中的不同动态特性与待诊断变压器自身油中溶解特征气体浓度变化之间的映射关系,基于待诊断变压器自身的在线监测气体数据进行动态建模,对变压器状态转变的预警信号进行检测,以达到通过变压器自身气体浓度变化对其早期缺陷实时预警的目的。案例分析表明基于隐马尔科夫模型的方法与传统试验室色谱分析手段相比,能更加及时有效的发现变压器早期缺陷。其次,分析了油中溶解气体在线监测数据与变压器内部状态之间的映射关系,通过筛选出当前状态下对变压器状态转换过程影响较大的主要特征气体,建立基于油中溶解气体的变压器当前状态动态网络描述模型,基于临界慢化理论分析了变压器由健康状态向故障状态转换的相变过程中,指出其间存在着一个临界状态;并进一步分析动态网络模型中各特征气体的标准差及气体间相关性的动态变化,提取相变过程中的临界状态点,可对变压器的早期缺陷进行预警和辨识。相比传统阈值比值法,基于动态网络标志物模型的方法可以较为及时地识别变压器内部异常。最后,基于在线监测时序数据,建立待诊断变压器的隐马尔科夫模型和动态网络标志物模型相结合的组合预警模型。先采用隐马尔科夫模型检测变压器可能的“临界点”,再根据“临界点”处筛选的主要特征气体建立相应的动态网络标志物模型,进一步分析动态网络模型的动态变化,验证变压器的运行状态,并对故障进行识别。案例分析结果表明,该组合模型相比单一预警模型,能够较全面地把握变压器运行状态的动态演变过程,提前对未达到注意阈值的过热异常案例进行预警和识别,有助于对变压器的动态发展进行监测分析。本文提出的基于油中溶解气体的变压器缺陷预警与辨识方法,基于待诊断变压器在线监测装置的时序数据,数据获取较为方便,具有一定的推广价值。
贾茹宾[10](2020)在《变压器油中气体含量预测与故障诊断研究》文中指出电力变压器是电力系统中的重要部件,对电力系统的安全运行具有重要的作用。对变压器进行故障预测和诊断是保证其正常运行和实施状态维修的基础。变压器油中溶解气体含量是变压器运行状态的重要特征指标,根据变压器油中溶解气体含量的历史数据相对准确地预测未来一定时期内含量的变化趋势,对变压器运行状态的评估以及合理安排检修具有重要意义。本文研究了变压器油中溶解气体含量的变化预测以及可能引起变压器故障的分类诊断问题。文中给出了一种根据气体含量历史数据确定未来数据的预测方法。该方法针对传统预测方法的预测区间短以及预测精度相对较低的问题,以差分自回归移动平均模型(ARIMA)为基础,在优选参数和模型检验过程中进行改进,通过3种准则筛选模型,利用4种检验方法确保模型的精度,对模型进行参数估计、修正,得到最优预测模型。依据相关导则确定变压器油中溶解的5种气体类型,按照本文给出的预测方法进行预测实验,实验结果表明预测效果较好,可以为合理安排变压器的状态检修提供有价值的参考。以油中溶解特征气体含量为特征量,给出了一种变压器故障诊断方法。该方法主要运用卷积神经网络算法原理构建诊断模型,针对传统的神经网络易发生过拟合的问题,对模型的池化运算进行改进,在池化层采用最大值dropout池化方法代替原有的均值池化或最大值池化,增强了模型的泛化性能。以变压器油中溶解的5种气体含量值为输入向量,变压器的6种状态对应的编码值为输出向量,在模型建立过程中分析参数的位置和数量、并通过优选函数的方法确定激活函数,详细讨论了卷积核的大小与数量、迭代次数、每组样本的数量对模型准确率的影响。将该方法生成的网络应用于变压器故障诊断,不仅克服了传统三比值法中编码不足和绝对边界造成的误判,提高了诊断的准确性,且规避了BP神经网络过拟合的缺点。诊断算例证明了本文方法的有效性。
二、变压器油中溶解气体在线监测装置综述(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、变压器油中溶解气体在线监测装置综述(论文提纲范文)
(1)高分子渗透膜在变压器油中溶解气体分析中的应用(论文提纲范文)
0 引言 |
1 应用于油气分离的渗透膜分离机理 |
2 应用于油气分离的渗透膜性能需求 |
2.1 渗透膜渗透性能相关需求 |
2.2 渗透膜工作环境需求 |
2.3 实际工程相关需求 |
3 应用于油气分离的渗透膜技术现状 |
3.1 应用于油气分离的渗透膜材料研究进展 |
3.1.1 聚酰亚胺 |
3.1.2 聚四氟乙烯 |
3.1.3 Teflon AF2400 |
3.1.4 聚全氟乙丙烯 |
3.1.5 其他材料 |
3.1.6 小结 |
3.2 应用于油气分离的渗透膜结构研究进展 |
3.2.1 平板构型渗透膜组件 |
3.2.2 管状构型渗透膜组件 |
3.2.3 小结 |
4 结论 |
(2)变压器油色谱在线监测装置检测数据分析(论文提纲范文)
0 引言 |
1 油色谱在线监测装置的组成 |
2 油色谱在线监测装置到货检测 |
2.1 检测用标油配置 |
2.2 在线监测装置检测情况 |
3 在线监测装置检测指标分析 |
3.1 最小检测周期 |
3.2 重复性 |
3.3 测量误差 |
3.3.1 检测结果 |
3.3.2 检测误差分析 |
3.4 交叉敏感性 |
4 检测误差分析 |
4.1 检测原理及方法 |
4.2 装置出厂质量 |
4.2.1 硬件方面 |
4.2.2 软件方面 |
5 结语 |
(3)基于深度学习的变压器油中溶解气体浓度预测研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 深度学习技术在数据预处理方面的研究现状 |
1.2.2 变压器油中溶解气体的含量预测研究现状 |
1.3 论文的主要内容 |
第二章 变压器油中溶解气体的产气原理与故障时的产气特征 |
2.1 变压器油中气体产气原理 |
2.1.1 正常运行时变压器产气原理 |
2.1.2 发生故障时变压器产气原理 |
2.2 变压器内部故障种类与油中溶解气体含量特征 |
2.2.1 变压器过热性故障及其产气特点 |
2.2.2 变压器放电性故障及其产气特点 |
2.2.3 变压器机械性故障及其产气特点 |
2.3 变压器油中溶解气体在线监测技术 |
2.3.1 油色谱在线监测装置的结构组成 |
2.3.2 油色谱在线监测装置的功能特点 |
2.4 变压器油中溶解气体浓度预测机理 |
2.4.1 时间序列预测概述 |
2.4.2 时间序列预测的特点和条件 |
2.5 本章小结 |
第三章 基于SDAE模型的变压器状态监测数据清洗方法 |
3.1 神经网络 |
3.1.1 神经网络的结构及特点 |
3.1.2 神经网络的激活函数与在气体预测方面的可行性分析 |
3.2 堆叠式降噪自动编码器(SDAE)基本原理 |
3.2.1 自动编码器(AE) |
3.2.2 降噪自动编码器(DAE) |
3.2.3 堆叠式降噪自动编码器(SDAE) |
3.3 基于SDAE模型的变压器状态监测数据清洗方法 |
3.3.1 SDAE模型数据清洗原理 |
3.3.2 SDAE模型训练过程 |
3.3.3 SDAE数据清洗实现流程 |
3.4 算例分析 |
3.4.1 数据集划分与模型参数初始化 |
3.4.2 变压器油色谱数据清洗结果及分析 |
3.5 本章小结 |
第四章 深度学习算法与基于IPSO-GRU模型的油中溶解气体浓度预测方法 |
4.1 深度学习算法的研究与传播过程分析 |
4.1.1 循环神经网络(RNN) |
4.1.2 长短期记忆神经网络(LSTM) |
4.1.3 门控循环单元(GRU) |
4.1.4 随机森林(RF) |
4.2 改进粒子群优化算法(IPSO) |
4.2.1 粒子群优化算法(PSO) |
4.2.2 改进粒子群算法的实现流程 |
4.3 基于IPSO-GRU模型的油中溶解气体浓度预测方法实现过程 |
4.3.1 预测模型叙述 |
4.3.2 预测模型的实现流程 |
4.4 模型评价标准 |
4.5 实验环境与特征数据集的划分 |
4.6 算例分析案例一 |
4.6.1 IPSO-GRU网络模型参数选择与优化结果 |
4.6.2 IPSO-GRU模型预测结果分析 |
4.6.3 其他气体预测结果分析 |
4.6.4 特征数据集质量对不同模型预测效果的影响 |
4.7 算例分析案例二 |
4.7.1 网络预测模型关键参数优化结果 |
4.7.2 IPSO-GRU模型预测结果分析 |
4.7.3 不同训练集对预测效果的影响 |
4.8 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 展望 |
致谢 |
参考文献 |
附录 A(攻读硕士期间科研成果与参与科研项目) |
1、攻读硕士学位期间发表的论文 |
2、攻读硕士学位期间受理的发明专利 |
3、攻读硕士学位期间参与的科研项目 |
4、攻读硕士学位期间获得的主要奖项 |
(4)变电站变压器在线监测系统的设计与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 本文的组织结构 |
第二章 变压器在线监测关键技术 |
2.1 变压器在线监测相关技术 |
2.1.1 变压器油色谱监测技术 |
2.1.2 变压器铁芯接地电流监测技术 |
2.1.3 变压器油温监测技术 |
2.2 C/S架构概述 |
2.3 .NET平台概述 |
2.4 C#语言概述 |
2.5 SQL Server概述 |
2.6 ADO.NET组件概述 |
2.7 本章小结 |
第三章 系统的需求分析 |
3.1 系统的整体需求 |
3.2 功能性需求 |
3.2.1 系统管理需求 |
3.2.2 数据采集和数据分析需求 |
3.2.3 油中气体监测需求 |
3.2.4 铁芯接地电流监测需求 |
3.2.5 油温监测需求 |
3.3 非功能性需求 |
3.4 本章小结 |
第四章 系统总体设计 |
4.1 系统设计的原则 |
4.2 系统体系结构设计 |
4.3 系统数据库设计 |
4.3.1 数据库设计原则 |
4.3.2 数据库规范设计 |
4.3.3 数据库逻辑信息设计 |
4.3.4 数据库信息表设计 |
4.4 本章小结 |
第五章 系统关键模块详细设计 |
5.1 系统模块设计 |
5.2 系统管理模块设计 |
5.3 数据采集和分析模块设计 |
5.4 油中气体监测模块设计 |
5.5 铁芯接地电流监测设计 |
5.6 油温监测模块设计 |
5.7 本章小结 |
第六章 系统实现 |
6.1 使用ADO.NET连接数据库 |
6.2 系统登录模块的实现 |
6.3 油中气体监测模块的实现 |
6.4 铁芯接地电流监测模块的实现 |
6.5 油温监测模块的实现 |
6.6 本章小结 |
第七章 系统测试 |
7.1 测试工具 |
7.2 功能测试 |
7.3 性能测试 |
7.4 本章小结 |
第八章 总结与展望 |
8.1 论文工作总结 |
8.2 展望 |
致谢 |
参考文献 |
(5)基于数据和模型的油浸式电力变压器健康管理系统研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 电力变压器状态评估研究现状 |
1.2.2 电力变压器热点温度计算研究现状 |
1.2.3 电力变压器故障诊断研究现状 |
1.2.4 电力变压器绝缘老化诊断与寿命预测研究现状 |
1.3 本文主要研究内容与思路 |
1.4 本文主要工作与章节安排 |
第二章 基于模糊逻辑的电力变压器多属性状态评估方法 |
2.1 引言 |
2.2 变压器状态评估指标 |
2.3 电力变压器的多属性分析 |
2.4 模糊逻辑的电力变压器状态评估方法 |
2.4.1 模糊化处理与隶属度函数 |
2.4.2 模糊逻辑与近似推理 |
2.4.3 逆模糊处理 |
2.5 本章小结 |
第三章 考虑不同运行工况下油浸式电力变压器的热路模型 |
3.1 引言 |
3.2 油浸式电力变压器的热路模型 |
3.2.1 热路模型原理 |
3.2.2 变压器热传递过程 |
3.2.3 变压器热路模型的建立 |
3.2.4 热路模型法计算值与实测结果的对比 |
3.3 不同运行工况下油浸式电力变压器热路模型 |
3.3.1 不同负载电流下变压器热路模型的改进 |
3.3.2 不同冷却方式下变压器热路模型的改进 |
3.3.3 不同内部温度下变压器热路模型的改进 |
3.4 求解方法及其准确性分析 |
3.4.1 求解方法 |
3.4.2 准确性分析 |
3.5 本章小结 |
第四章 基于改进GA优化BP网络的油浸式电力变压器故障诊断 |
4.1 引言 |
4.2 三种常见的油浸式电力变压器故障诊断方法 |
4.2.1 基于三比值法的的变压器故障诊断 |
4.2.2 基于BP神经网络的变压器故障诊断 |
4.2.3 基于改进BP神经网络的变压器故障诊断 |
4.3 基于改进遗传算法优化BP网络的油浸式电力变压器故障诊断 |
4.3.1 BP神经网络算法的参数优化 |
4.3.2 GA及其改进 |
4.3.3 基于改进GA-BP模型的油浸式电力变压器故障诊断 |
4.4 结果与分析 |
4.4.1 实验说明 |
4.4.2 实验结果 |
4.5 本章小结 |
第五章 油浸式电力变压器绝缘老化诊断与寿命预测方法研究 |
5.1 引言 |
5.2 基于热点温度的油浸式电力变压器寿命评估 |
5.2.1 温度对变压器绝缘材料寿命的影响 |
5.2.2 不同工况下变压器寿命评估 |
5.2.3 实例分析 |
5.3 基于局放因子向量的油纸绝缘老化诊断 |
5.3.1 老化测试及聚合度测量 |
5.3.2 样品与局放试验方案 |
5.3.3 局部放电特征向量的提取及其主成分因子分析 |
5.3.4 基于改进GA-BP神经网络的油纸绝缘老化评估 |
5.4 基于Weibull分布的变压器运行寿命预测方法 |
5.4.1 Weilbul分布与电气寿命模型 |
5.4.2 变压器寿命模型参数估计与寿命预测 |
5.4.3 实例分析 |
5.5 本章小结 |
第六章 油浸式电力变压器健康管理系统平台 |
6.1 引言 |
6.2 平台关键技术理论问题和开发原则与要求 |
6.2.1 平台关键技术理论问题 |
6.2.2 开发原则与要求 |
6.3 变压器健康管理系统平台架构 |
6.3.1 平台技术特点 |
6.3.2 平台架构 |
6.3.3 变压器设备分级 |
6.3.4 状态监测对象与清单 |
6.3.5 变压器实时数据的智能监测方案 |
6.3.6 离线数据和实时数据的多源异构融合 |
6.4 变压器的故障智能诊断与维修优化管理 |
6.4.1 变压器的故障智能诊断 |
6.4.2 变压器维修优化管理 |
6.5 工程应用示例 |
6.6 本章小结 |
结论与展望 |
参考文献 |
攻读博士论文取得的研究成果 |
致谢 |
附件 |
(6)变压器油中溶解气体在线监测技术研究现状(论文提纲范文)
0 引言 |
1 变压器油中气体检测方法 |
1.1 气相色谱法 |
1.2 傅里叶变换红外光谱法 |
1.3 光声光谱法 |
1.4 拉曼光谱法 |
1.5 光纤光栅法 |
2 结语 |
(7)油色谱在线监测装置运维情况分析(论文提纲范文)
0 引言 |
1 油色谱在线监测装置简介 |
2 油色谱在线监测装置分布与运维情况 |
3 运行维护中典型异常问题分类与分析 |
3.1 数据异常 |
3.1.1 数据发生突变 |
3.1.2 数据不发生变化 |
3.1.3 在线值与离线值偏差大 |
3.1.4 数据停止上传 |
3.2 工控机故障 |
3.3 通讯异常 |
3.4 系统漏洞 |
4 建议及下一步工作 |
4.1 载气气源改造 |
4.2 提高服务器配置 |
4.3 引入油中溶解气体在线监测新技术 |
4.3.1 试点引入光声光谱法油色谱在线监测装置 |
4.3.2 利用红外光谱法新技术建立移动监测(检测)平台 |
4.4 加强对变压器油色谱在线监测装置的维护力度 |
4.4.1 定期更换油色谱在线监测装置元器件 |
4.4.2 建立并完善油色谱在线监测装置耗材及主配件台账管理制度 |
5 结论 |
(8)数据驱动的电力变压器智能化健康管理关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 电力变压器异常检测技术研究现状 |
1.2.2 电力变压器故障诊断技术研究现状 |
1.2.3 电力变压器状态评估技术研究现状 |
1.2.4 电力变压器态势预测技术研究现状 |
1.3 论文主要研究内容 |
1.3.1 研究目的 |
1.3.2 研究内容 |
第2章 面向电力变压器监测数据的异常识别及模式区分方法研究 |
2.1 基于时序建模与孤立森林算法的异常数据识别方法 |
2.1.1 经验小波变换理论 |
2.1.2 差分自回归移动平均模型 |
2.1.3 孤立森林算法 |
2.2 基于改进多维SAX向量表示与时间序列关联性分析的异常模式区分方法 |
2.2.1 基于改进多维SAX向量表示方法的异常模式判定 |
2.2.2 基于灰关联算法的时间序列关联性分析 |
2.2.3 监测数据异常检测技术框架 |
2.3 实例分析 |
2.3.1 实例一 |
2.3.2 实例二 |
2.4 本章小节 |
第3章 基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强方法研究 |
3.1 面向不平衡样本分类的传统处理方法 |
3.1.1 处理方法概述 |
3.1.2 基于SMOTE的过采样技术 |
3.2 基于梯度惩罚优化的CWGAN模型 |
3.2.1 GAN模型 |
3.2.2 CGAN模型 |
3.2.3 CWGAN-GP模型 |
3.3 基于数据增强方法的故障诊断技术框架 |
3.3.1 特征参量选取 |
3.3.2 设备状态编码 |
3.3.3 基于深度学习的故障诊断模型 |
3.3.4 基于数据增强方法的故障诊断流程 |
3.4 实例分析 |
3.4.1 数据获取及分布情况 |
3.4.2 分类性能评价指标 |
3.4.3 结果分析与讨论 |
3.5 本章小结 |
第4章 计及信息不确定性的电力变压器多层级健康状态综合评估方法研究 |
4.1 多层级健康状态评估体系构建 |
4.1.1 状态指标的选取 |
4.1.2 评估体系的深层架构设计 |
4.2 基于信息不确定性综合处理的健康状态评估方法 |
4.2.1 基于可拓云理论的状态指标劣化评估方法 |
4.2.2 评估因素的综合权重赋值方法 |
4.2.3 基于改进DSmT理论的信息融合方法 |
4.3 实例分析 |
4.3.1 健康状态评估流程 |
4.3.2 单台设备验证分析 |
4.3.3 多台设备验证分析 |
4.4 本章小结 |
第5章 基于经验模态分解和长短期记忆神经网络的电力变压器油中溶解气体浓度预测方法研究 |
5.1 经验模态分解理论 |
5.2 长短期记忆神经网络 |
5.2.1 循环神经网络 |
5.2.2 长短期记忆神经网络 |
5.2.3 LSTM神经网络的训练过程 |
5.2.4 LSTM神经网络的超参数优化 |
5.3 EMD-LSTM组合预测模型 |
5.4 实例分析 |
5.4.1 时序数据预处理 |
5.4.2 预测模型超参数优化 |
5.4.3 预测性能评价指标 |
5.4.4 结果分析 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
个人简历 |
(9)基于油中溶解气体分析的变压器缺陷预警与辨识(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的研究背景和意义 |
1.2 国内外研究动态 |
1.2.1 变压器故障诊断技术 |
1.2.2 油中溶解气体分析 |
1.2.3 研究现状总结 |
1.3 论文的工作安排及框架 |
第2章 基于油中溶解气体隐马尔科夫模型的变压器缺陷预警与辨识 |
2.1 马尔科夫模型 |
2.1.1 马尔科夫过程~([48-49]) |
2.1.2 马尔科夫模型~([49]) |
2.2 隐马尔科夫模型 |
2.2.1 隐马尔科夫模型 |
2.2.2 隐马尔科夫模型解决的基本问题 |
2.3 基于HMM的油中溶解气体分析诊断 |
2.3.1 具体实施 |
2.3.2 案例分析 |
2.4 本章小结 |
第3章 基于油中溶解气体动态网络标志物模型的变压器缺陷预警与辨识 |
3.1 动态网络标志物 |
3.1.1 临界慢化 |
3.1.2 动态网络标志物 |
3.2 基于DNM的油中溶解气体分析诊断 |
3.2.1 具体实施 |
3.2.2 案例分析 |
3.3 本章小结 |
第4章 基于HMM-DNM的变压器缺陷预警与辨识 |
4.1 基于HMM-DNM的组合预警 |
4.1.1 HMM和DNM的局限性 |
4.1.2 组合方法的研究思路 |
4.2 案例分析 |
4.2.1 案例一 |
4.2.2 案例二 |
4.3 本章小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文及研究成果 |
个人简历 |
发表的学术论文 |
申请的发明专利 |
参与的科研项目 |
(10)变压器油中气体含量预测与故障诊断研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 变压器油中气体含量预测研究现状 |
1.2.2 变压器故障诊断研究现状 |
1.3 论文的研究内容及章节介绍 |
1.3.1 论文的研究内容 |
1.3.2 章节介绍 |
2 变压器油中气体与故障识别 |
2.1 电力变压器的基本结构与故障分类 |
2.2 变压器内部产气机理 |
2.3 变压器故障类型的划分 |
2.3.1 热性故障 |
2.3.2 电性故障 |
2.3.3 其它故障 |
2.4 变压器油中气体的提取 |
2.5 变压器故障的理论基础 |
2.6 本章小结 |
3 基于ARIMA模型预测变压器油中溶解气体含量 |
3.1 时间序列 |
3.2 ARIMA模型的分解 |
3.3 预测方法概述 |
3.4 预测步骤分解及示例 |
3.4.1 检验样本数据的平稳性 |
3.4.2 讨论参数的设置 |
3.4.3 利用三种准则对多组模型筛选 |
3.4.4 对优选模型残差检验 |
3.5 预测方法对比与结果分析 |
3.6 本章小结 |
4 基于卷积神经网络算法原理诊断变压器故障 |
4.1 卷积神经网络算法原理 |
4.2 模型改进方法介绍 |
4.3 模型建立过程实例分析 |
4.3.1 模型各层数据的类型分析 |
4.3.2 样本数据预处理 |
4.3.3 模型初始参数的设置和讨论 |
4.3.4 卷积层的数据类型分析 |
4.3.5 激活函数的选择 |
4.3.6 池化层的改进 |
4.3.7 全连接运算数据类型分析 |
4.3.8 输出层激活函数的选择 |
4.3.9 模型参数调整实例分析 |
4.4 各因素对模型性能的影响 |
4.4.1 迭代次数对分类结果的影响 |
4.4.2 每组样本的数量对分类结果的影响 |
4.4.3 卷积核尺寸的讨论分析 |
4.4.4 卷积核数量的讨论分析 |
4.5 模型性能的比较 |
4.5.1 检验模型的性能 |
4.5.2 样本数量与分类正确率的关系 |
4.5.3 三种模型与分类正确率的关系 |
4.6 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文及研究成果 |
附录 |
四、变压器油中溶解气体在线监测装置综述(论文参考文献)
- [1]高分子渗透膜在变压器油中溶解气体分析中的应用[J]. 陈图南,马凤翔,王刘芳,韩冬,张国强. 电工技术学报, 2022(03)
- [2]变压器油色谱在线监测装置检测数据分析[J]. 李闫远,何清,莫长宇. 湖北电力, 2021(05)
- [3]基于深度学习的变压器油中溶解气体浓度预测研究[D]. 苟家萁. 昆明理工大学, 2021(01)
- [4]变电站变压器在线监测系统的设计与实现[D]. 辜祥. 电子科技大学, 2021(01)
- [5]基于数据和模型的油浸式电力变压器健康管理系统研究[D]. 谢鹏. 华南理工大学, 2020(05)
- [6]变压器油中溶解气体在线监测技术研究现状[J]. 任双赞,吴昊,刘晓立,朱红梅,单玉涛,刘晶,韩红蕊. 电工技术, 2020(19)
- [7]油色谱在线监测装置运维情况分析[J]. 盛乐,李学锋,周波,包学山. 国网技术学院学报, 2020(03)
- [8]数据驱动的电力变压器智能化健康管理关键技术研究[D]. 许自强. 华北电力大学(北京), 2020(06)
- [9]基于油中溶解气体分析的变压器缺陷预警与辨识[D]. 张燕. 华侨大学, 2020(01)
- [10]变压器油中气体含量预测与故障诊断研究[D]. 贾茹宾. 郑州大学, 2020(02)