[00821722]电力变压器故障诊断一体化技术及专家系统的研究

电力变压器是电力系统中的关键设备，是影响整个电网安全运行的主要因素。电力变压器故障诊断技术的研究一直是国内外电力部门重点研究的课题之一，对于提高电网供电可靠性和运行安全性、降低变压器维修费用、减少因电力变压器故障所造成的经济损失具有十分重要意义。特别是减少因不可抗力自然灾害造成电力变压器故障的诊断和维修更具有重要的实用价值。该研究获得了2008年度辽宁省自然科学基金的资助(项目编号：20082174)。该研究的主要结论如下：1.电力变压器故障诊断方法该项目研究了以BP神经网络为主要技术手段的电力变压器故障诊断算法。由于人工神经网络存在收敛速度慢、极易陷入局部极小点的缺陷，成为制约提高电力变压器故障诊断准确率的瓶颈问题。针对BP网络初值设置、网络不收敛问题和标准遗传算法未成熟收敛的问题，研究基于小生境遗传算法的BP神经网络法，提高了在BP神经网络的收敛速度，实验表明基于小生境遗传算法的BP神经网络法对电力变压器故障诊断的准确率达到了90%。针对神经网络易陷入局部极小点的问题，同时为了进一步提高电力变压器故障诊断的准确性和可靠性，将同伦理论引入神经网络的学习过程中，研究了LM优化法和非线性同伦算法相结合的改进的非线性同伦BP算法，提高了BP网络避免陷入局部极小点的能力。实验表明，电力变压器故障诊断准确率达90.7%，避免陷入局部极小点的成功率由标准BP算法的62%提高到92%，提高了30%。非线性同伦BP算法对于解决电力变压器故障诊断问题具有较好的效果，在提高故障诊断准确率的同时，避免陷入局部极小点的能力也得到了大大提高。通过模拟生物免疫系统的免疫过程，针对电力变压器正常和故障样本都具有小样本的数据特点，构建了遗传支持向量机进行正常和故障状态的初级分类器，研究了支持向量机和灰色人工免疫算法相结合的电力变压器故障诊断算法，实验表明该研究提出的电力变压器故障诊断算法对电力变压器单一故障和多故障都能够进行有效分类，准确率达到了92.5%。人工神经网络的收敛速度和训练次数影响了电力变压器故障诊断的实时性和有效性。研究提出了基于误差自动调节修正因子自适应学习速率法的电力变压器故障诊断方法，与原自适应学习速率法相比，训练次数减少了35.4%，收敛速度提高了44.9%，故障诊断准确率达到90%。研究了基于误差自动调节修正因子的自适应学习速率动量BP法的电力变压器故障诊断算法，与原自适应学习速率动量BP法相比，训练次数减少了6.6%，收敛速度提高了18.6%，故障诊断准确率达到90%。研究了双因素自动调节修正因子的弹性BP算法的电力变压器故障诊断方法，与原弹性BP法相比，训练次数减少了45.1%，收敛速度提高了36.4%，故障诊断准确率达95%，进一步提高电力变压器故障诊断的精度和效率。2.电力变压器油中溶解气体浓度预测方法该研究首先分析了电力变压器油中溶解气体随时间变化的数据特征，将数据分为单峰性数据和单调递增型数据两种模式。当电力变压器油中溶解气体随时间变化呈单峰性数据时，采用灰色Verhulst模型预测；当数据为单调递增型时，研究基于灰色双层GM(1,1,ρ)新陈代谢模型的电力变压器油中溶解气体预测算法。基于灰色组合模型的电力变压器油中溶解气体浓度预测的精度达94.27%。3.电力变压器状态评估方法该研究通过统计大量的电力变压器油中溶解气体数据，以不同程度故障的均值构造标准模式，提出以健康状态的指标作为灰靶靶心的电力变压器状态指标模式选择方案，对影响电力变压器状态的指标采用加权灰靶理论评估，提高了电力变压器状态评估算法的科学性和客观性。同时，该研究在统计大量电力变压器故障类型和故障程度的基础上，提出了档次分级和具体评分相结合的分级策略，使电力变压器的状态分级既具有科学性。4.电力变压器故障诊断的专家系统及软件平台设计重点研究了采用BP神经网络的基于信息融合的推理机制和基于综合关联度分析的最佳源范例推理机制。电力变压器故障诊断专家系统不仅具有故障诊断功能，而且还具有电力变压器油中溶解气体浓度的预测、状态评估、电力设备信息管理以及检修决策支持等功能，故障诊断准确率达93.7%。该项目在深入研究电力变压器油中溶解气体与故障类型之间关系的基础上，围绕电力变压器故障诊断技术中的故障诊断、故障预测和状态评估三方面进行了一体化深入研究，构建了电力变压器故障诊断专家系统，开发了电力变压器故障诊断与预测软件平台，取得了一定的研究成果。电力变压器的单一故障诊断准确率最高可达95%，涵盖单一故障和多故障的诊断准确率为92.5%，油中溶解气体浓度预测精度可达94.27%，达到了辽宁省自然科学基金项目合同书的技术指标要求，与国内外该领域研究相比，达到了国际先进水平。该项目成果处于试验应用阶段，应加强与企业联合获取更多的故障数据信息，以便完善软件的功能，早日推向市场。