变压器故障诊断

硕士学位论文选题报告基于量子神经网络信息融合的变压器故障诊断研究授NetworkInformationFusionCandidate:MaLiangSupervisor:GongRuikunMajor:错误!未指定书签。ControlTheoryand 引言电力的产生、传送和按用户电量需求进行供给障诊断方法对提高电力系统运行的，具有很强的并行处理能力，指数级的记忆容性，使得其在数据处理方面具有前所未有的潜在优1文献综述V中，对油中分解的碳氢气态化合物的产生过程进行了热动力学理论分析，认为对应于不同温度下的平衡压力，一种碳氢气体相对于另一种碳氢气体的比例取决于热点的温的温度下达到其最大析出速率，在特定温度下各类气体的相对析出速率是固定的。根气体比值范围CH/CH2224码CH/H42CH/CH2426010100121≥3222表2故障类型判断方法编码组合CH/CHCH/HCH/CH2224422426故障类型判断故障实例(参考)01低温过热(低于150℃)低温过热值20(150~300)℃分接开关接触不良，引线夹件螺丝松动021(300~700)℃高温过热或接头焊接不良，涡流引起铜过热，铁芯漏磁，局部短路，层间绝缘不良，铁芯多点接地等0,1,22(高于700℃)220局部放电低能放电低能放电兼过热高湿度、高含气量引起油中低能量密度的局放放电或悬浮电位之间的火花放电体放电等个判定边界的描述，难以确切反映故障与表现特征之间的客观规律，并且很难在溶解气体含量较小的这些缺点无疑对变压器潜伏性故障的术如人工神经网络、粗糙集、遗传算法、小波导致简化了ANN的网络结构，减少了网络的训练步数，提高了判断准确率，并用仿真实理论进行有机结合，使两者优势互补，提出了多神经网络与证据理论融合的变压器故障综合诊断方法。诊断结果表明，运用提出的融合诊断算法，能充分利用色谱数据和电气试验数据的冗余、互补信息，使基于多种特征信号综合诊断结果的准确性和可靠性比基于单一故障特征的诊断得到有效的提高。的它们应用于充油电气设备故障诊断神经网络的训练。结果表明，两种神经网络均能快速收敛到较高的精度，对训练所得网络分别使用没有训练过的样本进行诊断，两种算上述用神经网络进行变压器故障诊断无疑是合理的，可概括为有以下优点：训练过的神经网络能存储有关过程的知识，能直接从定量的、历史的故障信息中学习；可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确；神经网络具有滤出噪声及在有噪声的情况下得出正确结论的能力，可以训练神经网络来识别故障信息，使其在噪声环境中有效地工作，这种滤出噪声的能力使得人工神经网络适于在线监测和诊断；神经网络具有分辩故障原因和类型的能力，这为文献[18]引入了一种基于粗糙集约简并结合模糊规则的方法进行变压器故障诊断。该方法从变压器故障判别表出发，首先使用粗糙集理论进行决策表约简，在保持故障判别表分类能力不变的条件下，去除了变压器故障诊断知识中大量的冗余特征，然后结合模糊集合理论和模糊推理，计算出各个约简后的决策规则的模糊隶属度，最终得到故障类型的判断。象与故障原因之间的模糊关系，根据用户输入的故障信息进行正反向的多级推理来做出故障诊断，具有良好的可靠性和实用性。托来考察故障与征兆之间的相互关系，以及故障发生的可能性的同时，考虑了在征兆提取中的模糊边界问题。与仅用概率推理或模糊数学的方法相比，文中的方法更能真实地反映故障诊断的特性。文献[21]对于变压器油中局部放电超高频测量系统所得到的局部放电的特征量，验证了该专家系统在变压器故障诊断中得到了应用，文献[24]在传统的变压器故障诊断专家系统的基础上，引入粗糙集理论以解决专家系统较难获取完备知识的瓶颈问题。该系统从历史故障数据所形成的决策表出发，运用粗糙集理论进行约简，构建专家系统。除非确认存在严重缺陷，否则不允许拆开检查。文献[23]在重要属性数据缺失条件下需要先使用粗糙集约简算法对输入贝叶斯分于故障数据较少的变压器故障诊断。文献[27]利用支持向量机理论开展对变压器的故障诊断，文献[28]提出用支持向量机作为分层决策电力变压器故障诊断模型。首先通过相关统计分析，选择典型油中气体作为支持向量机输入参数，然后在深入发掘油中气体所含故障信息基础上，利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型诊断。该方法基于小训练样本条件下寻求最优解，具有很好的推广能力及一致性等优点，还适用于变压器典型故障数据少的特点。文中还给出了两种不同支持向量机核函数分类结果的比较。为了提高故障诊断的正判率，该模型同时在相关近，使分层决策模型可靠性显著改善。文献[29]针对支持向量机中的参数通常靠交叉的优的综上所述，目前变压器故障诊断技术的研究还远不够完善，寻找一种既能很好地目和故障信息的不确定性、数据量大与无规律性的特点，本课题将神经网络与信息融合结合起来，互补长短，才能克服神经网络的缺乏经验、无推理性以及信息融合技术处理布存储、并行处理能力、较好处理纷繁复杂数据的优势。息融合的故障诊断模型原是对应于一个神经元的状态进行记忆，而是分散到很多神经元实际上存储着多种不同信息的部分内容。在分布同一功能的，即网络具有冗余性，网络的冗余性导致网某一些神经元受到损伤或死亡时，仍不至于丢失其记忆上。2)并行处理性(ParallelProcessing)。网络的各单元可以同时进行类似的处理过满经元协同工作并行处理的结果。于休闲无用状态。十分重要的因素。基于神经网络以上的特性，为神经网络设备状态检测和故障诊断开辟了一条新的2)是利用神经网络强大的分类能力，进行故障模式的分类与学习，诊断出故障。。多传感器信息融合技术为解决复杂系统故障诊断的不确定性问题提供了新的途径，其应用于故障诊断领域才刚刚起步。它充分利用了多传感器采集电压、电流、速度、温度等参数对电梯系统进行多方位动态监测，融合了多传感器输出的不同信息，强调了各种参量信息的综合判断，使系统的监测水平大大提高。基于信息融合的方法用神经网络对故障特征信息进行局部融合，用基于统计的融[31]。息分配(包括信号的模糊化处理)、局部诊断和决策融合诊断三层构成。信信息分配及预处理经NN1决策融合网络经NN1经NN1图1基于信息融合的故障诊断模型图经网络神经网络的延伸，具1)指数级的记忆容量和回忆速度；2)快速学习和高速信息处理能力；3)因不存在模式间的相互干扰问题而具有消除灾变性失忆的能力；4)高稳定性和可靠性。1)在神经网络的结构和训练过程中引入量子计算理论；2)直接借用量子理论中某些原理和概念来设计神经网络拓扑结构和训练算法。1)量子神经网络的结构12N12Nv子间隔，其大小的选择与待诊断的故障模式数目相同，也即与待检测的故障元件数目相同，sf为陡度因子。XXY11XY22XYNN四层量子神经网络结构(1)(1)mknsnknnvs 由式(2)可以得到e对o1、o2、o3的偏导数为： k,npsm 2)量子神经网络的学习算法网络的学习算法中神经元间的权值更新与P规算法相同，即采用梯度下降法附加动量和自适应学习速率法，使网络滑过局部极小值并能快速收敛。记为 e21r(9) 21r1rkqi,q,s o=1oi,qci,kqv=1viqsci,k,skqqx=Cxkkq——量子间隔更新量；vi,kkoxs层的第i个神经元的理论基础InformationFusion)是针对一个系统中使用多个或多种传感器这一特定问题而进行的1)信息融合的定义息的互补性和究对各种传感器的信息用，进行组合，以获取被观统的可靠性，互补数据不计算机技术对强时、综合以完成所需的决策的方法与步骤。按照这一据融合的加工对象，协调重强调了信息融合在军事上的重种方法的统称，它有着广泛的自于通信、模式识别、决策论、不确定理论、信号2)信息融合过程信息融合过程主要包括多传感器(信号获取)、数据预处理、数据融合中心(特征提取、数据融合计算)和结果输出等环节。由于被测对象多半为具有不同特征的非的数字量。数字化后的电信号由于环境等随机因素和噪音信号，通过预处理滤除数据采集过程中的干融合中心A/D示意图3)信息融合的特点(1)生存能力强。在有若干传感器不能被利用或受干扰，或某个目标/事件不在(4)提高了可信度。一种或多种传感器对同一目标/事件加以确认；(5)降低了信息的模糊度。多传感器的联合信息降低了目标/事件的不确定性；(7)提高了空间分辨率；(8)增加了测量维数,系统不易受到破坏。4)信息融合的分类融合作为一种技术思想，在工程中的应用越来越广泛。系统的信息融合相对对融合的数据进行特征提取和状态(属性)说明。实现数据层融合的传感器必须是相同的或匹配的，在原始的精度依赖于可得到的有关目标(状态)的特征信息，增大了特征空间维器信息变换，把各传感器结构)，在数据配准后，还必须对特征进行关联处理，对目标(状态)进行的融合识别，就是基于关联后的联合效性和实用性。这里将诊断信息系统作为随机变量处12N为p=p(9=9)，则设备的运行状态9的熵为：iiiii1 12Mjjijijj=1jji 在具有诊断信息的条件下，设备状态9的不确定性有所减小，因此诊断的准确性有所2研究内容及方案2.1研究目标及意义计算杜绝数情，将足实2.2研究内容两种外界条件的变化对变压器油中溶解气体浓度的影响，用改良的三气分离实验平台，把变压器油中的特征气体的气体进入气敏检，将浓度信号转换为电压信号，即传感BP性和优2.3研究方案一诊断方法的不足，研究方案中将量子神经网络和信息融合技术相结量子神经网络和信息融合关键点是将量子神经网络的输出值作为证据，然后利用DS证据理论进行综合决策。融合的具体实现方法是：用量子神经网络融合得出初步的融合结果，将此结果进行归一化处理，将输出值作为证据理论识别框架上命题的基题的总体研究方案结构图。合合SSQNN断一级QNN断图4变压器二次故障诊断模型或。2.4在课题进展中可能遇到的关键问题2)所选数据的合理性及代表性一定程度上将会影响故障诊断的准确性；2.5课题研究的可行性工作；2.6预期创新点3研究工作计划及时间安排3.1工作计划表3论文工作阶段时间安排序号论文阶段工作名称及内容起止时间目标1收集整理资料，了解该领域研究水平2010.9—2010.11找出创新点，完成开题报告2信息融合技术的理论知识模型3完成利用量子神经网络信息融合对变压器进行故障诊断的仿真验证4参考文献nn[8]中华人民共和国国家经济贸易委员会.DL/T722-2000变压器油中溶解气体分析和判断导则[9]孙才新,陈伟根,李俭.电气设备油中气体在线监测与故障诊断技术[M].北京:科学出版[10]高文胜,严璋,谈克雄.基于油中溶解气体分析的电力变压器绝缘故障诊断方法[J].电工电能新[13]俞晓冬,马凤英,臧宏志.粗糙集理论与神经网络在变压器故障诊断中的应用[J].继电[14]廖瑞金,廖玉祥,杨丽君.多神经网络与证据理论融合的变压器故障综合诊断方法的研究[J].中[15]李天云,程思勇,童建东.基于Elman神经网络的油浸式电力变压器故障诊断[J].继电[16]胡青,杜林,杨丽君.KernelPCA与BP神经网络相结合的变压器故障诊断[J].计算机应用研[17]周亚明,田野,陈斌.两种神经网络在变压器油色谱故障诊断中的应用[J].四川电力技[18]王志勇.基于粗糙集与模糊规则的变压器故障诊断方法[J].继电器,2006,34(9):8-11.[19]周平.人工智能专家系统在变压器故障诊断中的应用研究[D].中国电力科学研究院博士学位[20]杨莉,尚勇,周跃峰.基于概率推理和模