电力变压器状态评估及故障诊断方法研究

电力变压器是电网中能量转换、传输的核心，是电网安全第一道防御系统中的关键枢纽设备。目前，我国已有较多变压器运行年限超过20年，这些运行中的变压器面临着日益严重的如设备故障和绝缘老化问题，发生事故的概率不断增加。变压器一旦发生事故可能会造成设备资产和大停电等巨大损失，甚至会产生严重的社会影响。因此，对电力变压器进行有效的状态评估和深入的故障诊断研究，指导变压器的运行维护和状态检修，预防和降低故障的发生几率，具有重要的理论和实际意义。 论文在搜集整理大量技术标准、规程导则、专家经验以及变压器实际运行状态数据的基础上，深入研究了电力变压器状态评估的指标体系、评估方法和决策准则以及基于支持向量机和智能优化算法的变压器故障诊断技术，对变压器状态评估的集对分析方法和模糊与证据推理融合的绝缘状态评估模型进行了研究，在以油中溶解气体为特征量的变压器故障诊断方法研究上取得了一定进展，论文取得的创新性成果主要有： 在对变压器状态等级划分和指标参数提取的基础上，针对状态信息具有模糊和信息不完全所致的不确定性问题，提出了基于集对分析理论的电力变压器状态评估策略，构建了集对分析算法及实现步骤，用联系度及其数学表达式统一描述系统状态的不确定性问题，并结合信度准则实现了对变压器状态的评估，为电力变压器状态评估提供了一种新的思路。 针对变压器绝缘状态评估中存在影响评估结果因素多、评估因素不相容且影响程度又不尽相同的难题，提出了基于模糊和证据推理融合的变压器绝缘状态合决策模型，构建了模糊隶属度函数来描述评估模型的因素层指标，根据模糊评估结果确定证据推理决策模型的原始基本概率分配，利用证据融合得到了辨识框架中基本概率分配函数，最后基于最大基本概率分配函数决策规则进行评估目标判定。 将多分类最小二乘支持向量机（LS-SVM）应用于电力变压器故障诊断中，通过组合编码构造多个二分类LS-SVM分类器实现多类分类。利用粒子群优化（PSO）算法获得LS-SVM分类模型的最优参数，应用交叉验证（CV）的思想来提高分类算法的整体泛化性能，并采用加州大学欧文分校机器学习数据库的基准数据集进行验证。变压器故障诊断实例分析表明，提出的基于PSO和LS-SVM分类方法对电力变压器进行故障诊断是准确和有效的；与传统的IEC三比值法、反向传播神经网络（BPNN）、径向基神经网络（RBFNN）及标准支持向量机（SVM）的变压器故障诊断方法相比，提出的方法在训练和测试阶段都获得了较高的准确率。 针对经典PSO算法在实际应用中容易陷入局部最优的缺点，提出了带时变加速系数的PSO算法（PSO-TVAC）优化SVM模型。引入动态惯性权重和加速系数，控制了PSO算法的开发（exploitation）和探索（exploration）能力，平衡了PSO的全局搜索和局部搜索性能，实验证明，基于改进PSO算法的故障诊断收敛速度快，计算精度高，诊断效果更好。 研究了基于支持向量机回归（SVR）理论的预测方法，建立了基于PSO-TVAC优化最小二乘支持向量机回归（LS-SVR）和小波最小二乘支持向量机回归（W-LSSVR）的变压器油中溶解气体预测模型，避免了传统SVR方法中回归问题未知变量数目的膨胀，同时简化了支持向量机回归的参数优化。实例研究表明，提出的油中溶解气体预测模型较BPNN、RBFNN、广义回归神经网络（GRNN）及ε-SVR预测方法相比，无论在预测精度和稳定性方面均具有很大的优势。 在研究变压器油中溶解气体预测实质的基础上，为了能够进一步掌握油中溶解气体的发展变化趋势，首次提出了基于模糊信息粒化支持向量机回归的油中气体区间预测方法。建立了模糊信息粒化的时序模型，不丧失时间序列所蕴含的主要信息的基础上简化了时序的表现形式，利用PSO-TVAC优化的支持向量机回归模型来训练粒化集样本，根据获得的信息粒预测区间，得到了油中溶解气体变化趋势的最大值、最小值和平均值水平，与实际信息相吻合。