大型电力变压器基于信息融合故障诊断技术的研究

大型变压器是电力工业中最重要、最昂贵的关键设备之一,随着电力系统朝着超高压、大电网、大容量、自动化方向发展,其可靠运行关系到电力供应安全与否,对国民经济发展与人民生活影响重大。因此开展大型电力变压器的状态监测与故障诊断技术研究,及早发现电力变压器早期绝缘潜伏性故障,对于保证电力变压器及整个电力系统的安全、可靠、稳定运行及促进电力设备维修体制从定期维修向预知维修或视情况维修转变具有重要的理论实际意义。 本文以电力变压器故障为诊断对象,针对目前电力变压器故障诊断的特点及现状,将信息融合技术引入到变压器故障诊断领域中,根据信息融合故障诊断过程的一般框架,结合油中溶解气体数据和电气试验数据,提出一种基于小波神经网络与D-S证据理论相结合的变压器多故障信息分层决策融合诊断方法。 首先,对电力变压器的常见故障和结构进行了简单的分析,同时结合电力变压器的故障特征量,对电力变压器的常规故障诊断方法进行了简单的介绍;其次,针对电力变压器故障诊断的不确定性及证据体基本概率分配赋值的主观性,提出基于证据重要性和充分性的证据概率分配赋值分配新方法,使得融合后由不重要、不确定信息导致的BPA减少,冲突因子减少;另外从融合冲突信息的特点出发,将证据融合信度分配中的不可知部分分成权重分配导致的不可知和信息缺乏导致的不可知两部分组成,优化了证据推理算法,较客观的减少了诊断的不确定性,使融合诊断结论更能满足客观要求。 针对分层决策融合诊断模型中特征层采用BP网络融合将会导致网络不易收敛、陷入局部极小等缺点,给出一种基于实值与二进制编码相结合的自适应遗传算法优化的小波神经网络(AGAWNN)代替BP网络,该网络比BP网络在收敛速度、收敛精度等方面都具有较好的性能。 最后,通过2个算例验证了所提出的基于小波神经网络与D-S证据理论相结合的变压器多故障信息分层决策融合诊断方法的有效性和可靠性。