基于支持向量機和油中溶解氣體分析的變壓器故障診斷.pdf

1、電力變壓器是電力系統(tǒng)的重要設備，它的性能直接影響到電力系統(tǒng)運行的安全和可靠。針對變壓器的故障診斷，前人提出了很多的解決方法，但都有這樣或那樣的缺陷，不能迅速、準確的作出判斷。支持向量機作為數(shù)據(jù)挖掘的一項新技術，被廣泛應用于模式識別和處理回歸問題等諸多領域。本文利用支持向量機小樣本學習、推廣性強、不陷入“過學習”的優(yōu)點，將其應用于變壓器油中溶解氣體數(shù)據(jù)的分析中，提出變壓器故障診斷的新方法，具有重要的理論意義和實用價值。 本文分析了

2、現(xiàn)有的基于變壓器油中溶解氣體的故障分析方法的優(yōu)缺點，將其與支持向量機的分支——支持向量分類機相結合。針對油中溶解氣體與變壓器故障之間的非線性分類關系，建立了變壓器故障診斷模型。變壓器特征氣體反映故障的靈敏度及氣體含量本身差異大，因此本文對數(shù)據(jù)進行了歸一化處理，顯著改善了模型的收斂性能。通過對核函數(shù)、求解方法以及參數(shù)的選取，建立了具有最佳分類效果的支持向量分類機。針對變壓器油色譜數(shù)據(jù)進行一次分類的結果往往很難達到要求的問題，本文分別建立了

3、發(fā)熱和放電故障診斷模型，低、高能量放電故障診斷模型和中低、高溫發(fā)熱故障診斷模型，并用所得到的模型建立了兩層的故障診斷決策樹，提高了故障分類的精度和效率。 本文將SVM模型的仿真結果與三比值法進行比較，結果表明基于支持向量機的故障診斷模型在對變壓器發(fā)熱和放電故障兩個大類診斷的準確率上稍低于三比值法，但在對細分故障的診斷準確率方面遠遠高于三比值法，能夠對故障進行更深入的診斷。 最后，本文將SVM模型與BP神經(jīng)網(wǎng)絡作了比較。在