进入新世纪后,我国经济体量迅猛增大,与此同时电力也越来越被人们所依赖,电力的安全问题也被政府相关部门所关注。因为变压器是电力系统中最尤为关键的一部分,电力系统的正常运行与其可靠的工作关系紧密,所以对变压器进行故障诊断显得十分必要。过去电力系统的设备维修模式是“定期维修”,即在固定的时间进行检修,而现在已变成了更加科学合理的“状态维修”。目前已确定变压器油中溶解气体分析(DGA)技术是一种有效的“状态维修”的模式,是现在变压器故障诊断的重要方法,因此本文所用的数据就是来源于DGA。本文针对现有故障检测方法存在的精度低、收敛性差、容易造成误判等缺陷,在人工智能技术迅速发展的基础上,设计了一个基于卷积神经网络的油浸式变压器故障诊断模型。本文从油浸式变压器的常见故障为出发,首先介绍了其研究背景、意义以及研究现状,根据查阅的文献对变压器的故障类型进行剖析,阐明了变压器油中气体产生的原因和故障与油中特征气体的联系。其次介绍了神经网络的概念,从BP神经网络出发,构造了BP模型并对之训练仿真,得到识别率为90.5%。为了进一步提高故障识别率和精度,引入深度学习的概念,阐述了卷积神经网络的基本原理,以及其网络的结构和工作机制,据此又设计了一个卷积神经网络的模型,并使用DGA数据做好网络训练和结果剖析,识别率可达到95.2%。接着对两个模型做了对比,发现卷积神经网络优于BP神经网络。最后用两种模型对单台变压器和多台变压器的故障做了综合诊断,得到了理想的效果。通过本文的研究,改进了之前的变压器检测方法,深度学习的卷积神经网络在故障诊断上的应用,使得以DGA为数据的变压器故障诊断的检测精度和准确率大大提升,对保证变压器安全工作和降低成本有着积极的影响。图[19] 表[23] 参[59]