论文部分内容阅读
电力变压器是电力系统中的关键设备,它的正常运行是整个电力系统安全、稳定、可靠运行的基本保证。随着电网电压等级的升高和容量的增加,变压器发生故障的概率变得越来越高。因此开展变压器故障诊断的研究,对及时发现变压器早期潜伏性故障并进行状态维修,提高电力系统的供电可靠率具有很重要的现实意义。油中溶解气体分析(DGA)是目前发现并判断变压器故障的有效手段,基于油中溶解气体分析的变压器故障诊断方法也从传统的比值法过渡到了智能诊断方法,但大部分智能诊断方法在样本过少、样本信息不完备的情况下,都很难得到理想的诊断结果。针对这一问题,本文将能有效处理不完备数据并对数据进行约简的粗糙集理论(Rough Set,RS)和在小样本情况下具有优良性能的支持向量机理论(Support Vector Machine,S VM)结合应用到变压器故障诊断中,并引入遗传算法对支持向量机进行参数寻优,进行了探索一种新的智能变压器故障诊断方法的研究工作。本文首先对基于油中溶解气体分析变压器故障诊断进行了研究,分析了传统比值法的优缺点,在此基础上提出了人工智能化故障诊断的必要性。然后研究了粗糙集理论的相关概念、粗糙集连续数据离散化方法以及决策表属性约简方法。按照粗糙集数据处理步骤,使用Rosetta软件对原始故障样本比值属性进行了等频离散化和Genetic algorithm约简,得到了属性约简、规则合并后的最终决策表,以此决策表作为本文故障诊断模型的新输入。关于支持向量机分类器的建立,本文深入研究了与之相关的支持向量机多分类方法、支持向量机核函数选择以及支持向量机参数寻优等问题。在对支持向量机分类器分类效果影响最大的参数寻优问题上,引入了遗传算法进行参数寻优,并得到了遗传支持向量机参数优化流程。最后,本文以经粗糙集样本处理后的最终决策表为输入,变压器故障诊断类型为输出,选用一对一多分类方法、RBF核函数以及遗传算法寻优参数,使用LIBSVM工具箱在MATLAB2011下编程实现了基于粗糙集和遗传支持向量机的变压器故障诊断模型。通过多次实验、分析、对比验证了本文所选算法的优越性,将本文所建模型与传统的改良三比值法及BP神经网络对比,验证了本文所建模型的优越性。使用本文所建模型进行了实例分析,验证了本文故障诊断方法的有效性,具有一定的应用价值。