论文部分内容阅读
电力变压器(Power Transformer)是电力系统的重要主设备,它承担着电压变换和传输等工作,因此,它的可靠性运行与电力系统的稳定息息相关。任何变压器内部故障都可能造成一定范围内的停电事故,并产生不可估量的经济损失,因此及时发现并准确的对变压器潜伏性故障做出判断具有重要意义。变压器油中溶解气体分析(Dissolved Gas Analysis,DGA)是目前用于变压器在线故障诊断最广泛和有效的方法之一,但传统DGA分析方法往往存在编码缺失、编码过于绝对及普遍诊断性能低等缺点,此外,由于缺乏广泛认可的故障特征集,基于智能算法的DGA分析往往忽略了故障特征的完备性和紧凑性,致使诊断性能不理想。针对上述不足,本文提出了一种基于混合特征选择和粒子群优化(Particle Swarm Optimization,PSO)核极限学习机(Kernel based Extreme Learning Machine,KELM)的变压器故障诊断方法,选择最优特征子集的同时提供更加紧凑而有效的变压器故障诊断模型,以提升最终故障诊断准确率。本文主要展开了以下几个方面研究:首先,针对目前DGA分析方法暂无广泛认可的特征集,通过搜索大量案例、文献调研,并结合《变压器油中溶解气体分析导则》,建立了一个综合故障特征子集,为后续方法提供特征寻优空间。其次,将极限学习机(Extreme Learning Machine,ELM)应用于变压器故障诊断,并利用核函数对ELM进行优化,构建基于KELM的变压器故障诊断模型;此外,还通过组合F-score和Information Gain两种Filter模型对变压器故障特征进行排序和筛选,实现故障特征的降维,并分析了特征选择的重要性。实验结果表明:特征选择后的子集能有效提高模型的故障诊断准确率,且KELM相对比其他几种常用的故障诊断算法和ELM具有更好的诊断性能。最后,针对Filter方法应用于变压器故障特征选择的不足,同时为了减小调参难度,建立了基于混合特征选择和KELM的变压器故障诊断模型。首先采用Filter模型对故障特征进行排序并完成冗余特征的初步筛选;再引入PSO算法结合KELM模型进一步特征选择和参数优化;最后分析了初始化策略对PSO优化寻优结果的影响。实验结果表明该方法实现了更准确的故障特征选择,并提供了更紧凑有效的故障诊断模型,能有效提高故障诊断准确率。