论文部分内容阅读
电力变压器担负着电力系统内电能的传输、分配及电压的变换等功能,其运行状况的好坏直接影响到整个电力系统整体的安全运行。随着信息融合及人工智能技术的发展,对变压器进行准确、智能的故障诊断与状态评估,不仅能够为其维修决策提供指导依据,也提高了其运行可靠性。本文首先对变压器状态信息进行分析与总结,在满足指标体系建立规则的条件下,依据变压器故障诊断与状态评估模型的需求分别构建了变压器故障诊断指标体系与变压器状态评估指标体系。其中状态评估指标体系分为基于部件状态等级评估的指标体系与基于典型缺陷风险等级评估的指标体系。针对目前浅层机器学习理论在变压器故障诊断上精度不高以及大多数诊断方法参考的信息特征量单一的现状,提出一种基于AdaBoost_RBF与DSmT(Dezert-Smarandache theory)的变压器故障诊断方法。选择反映变压器故障信息的油中溶解气体、试验及产气率数据构成诊断参量空间,引用AdaBoost算法对RBF神经网络算法进行改进,应用AdaBoost_RBF搭建并行的训练单元构造变压器故障诊断识别框架的基本信度赋值(Basic belief assignment,BBA)。基于多源信息融合的思想,应用DSmT对基本信度赋值进行融合得到最终诊断结论,该理论克服了D-S证据理论无法融合高冲突性证据的局限性。通过对110kV变压器进行仿真实例分析,结果表明该方法具有良好的实用性。针对变压器状态评估中状态信息的随机性与评估结果的模糊性,提出一种基于云物元算法与改进DSmT的变压器多级状态评估模型,该模型分为变压器部件状态等级评估与变压器典型缺陷风险等级评估。基于云物元理论构建变压器各试验模块与各典型缺陷的云物元模型,应用层次分析(AHP)-熵权综合赋权法求得主客观权重并对DSmT进行算法上的改进。基于构建的变压器试验模块的云物元模型求得变压器试验模块的状态等级隶属度,并应用改进DSmT融合得到各部件状态等级隶属度。若本体状态等级判定为“异常”或“严重”,则基于上述构建的典型缺陷云物元模型对变压器进行缺陷类型风险等级评估,应用DSmT融合后得到典型缺陷的风险等级隶属度及风险分数。通过案例仿真分析,证明该评估模型对于变压器的维修决策有一定的指导意义。