變壓器故障診斷可靠性的提高有利于進(jìn)一步落實(shí)變壓器的差異化運(yùn)行維護(hù)和狀態(tài)檢修。目前應(yīng)用較為廣泛的評(píng)估方法為三比值法,該方法存在編碼不全,無(wú)法覆蓋全部故障類型,評(píng)判標(biāo)準(zhǔn)過(guò)于絕對(duì)的缺點(diǎn)。隨著監(jiān)測(cè)設(shè)備的投入和檢測(cè)手段的提高,越來(lái)越多的變壓器特征數(shù)據(jù)被收集,這為基于智能算法的變壓器故障診斷方法的研究提供了數(shù)據(jù)基礎(chǔ)。這些數(shù)據(jù)表征了運(yùn)行工齡工況不同、工作環(huán)境差異較大、試驗(yàn)設(shè)備有不同程度的誤差、檢測(cè)周期不一致以及不同原因?qū)е鹿收系淖儔浩鳡顟B(tài)。本文圍繞如何提高以特征數(shù)據(jù)為建模對(duì)象的變壓器故障診斷模型精度的問(wèn)題展開(kāi)研究,論文的主要內(nèi)容有:（1）考慮到數(shù)據(jù)形成環(huán)境復(fù)雜,采用人工收集的方式,可能存在離群值。本文利用結(jié)合密度聚類的模糊C均值算法取代人工的數(shù)據(jù)挑選方式,實(shí)現(xiàn)了數(shù)據(jù)噪聲的分類清洗,使剔除離群值和邊緣值后的數(shù)據(jù)所反映變壓器狀態(tài)特征信息更清晰,提高了數(shù)據(jù)質(zhì)量和價(jià)值密度。（2）研究現(xiàn)已提出的變壓器故障診斷方法,針對(duì)方法輸出精度低的問(wèn)題,提出基于智能極限學(xué)習(xí)機(jī)的變壓器故障診斷方法,將表征變壓器狀態(tài)的數(shù)據(jù)轉(zhuǎn)換變?yōu)閿?shù)學(xué)模型,輸出可靠的診斷信息。為此,本文利用免疫算法對(duì)粒子群進(jìn)行改進(jìn),克服了種群容易陷入局部極值的... 

【文章來(lái)源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 變壓器狀態(tài)檢修的發(fā)展
        1.2.2 基于數(shù)學(xué)方法的變壓器故障診斷
        1.2.3 基于大數(shù)據(jù)挖掘技術(shù)的變壓故障診斷
    1.3 論文研究?jī)?nèi)容與章節(jié)安排
        1.3.1 課題來(lái)源與研究?jī)?nèi)容
        1.3.2 論文章節(jié)安排
第二章 變壓器故障指標(biāo)選取
    2.1 概述
    2.2 變壓器指標(biāo)體系構(gòu)建
        2.2.1 變壓器指標(biāo)的選取
        2.2.2 數(shù)據(jù)噪聲清洗方法
        2.2.3 降噪效果評(píng)價(jià)指標(biāo)
    2.3 數(shù)據(jù)的降噪處理
    2.4 本章小結(jié)
第三章 基于最優(yōu)正則極限學(xué)習(xí)機(jī)的變壓器故障診斷
    3.1 概述
    3.2 最優(yōu)正則極限學(xué)習(xí)機(jī)
        3.2.1 極限學(xué)習(xí)機(jī)
        3.2.2 正則極限學(xué)習(xí)機(jī)
    3.3 變壓器故障診斷模型
    3.4 實(shí)例計(jì)算與分析
    3.5 本章小結(jié)
第四章 基于智能極限學(xué)習(xí)機(jī)的變壓器故障診斷
    4.1 概述
    4.2 改進(jìn)免疫粒子群優(yōu)化算法
        4.2.1 粒子群算法
        4.2.2 免疫算法
    4.3 變壓器故障診斷模型
    4.4 實(shí)例計(jì)算與分析
        4.4.1 模型訓(xùn)練
        4.4.2 故障診斷
        4.4.3 方法比較
    4.5 本章小結(jié)
結(jié)論與展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的論文
攻讀學(xué)位期間參與的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于分類修剪的關(guān)聯(lián)分類算法改進(jìn)[J]. 秦晨普,張?jiān)迫A.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(04)
[2]基于粒子群算法的電動(dòng)汽車電能計(jì)量?jī)?yōu)化[J]. 高敬更,李項(xiàng),張勇紅,王興貴,陳欣.  工業(yè)儀表與自動(dòng)化裝置. 2019(02)
[3]基于實(shí)際運(yùn)行數(shù)據(jù)的配電變壓器故障原因多維度分析[J]. 康兵,楊勇,李振興,沈煜,季斌.  智慧電力. 2019(03)
[4]綜合RapidMiner與改進(jìn)粒子群極限學(xué)習(xí)機(jī)算法的變壓器故障診斷[J]. 魏金蕭,周步祥,唐浩,張百甫,楊常.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2019(03)
[5]基于特征氣體關(guān)聯(lián)特征的變壓器故障診斷方法[J]. 梁永亮,郭漢琮,薛永端.  高電壓技術(shù). 2019(02)
[6]基于最優(yōu)正則極限學(xué)習(xí)機(jī)的變壓器故障診斷[J]. 覃煒梅,吳杰康,羅偉明,金尚婷,龔杰.  寧夏電力. 2018(05)
[7]大數(shù)據(jù)背景下電力行業(yè)數(shù)據(jù)應(yīng)用研究[J]. 李志勇,郭一通.  自動(dòng)化技術(shù)與應(yīng)用. 2018(09)
[8]基于局部密度聚類算法的變壓器故障狀態(tài)評(píng)估[J]. 羅偉明,吳帆,黃業(yè)廣,吳杰康,覃煒梅,龔杰,金尚婷.  廣東電力. 2018(08)
[9]基于改進(jìn)差分進(jìn)化算法優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)[J]. 胡函武,施偉,陳橋,李凱.  寧夏電力. 2018(04)
[10]基于多因素的變壓器油中溶解氣體體積分?jǐn)?shù)預(yù)測(cè)方法[J]. 劉航,王有元,梁玄鴻,白德盟,秦佳峰.  高電壓技術(shù). 2018(04)

碩士論文
[1]基于加權(quán)極限學(xué)習(xí)機(jī)集成算法的污水處理故障診斷及軟件開(kāi)發(fā)[D]. 孫稱立.華南理工大學(xué) 2018
[2]面向組合優(yōu)化問(wèn)題的粒子群算法的研究[D]. 戎漢中.南京郵電大學(xué) 2017
[3]基于大數(shù)據(jù)分析方法的變壓器絕緣老化診斷與故障預(yù)測(cè)研究[D]. 黎佳.長(zhǎng)沙理工大學(xué) 2017
[4]基于故障案例的變壓器風(fēng)險(xiǎn)評(píng)估體系研究[D]. 田姍.華北電力大學(xué) 2017
[5]極限學(xué)習(xí)機(jī)算法及應(yīng)用研究[D]. 任陽(yáng)暉.沈陽(yáng)航空航天大學(xué) 2017
[6]基于大數(shù)據(jù)分析的電力變壓器狀態(tài)評(píng)估與故障診斷技術(shù)研究[D]. 雷帆.西南交通大學(xué) 2016
[7]基于DBSCAN的自適應(yīng)聚類算法研究[D]. 李宗林.長(zhǎng)沙理工大學(xué) 2015
[8]電力變壓器分層分部件狀態(tài)評(píng)估研究[D]. 徐智.重慶大學(xué) 2013
[9]變壓器狀態(tài)評(píng)估方法的研究[D]. 張登.華中科技大學(xué) 2013



本文編號(hào)：3175721