電力變壓器是電力系統(tǒng)中的關(guān)鍵設備,如果它的運行狀態(tài)不穩(wěn)定,將對電力系統(tǒng)的安全性和可靠性造成嚴重影響。因此,對電力變壓器的健康狀態(tài)進行評估,保障送變電安全,對提高電力系統(tǒng)的可靠性,促進電力設備基于狀態(tài)的維修（Condition Based Maintenance,CBM）發(fā)展具有重要意義。本文分析了隱馬爾可夫模型（Hidden Markov Model,HMM）應用到變壓器領(lǐng)域中的局限性,并將改進后的隱式半馬爾科夫模型（Hidden-semi Markov Model,HSMM）引入電力變壓器健康狀態(tài)評估領(lǐng)域,提出了一種電力變壓器HSMM健康狀態(tài)評估方法,設計開發(fā)了電力變壓器健康狀態(tài)檢測系統(tǒng)。本文主要做了以下幾方面的工作:1)研究分析了電力變壓器油中溶解氣體的產(chǎn)生機理,并從電退化、熱退化、化學退化和機械退化等方面進行了變壓器的退化機理研究,指出當前變壓器維護維修領(lǐng)域存在成本過高的問題,有必要開展變壓器的健康狀態(tài)評估工作。2)通過對HMM模型參數(shù)和結(jié)構(gòu)的闡述,論述了HMM應用于變壓器健康狀態(tài)評估領(lǐng)域的可行性,并通過實驗進行了驗證,結(jié)果表明HMM能夠有效的對變壓器進行健康狀態(tài)的劃分。3)針對... 

【文章來源】：華北電力大學河北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

絕緣壽命與繞組溫度和絕緣紙含水量的關(guān)系圖

圖 3-7 五種狀態(tài) HMM 的訓練曲線.5 HMM 故障診斷HMM 用于變壓器的故障診斷中，根據(jù)上文中的圖 3-5 所示，構(gòu)建了 HMM 分。將通過數(shù)據(jù)預處理的 DGA 序列，作為實驗模型中的觀測序列，并在訓練過實驗模擬過程中，通過調(diào)用模型的基本算法計算P（ o | ），將次概率最大值對 HMM類別輸出，即為判定的故障類型。采用矢量為 x=[85.9，66.0，15.3，25.7，6.3]作為此次實驗的輸入數(shù)據(jù)，根據(jù)基MM 的變壓器故障診斷模型的流程進行實驗，得到的各狀態(tài)的識別結(jié)果輸出如-3 所示，其發(fā)生高能放電故障的概率是 96.44%。表 3-3 HMM 輸出輸出 正常中低溫過熱高溫過熱低能放電高能放電對數(shù)似然值-Inf -21.6 -122.9 -15.0 -14.1故障可能性（%）0 0 0 3.56 96.44

圖 4-3 五種狀態(tài) HSMM的訓練曲線M 故障診斷在運行狀態(tài)分為正常狀態(tài)和故障狀態(tài)，故障類型分為放電性故障中放電性故障分為：低能放電、高能放電；過熱性故障分為：中700℃）、高溫過熱（溫度≧700℃）。其中兩種故障特性都包含的熱和高能放電兼過熱。本文所采用的 HSMM 是在傳統(tǒng) HMM 結(jié)素，為變壓器故障診斷提供更好的建模和數(shù)據(jù)分析能力，具體如壓器的各個健康狀態(tài)，使用各類 DGA 故障數(shù)據(jù)對 HSMM 進行訓的是，HSMM 中的“宏狀態(tài)”對應變壓器的各個健康狀態(tài)。例如體觀測矢量為 x=[85.9，66.0，15.3，25.7，6.3]，則 HSMM 模型輸出如表4-1所示，在此時刻變壓器有98.45%的概率發(fā)生高能放表 4-1 HSMM輸出輸出 正常中低溫過熱高溫過熱低能放電高能放電對數(shù)-Inf -22.6 -124.0 -15.9 -14.0

【參考文獻】：
期刊論文
[1]采用自適應基因粒子群算法優(yōu)化隱馬爾科夫模型的方法及應用[J]. 張西寧,雷威,楊雨薇,張雯雯.  西安交通大學學報. 2018(08)
[2]PHM技術(shù)在核電廠的應用與展望[J]. 解光耀,劉井泉,曾聿赟.  核動力工程. 2018(02)
[3]油浸式變壓器繞組暫態(tài)溫升的計算與分析[J]. 陶超,張喜樂,王建民,彭廣勇,趙銀漢.  變壓器. 2018(03)
[4]變壓器油紙絕緣水分含量和老化程度定量評估研究[J]. 曹建軍,隋彬,楊飛豹,尹小兵.  高壓電器. 2018(01)
[5]基于Wiener模型的變壓器油紙絕緣老化剩余壽命評估方法[J]. 張明澤,劉驥,陳昕,廖俐琳,陳慶國.  電工技術(shù)學報. 2018(21)
[6]一起220kV變壓器繞組短路故障診斷與分析[J]. 張鵬,汪佛池,周若琪,劉宏亮,陳志勇,劉海峰.  變壓器. 2017(11)
[7]LSSVM與HMM在航空發(fā)動機狀態(tài)預測中的應用研究[J]. 崔建國,高波,蔣麗英,于明月,鄭蔚.  計算機工程. 2017(10)
[8]電力變壓器故障預測與健康管理:挑戰(zhàn)與展望[J]. 李剛,于長海,劉云鵬,范輝,文福拴,宋雨.  電力系統(tǒng)自動化. 2017(23)
[9]基于HMM的風電機組齒輪箱故障診斷研究[J]. 楊志凌,姚治業(yè),王瑞明.  太陽能學報. 2017(09)
[10]基于DGA的粗糙集與決策信息融合變壓器故障診斷[J]. 李春茂,周妺末,袁海滿,高波,吳廣寧.  電工電能新技術(shù). 2018(01)



本文編號：3334484