本文選題：變壓器 + 神經(jīng)網(wǎng)絡(luò)��； 參考：《華北理工大學(xué)》2017年碩士論文

【摘要】：電網(wǎng)中存在著很多電力設(shè)備支撐其正常工作,其中,電力變壓器在整個(gè)電網(wǎng)系統(tǒng)中起著至關(guān)重要的作用,一旦電力變壓器出現(xiàn)故障,將會(huì)危害整個(gè)電網(wǎng)的正常工作,所以及時(shí)發(fā)現(xiàn)變壓器的故障狀態(tài)有著十分重要的意義。為解決常規(guī)色譜分析中繁瑣的操作程序和外界環(huán)境因素引起的較大誤差,提出應(yīng)用激光誘導(dǎo)擊穿光譜(LIBS)檢測變壓器油中溶解氣體所含多種元素檢測技術(shù),建立以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的故障診斷模型;提高變壓器故障診斷的正確率和可靠性。首先構(gòu)建實(shí)用有效的變壓器故障氣體LIBS光譜數(shù)據(jù)預(yù)處理方法與模型,隨后使用遺傳神經(jīng)網(wǎng)絡(luò)對(duì)已知故障類型的變壓器故障特征氣體所含元素種類及含量進(jìn)行仿真實(shí)驗(yàn),對(duì)變壓器的故障類型做出判斷。經(jīng)過實(shí)驗(yàn)研究得出結(jié)論,LIBS技術(shù)能夠檢測變壓器油中溶解氣體所含的C、H和O的光譜圖,應(yīng)用定標(biāo)曲線法可以得到預(yù)測濃度值。以三比值法為基礎(chǔ),建立基于RBF神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型,正確率由50.00%提高到80.00%,在實(shí)驗(yàn)過程中發(fā)現(xiàn),這種模型也存在著一些問題,當(dāng)樣品數(shù)據(jù)不充分時(shí),其診斷結(jié)果的錯(cuò)誤率很高。以C、H和O的含量作為基礎(chǔ),建立基于SOM神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型,在實(shí)驗(yàn)過程中發(fā)現(xiàn),無論是增加迭代次數(shù)還是增加訓(xùn)練樣本數(shù),都不能使診斷結(jié)果提高準(zhǔn)確度,隨后引入遺傳算法和K-means聚類算法,優(yōu)化SOM網(wǎng)絡(luò)權(quán)值和結(jié)構(gòu),使變壓器故障診斷的正確率由50.00%提高到了87.50%。
[Abstract]:There are a lot of power equipments in the power network to support their normal operation. Among them, the power transformer plays a vital role in the whole power system. Once the power transformer fails, it will endanger the normal work of the whole power network. So it is very important to discover the fault state of transformer in time. In order to solve the big error caused by the complicated operation procedure and external environmental factors in conventional chromatographic analysis, a technique for detecting the elements of dissolved gas in transformer oil by laser induced breakdown spectroscopy (LIBS) is proposed. A fault diagnosis model based on neural network is established to improve the accuracy and reliability of transformer fault diagnosis. A practical and effective method and model of LIBS spectral data preprocessing for transformer fault gas is constructed, and then genetic neural network is used to simulate the type and content of elements in the characteristic gas of transformer fault with known fault type. Judge the type of fault of transformer. It is concluded that Libs can be used to detect the spectra of Con H and O in the dissolved gas in transformer oil, and the predicted concentration can be obtained by the calibration curve method. Based on the three-ratio method, a transformer fault diagnosis model based on RBF neural network is established. The accuracy rate is increased from 50.00% to 80.000.In the process of experiment, it is found that there are some problems in this model, when the sample data is not sufficient, The diagnostic error rate is very high. The transformer fault diagnosis model based on SOM neural network is established on the basis of the contents of C H and O. In the experiment, it is found that neither increasing the number of iterations nor increasing the number of training samples can improve the accuracy of the diagnosis results. Then genetic algorithm and K-means clustering algorithm are introduced to optimize the weight and structure of SOM network, and the correct rate of transformer fault diagnosis is improved from 50.00% to 87.50%.
【學(xué)位授予單位】：華北理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP183;TM407

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊友良;王新穎;;LIBS定量分析中降低基體效應(yīng)的方法[J];河北聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年02期

2 公茂法;張言攀;柳巖妮;王志文;劉麗娟;;基于BP網(wǎng)絡(luò)算法優(yōu)化模糊Petri網(wǎng)的電力變壓器故障診斷[J];電力系統(tǒng)保護(hù)與控制;2015年03期

3 張玉欣;程志峰;徐正平;白晶;;參數(shù)尋優(yōu)支持向量機(jī)在基于光聲光譜法的變壓器故障診斷中的應(yīng)用[J];光譜學(xué)與光譜分析;2015年01期

4 黃新波;宋桐;王婭娜;李文君子;;基于IGSO優(yōu)化LM網(wǎng)絡(luò)的變壓器故障診斷方法[J];中國電力;2014年09期

5 禹建麗;卞帥;;基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型[J];系統(tǒng)仿真學(xué)報(bào);2014年06期

6 苑津莎;尚海昆;王瑜;靳松;;基于相關(guān)系數(shù)矩陣和概率神經(jīng)網(wǎng)絡(luò)的局部放電模式識(shí)別[J];電力系統(tǒng)保護(hù)與控制;2013年13期

7 楊軍;;基于蟻群算法的變壓器故障診斷方法研究[J];電氣應(yīng)用;2012年10期

8 馬翠紅;劉立業(yè);;基于小波分析的光譜數(shù)據(jù)處理[J];冶金分析;2012年01期

9 陳偉根;周恒逸;黃會(huì)賢;;變壓器油中溶解氣體光聲光譜檢測最小二乘回歸定量分析[J];重慶大學(xué)學(xué)報(bào);2010年02期

10 藍(lán)毓俊;2003年世界上幾起大停電事件的經(jīng)驗(yàn)教訓(xùn)和啟示[J];電力設(shè)備;2004年12期

相關(guān)博士學(xué)位論文 前2條

1 朱德華;激光誘導(dǎo)擊穿光譜技術(shù)檢測物質(zhì)成分的理論應(yīng)用分析和實(shí)驗(yàn)研究[D];南京理工大學(xué);2012年

2 鄭含博;電力變壓器狀態(tài)評(píng)估及故障診斷方法研究[D];重慶大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 姬立新;變壓器油中溶解氣體故障診斷研究[D];華北電力大學(xué);2014年

2 賀靜;基于CMOS模擬技術(shù)的多種前饋人工神經(jīng)網(wǎng)絡(luò)硬件的研究與實(shí)現(xiàn)[D];湘潭大學(xué);2014年

3 杜俊強(qiáng);基于特征融合的人臉識(shí)別算法研究[D];東北大學(xué);2014年

4 楊崇瑞;激光誘導(dǎo)擊穿光譜數(shù)據(jù)處理方法研究[D];北京交通大學(xué);2014年

5 王也;汽車零件貯存可用度建模與優(yōu)化方法研究[D];東北大學(xué);2013年

6 張凱;新型變壓器故障在線診斷系統(tǒng)的設(shè)計(jì)[D];山東農(nóng)業(yè)大學(xué);2013年

7 王重云;基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷技術(shù)研究[D];東北石油大學(xué);2013年

8 趙麗賢;基于LIBS的醇類同系物定性識(shí)別及定量檢測[D];大連理工大學(xué);2013年

9 李霖;基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[D];長沙理工大學(xué);2013年

10 趙永雷;基于模糊聚類新算法的變壓器故障診斷研究[D];華北電力大學(xué);2012年

，

本文編號(hào)：1813233