电力体系论文栏目供给最新电力体系论文格局、电力体系硕士论文范文。概况征询QQ:869156324(颁发);357500023(论文教导)

电力变压器毛病智能诊断体系的进修

日期:2019年06月21日 编辑:ad200901081555315985 作者:方强胜 点击次数:1292
论文价钱:50元 论文编号:lw201906210955271900 论笔墨数:4412 所属栏目:电力体系论文
论文地域:中国 论文语种:中文 论文用处:职称论文 Thesis for Title
择要:因为电力变压器呈现标题题目时色层在线测试信息没标签,名目现场凡是会呈现良多没标签标题题目样本,但是以往的标题题目查抄方式在针对变压器标题题目的种别做判定时凡是不能完整借助下面提到的没标签标题题目样本。全文以深切进修神经网络[1](Deep Learning Neural Network,DLNN)为根本,成立了对应的区分模子,分化并且感化典范信息集对它分类功效停止检测。在这个根本上进修出一种电力变压器标题题目检测新方式,可以或许充实操纵多个电力变压器色层在线测试没标签数据及多数犯错的电力变压器油里消融气体分化[2] (Dissolved Gas-in-oil Analysis,DGA)检测参数停止熬炼,并且用概率体例得出标题题目检测论断,具备更佳的标题题目区分功效,可以或许为变压器的维护供给加倍精确的参照数据。
关头词:毛病诊断;电力变压器;深度进修神经网络;消融气体阐发

弁言
因为油浸式电力变压器在不一样的运转情形下,油里的消融气体的品种和数目不一样,油里消融气体分化(Dissolved Gas-in-oil Analysis,DGA),长时候来变成判定它运转情形的一种有效的方式。因为天然智能的不时优化,有更多的行业起头操纵天然神经网(Artficial Neural Network,ANN)、撑持向量机(Support Vector Machine,SVM)及极限进修机(Extreme Learning Machine,ELM)等电变压器科技检测手腕来处置某些困难,但ANN 方式消融速率迟缓、并且不安稳; SVM方式现实上是二分类运算法的一种,在多品种标题题目上会有成立进修器妨碍和区分速率慢的缺点,并且核函数的遴选和参照值简直立有必然难度。深度入进修神经网 (Deep Learning Neural Network,DLNN)是2006年由Hinton专家进修出的一种深切呆板进修方式[3],有很强的在样本中提炼特色和对特色停止改变的才能,有较强的进修力,是比来这两年天下进修及会商的一个热门。现现在,它已胜利操纵于语音区分、方针区分、天然说话加工等,但在电变压器标题题目区分上操纵的切磋才刚起头。
在DLNN的根本上,全文开初成立分范例深切进修神经网模子,并且借助典范的分类信息集对它的归类功效做了阐发认证。接上去,融会电变压器色层在线测试信息及DGA信息特色和标题题目种别,进修出一种全新的变电器标题题目检测方式。这类方式操纵半监督呆板进修法,有较强进修力,可以或许检测出变电器肆意一种运转状况的概率,以此来给任务者判定是不是须要对变电器停止补缀供给更周全的参照数据。终究,对该论文中提出的方式停止名目现实检测,并且和BP神经网和SVM的测试方式做比拟和切磋。
1 深度进修神经网络的先容
2 深度进修模子
 2.1分类深度进修神经网络模子
 2.2 深度进修模子的机能测试
3 基于 CDLNN 的变压器毛病诊断方式
3.1 拔取样本数据
3.2 拔取特色变量
3.3 变压器的状况编码
3.4 变压器毛病诊断 CDLNN 模子
3.5 基于 CDLNN 的变压器毛病诊断步骤
4 成果阐发
5 总结
(1)颠末深切进修神经网的模子可以或许完善的处置多种分类困难,同时颠末检测数值可以或许对体系功效停止周全剖析。
(2)在CDLNN的电变压器标题题目检测的方式的根本上,用半监督方式来完成,可以或许充实借助油色层在线测试来获得的没标签样本对该网提早停止操练,处理了BPNN、SVM法不能操纵没标签样本操练的缺点,并且进修机能加倍壮大,标题题目检测功效更佳。
(3)检测阐发论断表现,CDLNN检测方式因为提早熬炼集的扩展,标题题目检测全体精确率一向降低,这个方式在多样本的熬炼中很合适,并且具备可拓展性,和BPNN、SVM标题题目检测方式比拟拟来讲,检测全体精确率回升,可以或许为变压器补缀[12] 供给加倍精确的参照数据。
参考文献
[1]杜文霞,赵秀平,杜海莲,吕锋.基于极限进修机的电力变压器毛病诊断[J].山东科技大学学报(天然进修版),2017,36(05):29-36.
[2]李刚,于长海,刘云鹏,范辉,文福拴,宋雨.电力变压器毛病瞻望与安康办理:挑衅与瞻望[J].电力体系主动化,2017,41(23):156-167.
[3]公茂法,柳岩妮,王来河,宋健,谢云兴.基于改良蝙蝠算法优化BP神经网络的电力变压器毛病诊断进修[J].山东科技大学学报(天然进修版),2017,36(03):70-74.
[4]聂磊. 基于PCA-SVM的电力变压器毛病诊断进修[D].山东科技大学,2017.
[5]袁海满. 基于多维特色量的电力变压器毛病诊断技术进修[D].东北交通大学,2017.
[6]吴迪. 便携式电力变压器振动监测与毛病诊断体系的进修与完成[D].浙江大学,2017.
[7]段效琛. 基于DGA的电力变压器多分类模子与毛病诊断进修[D].昆明理工大学,2017.
[8]韩超. 大型电力变压器的毛病诊断与危险评价[D].华北电力大学(北京),2017.
[9]张安平. 基于熵权优化灰色关系度方式的电力变压器毛病诊断进修[D].南京理工大学,2017.
[10]鲁非,金雷,阮羚,刘思惟,刘毅.电力变压器轴向位移毛病诊断方式[J].高电压技术,2016,42(09):2916-2921.
[11]吴坤,康扶植,池阔.基于改良多分类算法和相干向量机的电力变压器毛病诊断方式[J].高电压技术,2016,42(09):3011-3017.
[12]要航. 基于改良野生鱼群-RBF神经网络的电力变压器毛病诊断进修[D].广西大学,2016.
该论文为免费论文,请扫描二维码增加客服职员采办全文。