<em id="bpvnd"><ins id="bpvnd"></ins></em>
      <noframes id="bpvnd">

          <form id="bpvnd"><nobr id="bpvnd"><progress id="bpvnd"></progress></nobr></form>
          

          <listing id="bpvnd"><menuitem id="bpvnd"><menuitem id="bpvnd"></menuitem></menuitem></listing>
          <address id="bpvnd"><listing id="bpvnd"><menuitem id="bpvnd"></menuitem></listing></address>
          <address id="bpvnd"></address>
          <address id="bpvnd"></address>

            电力系统论文栏目提供最新电力系统论文格式、电力系统硕士论文范文。详情咨询QQ:357500023

            电力变压器故障智能诊断系统的研究

            论文编号:lw201906210955271900 所属栏目:电力系统论文 发布日期:2019年06月21日 论文作者:方强胜
            摘要:因为电力变压器出现问题时色层在线测试信息没标签,项目现场通?;岢鱿趾芏嗝槐昵┪侍庋?,然而以往的问题检查办法在针对变压器问题的类别做判断时通常不能完全借助上面提到的没标签问题样本。全文以深入学习神经网络[1](Deep Learning Neural Network,DLNN)为基础,建立了对应的区别模型,分解而且作用经典信息集对它分类功能进行检测。在这个基础上研究出一种电力变压器问题检测新办法,可以充分使用多个电力变压器色层在线测试没标签数据及少数出错的电力变压器油里溶解气体分解[2] (Dissolved Gas-in-oil Analysis,DGA)检测参数进行锻炼,并且用概率方式得出问题检测结论,具备更佳的问题辨别功能,可以为变压器的维护提供更加正确的参照数据。
            关键词:故障诊断;电力变压器;深度学习神经网络;溶解气体分析

            引言
            因为油浸式电力变压器在不一样的运转情况下,油里的溶解气体的种类以及数量不一样,油里溶解气体分解(Dissolved Gas-in-oil Analysis,DGA),长时间来变成判断它运转情况的一种有用的方法。由于人造智能的不断优化,有更多的行业开始使用人造神经网(Artficial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)及极限学习机(Extreme Learning Machine,ELM)等电变压器科技检测手段来处理某些难题,但ANN 办法溶解速度缓慢、而且不平稳; SVM办法实际上是二分类运算法的一种,在多种类问题上会有建立学习器障碍和区分速度慢的缺陷,并且核函数的挑选以及参照值的确立有一定难度。深度入学习神经网 (Deep Learning Neural Network,DLNN)是2006年由Hinton专家研究出的一种深入机器学习办法[3],有很强的在样本中提炼特点和对特点进行转变的能力,有较强的学习力,是最近这两年世界研究及讨论的一个热点。现如今,它已经成功使用于语音辨别、目标辨别、自然语言加工等,但在电变压器问题辨别上使用的探究才刚开始。
            在DLNN的基础上,全文起初建立分类型深入学习神经网模型,并且借助经典的分类信息集对它的归类功能做了分析认证。接下来,融合电变压器色层在线测试信息及DGA信息特点和问题类别,研究出一种全新的变电器问题检测办法。这种办法利用半监视机器学习法,有较强学习力,可以检测出变电器任意一种运转状态的几率,以此来给工作者判断是否需要对变电器进行修理供应更全面的参照数据。最终,对该论文中提出的办法进行项目实际检测,并且和BP神经网以及SVM的测试办法做比较以及探讨。
            1 深度学习神经网络的介绍
            2 深度学习模型
             2.1分类深度学习神经网络模型
             2.2 深度学习模型的性能测试
            3 基于 CDLNN 的变压器故障诊断方法
            3.1 选取样本数据
            3.2 选取特征变量
            3.3 变压器的状态编码
            3.4 变压器故障诊断 CDLNN 模型
            3.5 基于 CDLNN 的变压器故障诊断步骤
            4 结果分析
            5 总结
            (1)经过深入学习神经网的模型可以完美的处理多种分类难题,同时经过检测数值可以对体系功能进行全面解析。
            (2)在CDLNN的电变压器问题检测的办法的基础上,用半监视方法来完成,能够充分借助油色层在线测试来得到的没标签样本对该网提前进行练习,解决了BPNN、SVM法不能使用没标签样本练习的缺陷,并且学习性能更加强大,问题检测功能更佳。
            (3)检测分析结论表示,CDLNN检测办法由于提前锻炼集的扩大,问题检测整体准确率一直升高,这个办法在多样本的锻炼中很适合,并且具有可拓展性,和BPNN、SVM问题检测办法相比较来说,检测整体准确率上升,能够为变压器修理[12] 供应更加正确的参照数据。
            参考文献
            [1]杜文霞,赵秀平,杜海莲,吕锋.基于极限学习机的电力变压器故障诊断[J].山东科技大学学报(自然科学版),2017,36(05):29-36.
            [2]李刚,于长海,刘云鹏,范辉,文福拴,宋雨.电力变压器故障预测与健康管理:挑战与展望[J].电力系统自动化,2017,41(23):156-167.
            [3]公茂法,柳岩妮,王来河,宋健,谢云兴.基于改进蝙蝠算法优化BP神经网络的电力变压器故障诊断研究[J].山东科技大学学报(自然科学版),2017,36(03):70-74.
            [4]聂磊. 基于PCA-SVM的电力变压器故障诊断研究[D].山东科技大学,2017.
            [5]袁海满. 基于多维特征量的电力变压器故障诊断技术研究[D].西南交通大学,2017.
            [6]吴迪. 便携式电力变压器振动监测与故障诊断系统的研究与实现[D].浙江大学,2017.
            [7]段效琛. 基于DGA的电力变压器多分类模型与故障诊断研究[D].昆明理工大学,2017.
            [8]韩超. 大型电力变压器的故障诊断与风险评估[D].华北电力大学(北京),2017.
            [9]张安平. 基于熵权优化灰色关联度方法的电力变压器故障诊断研究[D].南京理工大学,2017.
            [10]鲁非,金雷,阮羚,刘思维,刘毅.电力变压器轴向位移故障诊断方法[J].高电压技术,2016,42(09):2916-2921.
            [11]吴坤,康建设,池阔.基于改进多分类算法和相关向量机的电力变压器故障诊断方法[J].高电压技术,2016,42(09):3011-3017.
            [12]要航. 基于改进人工鱼群-RBF神经网络的电力变压器故障诊断研究[D].广西大学,2016.

            Notice: Undefined index: item_id in E:\wwwroot\www.51lunwen.org\Core\View\Pages\content.view.php on line 99

            Notice: Undefined index: item_class3 in E:\wwwroot\www.51lunwen.org\Core\View\Pages\content.view.php on line 99

            Notice: Undefined index: item_title in E:\wwwroot\www.51lunwen.org\Core\View\Pages\content.view.php on line 100

            Notice: Undefined index: item_title in E:\wwwroot\www.51lunwen.org\Core\View\Pages\content.view.php on line 100
            三分时时彩技巧|官网_首页 1
            Warning: in_array() expects parameter 2 to be array, integer given in E:\wwwroot\www.51lunwen.org\Core\Module\Support\Processor.class.php on line 178

            Warning: Cannot use a scalar value as an array in E:\wwwroot\www.51lunwen.org\Core\Module\Support\Processor.class.php on line 193