基于DGA技术的变压器故障诊断研究

作     者：吕长钦 

作者单位：三峡大学 

学位级别：硕士

导师姓名：陈铁

授予年度：2021年

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 

主      题：变压器故障诊断 特征提取 核主成分分析 狼群算法 支持向量机 孤立森林 

摘      要：电力变压器是电力系统的重要大型设备,它是保证电力系统可靠运行的重要因素。对变压器的故障进行精确诊断,可以减小变压器发生故障所造成的损失,因此,变压器故障诊断一直都是电气工程领域的研究热点。目前,基于油中溶解气体分析(Dissolved Gases Analysis,DGA)的诊断技术在电力变压器故障诊断领域中应用最为广泛,当前实际工程中主要采用的三比值法、Rogers法都是在基于该技术发展起来的诊断方法。这些方法的故障边界过于绝对,边界附近的数据分类效果不佳,影响了变压器的故障诊断精度。究其原因,是变压器油中溶解气体数据具有强烈的非线性特征、故障与油中气体含量之间缺乏明确的函数映射关系、分布特性难以进行准确的测算所导致,因此如何精确的抽取样本数据的故障特征是提高诊断精度的关键。本文以变压器故障诊断为背景,针对油中溶解气体的小样本数据集进行分析,利用特征提取、机器学习等方法对变压器故障进行精确诊断。本文的研究内容主要有以下几个方面:1.研究变压器油中气体的来源和气体的溶解过程,并分析变压器油中气体的产气机理,研究故障类型与特征气体之间相互的映射关系,并对当前故障诊断的主流方法进行分析。变压器故障诊断实质上属于分类问题,能用于实验的可靠数据量有限,而支持向量机(Support Vector Machine,SVM)在处理小样本数据分类问题时具有良好的性能,因此本文将SVM作为变压器故障诊断的主要手段。***的分类精度依赖于其惩罚因子和核函数参数2),单一SVM模型的诊断准确率有限,可以通过智能算法对SVM的参数进行优化。基于此,提出了WPA-SVM的变压器故障诊断模型,利用狼群算法(Wolf Pack Algorithm,WPA)良好的全局搜索性和寻优能力对SVM的两个重要参数进行寻优,并对该方法进行了验证,结果表明该模型的准确率达到了86.67%,比单独使用SVM的准确率高出5%。这表明,在变压器的故障诊断中WPA-SVM模型能够通过对参数进行寻优来提高SVM的分类性能。3.变压器故障与油中气体含量之间缺乏明确的函数映射关系,气体的分布特性难以进行准确的测算,对样本数据故障特征的提取困难是影响诊断准确率的重要因素。本文引入了核主成分分析(Kernel Principle Component Analysis,KPCA)对变压器故障数据进行特征提取,再将抽取的特征输入至WPA-SVM的变压器故障诊断模型,基于KPCAWPA-SVM模型的故障诊断准确率提高到93.33%。4.实际工程中,部分故障数据存在异常值、数据缺失和数据重复等情况,为了降低上述原因对故障诊断准确率的影响,引入孤立森林算法(Isolation Forest,iForest)对DGA数据集进行数据清洗,将其中的异常数据进行剔除,再将处理后的数据输入至KPCAWPA-SVM模型进行诊断,准确率升至97.32%。该结果表明,剔除异常数据可以提升变压器故障诊断模型的准确率。