变压器故障的多参数智能诊断方法作品目录

目录

前言

第1章 绪论 1

1.1 引言 1

1.2 变压器常见故障类型 2

1.3 变压器常用监测/检测手段 4

1.4 基于多监测参量融合诊断的意义与诊断框架 6

1.5 本书的内容安排 8

参考文献 8

第2章 非平稳信号的典型处理方法及其在去噪中的应用 10

2.1 非平稳信号的特点和处理用途 10

2.2 基于小波变换的非平稳信号分析方法及其在去噪中的应用 11

2.2.1 连续小波变换 11

2.2.2 离散小波变换 12

2.2.3 基于小波变换的多分辨率分析 13

2.2.4 小波变换在信号处理中的应用 17

2.2.5 小波应用的总结 29

2.3 基于EEMD的非平稳信号分析方法及其在去噪中的应用 29

2.3.1 EMD方法简介 29

2.3.2 EEMD方法简介 33

2.3.3 EEMD方法在非平稳信号去噪中的应用 34

2.3.4 结论 39

2.4 基于ITD的非平稳信号分析方法及其在去噪中的应用 40

2.4.1 ITD方法简介 40

2.4.2 ITD方法的改进及其在去噪中的应用 45

2.4.3 结论 54

2.5 变分模态分解分析方法及其在去噪中的应用 54

2.5.1 变分模态分解算法 54

2.5.2 基于双阈值筛选法的VMD算法分解模态数K的确定 57

2.5.3 VMD算法在去噪中的应用 61

2.5.4 结论 66

2.6 非平稳信号的模式识别方法概述 66

参考文献 67

第3章 基于油色谱数据的变压器故障诊断 70

3.1 变压器油中溶解气体含量与变压器状态的对应关系 70

3.1.1 油中溶解气体的组分 70

3.1.2 正常运行变压器的油中气体含量 70

3.1.3 变压器内部故障与特征气体含量对应关系 71

3.2 油色谱故障诊断研究现状 73

3.2.1 油中气体色谱分析方法 73

3.2.2 故障诊断研究现状 74

3.3 相关向量机算法介绍 76

3.3.1 相关向量机理论简介 76

3.3.2 RVM分类模型 80

3.4 MKL-RVM算法及其改进 80

3.4.1 MKL-RVM算法介绍 81

3.4.2 MKL-RVM算法核函数参数获取 82

3.5 基于MKL-RVM的变压器故障诊断分析 87

3.5.1 变压器故障类型的划分及其表示方法 87

3.5.2 MKL-RVM融合诊断模型特征变量的确定 87

3.5.3 核函数选取和核函数参数优化 88

3.5.4 诊断输出 89

3.5.5 基于MKL-RVM的变压器故障诊断过程 90

3.6 MKL-RVM算法的实现 91

3.7 变压器故障诊断方法的测试和比较分析 92

参考文献 97

第4章 变压器振动信号的特征提取和故障诊断方法 99

4.1 变压器振动信号研究意义及现状 99

4.2 变压器本体振动分析 100

4.2.1 变压器铁心振动机理及其与振动信号的关系 100

4.2.2 变压器绕组振动机理及与振动信号的关系 101

4.2.3 变压器振动信号分析 102

4.3 基于傅里叶变换和小波包分析的振动信号特征提取 104

4.3.1 傅里叶变换与小波包算法 104

4.3.2 基于傅里叶和小波包分析的信号特征提取方法 106

4.4 基于EEMD的振动信号特征提取 107

4.4.1 EEMD方法概述 107

4.4.2 基于EEMD的振动信号特征提取方法 108

4.5 变压器铁心和绕组故障诊断实例 108

4.5.1 试验环境与条件 108

4.5.2 基于FFT和小波包的特征提取和诊断 109

4.5.3 基于EEMD的特征提取和诊断 117

4.5.4 实例分析和比较 123

4.6 本章小结 125

参考文献 126

第5章 宽频带脉冲电流特征提取和放电类型识别 128

5.1 研究背景及意义 128

5.2 国内外研究现状 128

5.2.1 脉冲电流法研究现状 128

5.2.2 局部放电脉冲电流特征提取的研究现状 129

5.2.3 局部放电类型识别的研究现状 130

5.3 油纸绝缘放电试验 131

5.3.1 局部放电试验环境 131

5.3.2 局部放电波形初步分析 133

5.4 基于PRPD的局部放电信号统计特征提取 136

5.4.1 局部放电相位分布分析 136

5.4.2 基础放电参数提取 137

5.4.3 局部极值点双阈值过滤法 138

5.4.4 自适应阈值选取方案 140

5.4.5 阈值方案的优化 144

5.4.6 基础参数自适应提取流程 144

5.4.7 谱图绘制与谱图特征提取 145

5.5 基于变分模态分解和多尺度熵的局部放电信号特征提取与类型识别 147

5.5.1 MSE理论 148

5.5.2 基于VMD-MSE特征提取 150

5.5.3 局部放电实验数据分析 151

5.6 基于变量预测模型模式识别方法的局部放电信号类型识别 154

5.6.1 变量预测模型模式识别方法基本原理 154

5.6.2 VPMCD方法存在的问题 157

5.6.3 VPMCD方法的改进 158

5.6.4 基于PLS-VPMCD方法的局部放电信号类型识别 160

参考文献 162

第6章 基于超声信号的变压器绝缘放电故障诊断 164

6.1 变压器放电的超声信号检测现状 164

6.2 超声波检测法原理 165

6.3 基于超声信号的变压器绝缘放电判别方法 166

6.3.1 局部放电超声信号频谱分析 166

6.3.2 基于超声信号频域内累计越限次数的放电判别方法 168

6.4 超声信号放电故障判别案例 168

6.4.1 实验室超声信号的判别 168

6.4.2 现场实测超声信号的判别 171

参考文献 173

第7章 变压器多检测手段的融合诊断及系统开发 174

7.1 融合诊断研究现状 174

7.2 变压器融合诊断 175

7.2.1 多专家协同诊断结构 175

7.2.2 协同诊断规则 176

7.3 基于可信度的变压器综合状态的多监测参量的融合确定 178

7.3.1 基于可信度的变压器综合诊断不确定性的表示 178

7.3.2 基于可信度的变压器综合诊断的推理算法 181

7.4 基于多监测参数的变压器融合诊断系统开发 184

7.4.1 系统开发模式 184

7.4.2 变压器监测/检测数据的设计与管理 186

7.4.3 变压器综合诊断系统的功能设计 190

7.5 故障诊断案例分析 191

参考文献 194 2100433B

变压器故障引发的系统事故和停电后果十分严重。目前，大型变压器通常都配有油色谱在线监测手段，并辅以多种离线检测手段，电力企业迫切需要对不同手段所测得的数据进行综合分析和智能诊断。本书是作者多年来对变压器故障智能诊断方法研究的理论和技术的总结。本书首先介绍变压器的常见故障及常用监测/检测手段，以及基于多监测参量融合诊断的诊断框架；然后讲述非平稳信号的典型分析与处理方法；接下来分别论述基于油色谱数据、振动信号、宽频带脉冲电流信号以及超声信号等单一手段的变压器故障智能诊断方法；最后阐述变压器多检测手段的融合诊断方法，并给出变压器故障诊断系统的实现方法。

《大型电力变压器故障诊断及案例》主要内容包括概论、大型电力变压器的故障模式及影响分析、大型电力变压器故障特征参量分析、大型电力变压器故障特征参量预处理及预测方法、大型电力变压器故障特征参量数据融合方法、基于油中溶解气体的变压器故障诊断方法、大型电力变压器过热性故障诊断方法、大型变压器绕组变形诊断方法、基于多特征参量故障诊断方法、基于保护信息的变压器故障诊断、典型故障诊断案例分析。

电网故障诊断的智能技术基于专家系统的故障诊断方法

Feighbaum教授 于1968年开发了第一个专家系统((Expert System)并且具体说明专家系统是一种智能的计算机程序，它通过使用知识与推理过程，求解那些需要专家的知识才能求解的高难度问题。自从70年代人们将专家系统引入到电网的故障诊断领域，基于该方法的故障诊断应用较为成功。专家系统在电网故障诊断中的典型应用可以归结为:首先建立故障信息知识库，并用自然语言建立产生式规则;然后基于对这一产生式规则的理解，知识工程师将知识表示成机器语言并通过人机接口储存到知识库中;故障发生时，将故障信息输入到推理机，推理机根据当前输入的故障信息，运用知识库中的知识，按一定的策略进行推理，从而识别出故障元件。

专家系统将专家的知识应用于电网故障诊断，可以保证诊断系统的实时性和有效性，但是基于知识的本质和实现故障诊断的原理没有变，因此当前专家系统还存在着不足：(1)专家知识是人为移植到计算机的，所以难以建立完备的知识库；(2)容错性差，对于保护和断路器的误动作及知识库中不包含的情况，很难给出正确的判断；(3)系统的维护难度非常大，知识库要经常根据实际情况进行更新。

未来的研究中将专家系统与其他智能技术相结合是一种有效的方式，取长补短，弥补专家系统本身的缺陷。有研究将模糊集理论与专家系统结合，通过对电压和电流值以及保护和断路器信息进行模糊推理，能够有效地改善专家系统容错性差的问题。也有采用一种适用于电网故障诊断的整个协同式专家系统的结构体系，并且将其与多智能体技术相结合，克服了单一专家系统的局限性，增强了对复杂故障实时诊断的推理能力 。

电网故障诊断的智能技术基于人工神经网络的故障诊断方法

人工神经网络(Artificial Neural Network)是一种模拟神经系统来进行信息处理的数学模型，主要是基于输入和输出关系建立起来的，并由大量简单的处理单元(神经元)广泛互连而形成的复杂网络系统。神经网络能够对大量的训练样本进行分析推理，得到一般规律，从而能对未知的或无法预测的故障信息进行分析判断。前馈神经网络较广泛地应用于电网故障诊断领域，其中最具代表性的是BP(Back Propagation)神经网络和径向基神经网络。

有研究给出了BP神经网络在电网故障诊断中的典型应用:将保护器和断路器的动作信息作为神经网络的输入，可能发生的故障情况作为输出，以此来建立诊断模型;通过大量的故障实例形成训练神经网络的样本集;训练过程中，网络的输入节点加输入信号，此信号向前传播，并不断根据当时的节点活化函数、连接加权系数和给定值进行相应计算，此过程即为学习过程;在学习结束前，若前向计算的输出与期望的输出之间存在误差，则将误差信号反向传播，调整权值和值，直到输出满足要求。

神经网络有强大的学习能力，而且具有容错能力强、鲁棒性好、非线性映射和并行分布处理等特点。然而，神经网络还存在如下缺陷：(1)需要大量的训练样本以供学习，但获取完备优质的样本十分困难；(2)神经网络在诊断过程中被看成是“黑箱”，缺乏对自身行为的解释能力；(3)神经网络不善于处理启发式的规则。未来对基于神经网络的电网故障诊断方法的研究重点还是在选取有价值的训练样本、给予诊断过程解释能力、使适用于大规模电网故障诊断等方面。

电网故障诊断的智能技术基于贝叶斯网络的故障诊断方法

贝叶斯网络(Bayesian Network)是一种用来表示和推理不确定性知识的模型，它将概率论的相关知识与图形理论相结合，具有较为严格的理论基础，对解决复杂电网由于不确定因素引起的故障等问题具有明显作用。利用贝叶斯网络技术进行电网故障诊断的研究还处于初期阶段，但是发展的较为迅速。文献采用分层递归的思想，利用粗糙集理论对电网故障信息进行分层挖掘，达到属性优选，然后通过贝叶斯网络进行故障诊断，成功识别出故障元件。结合监测设备的状态信息，利用贝叶斯网络实现了故障情况的提前预测。也有文献基于元件建模，通过设置各节点的先验概率，使得故障信息经过贝叶斯网络后，得到各元件发生故障的概率，以此识别故障元件，若采用某个值作为判断条件，可同时对一个或多个元件的故障进行有效诊断。

贝叶斯网络的诊断模型清晰直观，对于不确定和不完备信息可以进行良好的诊断决策，然而，网络节点赋值需要大量的实际观察或统计分析方法来确定，而且贝叶斯网的训练属于NP难度问题，处理复杂问题时将变得非常困难。未来该领域的研究将主要集中在如何实现贝叶斯网络的自动建模，如何将其与信息融合理论相结合等方面。

电网故障诊断的智能技术基于优化技术的故障诊断方法

采用优化技术(Optimization Methods)的故障诊断方法是一种基于数学模型的求解方法。国内外学者提出了多种优化算法，可以将其应用到电网故障诊断领域，而且优化算法在电网规划等方面也有较好的应用。常用的优化算法包括:遗传算法，模拟退火算法和蚁群算法，还有较新的算法如交叉嫡算法。

优化技术应用于电网故障诊断的方法是考虑故障元件与保护器和断路器的动作关系，将电网故障诊断问题表示为使目标函数最小化的0-1整数规划问题，然后通过优化算法求解该问题的最优解。有文献基于小生境遗传算法，并结合粗糙集理论，来求取决策表约简，从而抽出诊断规则，提升了对不完备信息的分析能力。

基于优化技术的故障诊断方法具有严密的数学基础和理论依据，用常规的优化算法即能够实现而且能够在诊断信息不全面的条件下，给出局部和全局最优的多个诊断结果。不过该方法还存在的问题是：(1)目标函数的确定比较困难；(2)优化算法的多次迭代，导致诊断时间过长；(3)优化算法在寻优的过程中存在随机因素，可能导致丢失最优解。所以选择更全面的诊断模型以及采用合适的优化算法来提高诊断的准确性和实时性是该领域未来研究的重要方向。

电网故障诊断的智能技术基于支持向量机的故障诊断方法

统计学习理论是一种专门研究有限样本情况下机器学习规律的理论，为研究统计模式识别和更广泛的机器学习问题建立了一个较好的理论框架。Vapnik等人根据对统计学习理论的研究，提出了支持向量机(Support Vector Machine)这种全新的模式识别算法，有效地改善了传统分类方法的缺陷，具有充足的理论依据。它在文本分类、故障诊断、手写识别等领域中获得了较多的应用。

故障诊断问题从本质上来说就是一种分类问题，而支持向量机对于有限样本状况下的分类问题具有较强的针对性。有文献通过将粒子群优化算法与支持向量机相结合来进行故障诊断。由于在支持向量机算法中，核函数参数选择的好坏直接影响到诊断结果的准确度，而文中采用的方法能够实现参数的动态选取，达到优化诊断结果的目的 。

支持向量机基于统计学习理论，有效地改善了传统分类方法的缺陷，具有充足的理论依据，对解决有限样本的模式识别问题具有很高的适用性。下一步的研究重点在于如何改进算法，使诊断过程快速并满足实时性的要求以及处理大电网故障诊断、参数的选择等问题。该技术在故障诊断中的应用起步较晚，随着研究的加深，该方法有望成为电网故障诊断领域的实用方法之一。

电网故障诊断的智能技术基于模糊集理论的故障诊断方法

美国自动控制专家L A Zadek于1965年首次提出“模糊集合”的概念，并引入“隶属函数”来描述差异的中间过渡。模糊集理论(Fuzzy set Theory)将信息模糊化，首先系统获取的信息组成的集合可以看成一种经典集合，按照某种对应法则将集合中的元素映射到 [0，1]这一区间，这样集合中的每一个元素在0和1之间都对应一个实数，这个实数可以表明其隶属于0或1的程度，按照以上对应法则组成的函数就是隶属度函数，该理论就是以隶属度函数为基础建立的。在电网故障诊断领域发展的早期，人们对专家系统应用在故障诊断领域做了较多的研究，然而很少考虑到信息的不确定性，从而导致诊断的不精确。有文献针对电力系统故障诊断问题中的不确定信息给出解决方法，将模糊集理论应用在电网故障诊断领域，通过将故障信息模糊化，不仅可以减小数据信息的存储空间，也能提升诊断精度和容错性。

模糊集理论的特点就是可以处理信息的不确定性，然而基于模糊集理论的故障诊断方法还面临着一些弊端：(1)隶属函数的建立没有一个明确的标准；(2)可维护性差，当电网结构发生变化时，模糊知识库和隶属度也要做相应的变化；(3)大规模电网的模糊诊断模型建立困难。在实际应用中，常常将模糊集理论与其他智能方法相结合(如专家系统、神经网络、Petri网等)，用来分析不确定性信息对诊断系统的影响，提升诊断精度，增强系统的容错性。

电网故障诊断的智能技术基于Petri网技术的故障诊断方法

Petri网是德国科学家Carl Adam Petri 于1960到1965年提出的一种数学模型，它利用目标系统中元件之间的关系来构建有向图的组合模型，从而能够准确地表示离散事件发生的顺序、并发和冲突的关系。印度学者 Jenkensl和Khincha在1992年首先将Petri网技术应用于电网的建模中，在这之后Petri网在电力系统的很多领域中得到了应用，并显示出了其良好的应用前景。电网的故障可看成是离散事件，而Petri网是对离散事件组成的系统进行建模和分析的理想工具。

Petri网方法能够定性或定量地对系统中事件发生的各种过程采取准确的分析，同时还具有图形化的结构表示等优点，是对离散事件进行动态建模和分析的有效方法，不过还有一些尚需深入的问题存在，主要是：(1)系统网络拓扑的扩大，易导致建模时发生信息组合爆炸的情况；(2)电网多重故障时，诊断结果不够理想；(3)对于保护和断路器拒动或误动时产生的错误信息不能很好地分析识别。未来的研究中，将高级的Petri网用于复杂电网的故障诊断是一种有效的措施 。

电网故障诊断的智能技术基于信息融合技术的故障诊断方法

信息融合(Information fusion)技术实际上是一种多源信息的综合技术，通过对来自不同数据源的信息进行分析和智能化合成，获得被测对象及其性质的最佳一致估计，从而产生比单一信息源更精确、更完全的估计和决策。采用该方法的电网故障诊断已显示出了明显的优势。

采用信息融合技术将开关量与电气量等来自不同数据源的信息综合利用，可以极大地提高诊断系统的实时性和准确性，有效地避免由于故障信息的不确定性而导致的错误诊断。信息融合技术在今后的研究中，重点将放在解决如何选取合适的信息融合方法以及如何在实际中融合更多方面的信息，这会使得电网故障诊断水平上升到一个新高度。

电网故障诊断的智能技术基于MAS的故障诊断方法

多智能体(Multi-Agent System， MAS)技术是分布式人工智能技术的重要分支，它是一种将计算机、网络和分布式思想相结合的软件工程技术，能够将目标问题转变成在逻辑上或物理上分离的多个Agent，可分别针对每个Agent来解决问题，而且各个Agent之间相互协调信息得到最终结果，节约了数据和资源。文献将MAS技术应用于电网的故障诊断中，先将诊断系统智能分解，再通过软件技术来协调各Agent中的信息并得出诊断结果，满足了准确性和实时性的要求。有文献提出一种基于智能识别系统的MAS技术。MAS实现了控制过程的在线自适应识别和实时的进行离线故障诊断，同时可以适应和克服大规模电网的复杂性。

产品的质量水平高低是影响一个国家经济发展和国际市场竞争力的重要因素。产品质量、制造过程质量、服务质量问题近年来日益得到我国政府和广大公众的关注和重视。

《制造过程质量异常诊断的智能方法研究》对制造过程质量异常诊断的智能方法进行了研究，主要内容涵涵盖基于PNN的制造过程质量诊断、基于LS-SVM的小样本过程质量诊断、基于Cuscore统计量的过程质量智能诊断、多元过程质量智能诊断与异常变量识别等。

《制造过程质量异常诊断的智能方法研究》结构合理，条理清晰，内容丰富新颖，可供从事纳米材料研究的相关人员参考使用。