摘要: 油浸式电力变压器在电力系统中扮演着重要的角色，主要负责能量的传输和转换，其稳定可靠的工作是电力系统安全运行的关键因素。了解电力变压器的运行状态、及时发现潜在故障对保障电网安全稳定运行至关重要。本论文利用数据驱动方法，遵循变压器状态... 展开 油浸式电力变压器在电力系统中扮演着重要的角色，主要负责能量的传输和转换，其稳定可靠的工作是电力系统安全运行的关键因素。了解电力变压器的运行状态、及时发现潜在故障对保障电网安全稳定运行至关重要。本论文利用数据驱动方法，遵循变压器状态评估体系的建立原则，综合性地选择能够反映变压器运行状态的参数指标，建立完整的变压器状态评估体系，并结合智能优化算法来构建高效准确的评估方法。随后，采用油中溶解气体含量比值作为特征量，并结合智能优化算法建立故障诊断模型，用于诊断变压器的各类故障情况。主要进行的工作如下： （1）为避免单一指标诊断的局限性，参照体系建立原则和相关规程，综合性选择能够反映变压器运行状态的评估参量，完善变压器运行状态综合评估指标，构建起全面的电力变压器综合评估体系。随后对评估指标进行了量化处理，将定性指标转化为定量指标，并将这些指标统一量纲，便于将指标体系中不同参数用于评估和诊断工作。 （2）提出了一种运用改进证据理论融合模糊综合评价的变压器状态评估方法。首先利用模糊综合评价的思想，将各个指标的模糊评估结果进行综合，得到一个综合的模糊评估结果；随后利用D-S(dempster-shafer)证据理论处理不确定性信息的优势对模糊评估结果进行融合，并通过判定/修正基础概率赋值对 D-S 证据理论进行改进，提升评估结果的准确性和可靠性。结合实例测试对变压器状态评估进行了验证和分析，结果表明，该评估方法具有准确的变压器状态评估结果，并显著优于同类方法。 （3）针对传统神经网络训练方法在多层网络上训练效果不佳的问题，提出一种基于深度置信网络(deep belief networks，DBN)的故障诊断模型。该模型通过逐层的预训练和微调两个过程来构建成熟的网络模型，通过实验对比可得，基于DBN网络的故障诊断模型具备一定的泛化能力和适用性，但需要进一步探索和改进模型以提高分类准确度。 （4）提出了一种基于改进遗传算法(improved genetic algorithm，IGA)优化 DBN 的变压器故障诊断方法。利用遗传算法来克服DBN初始值选取的盲目性；并采用自适应调整策略对遗传算法加以改进，以提升GA算法的全局寻优效能。随后将改进的遗传算法应用于优化 DBN 神经网络，建立起 IGA-DBN 油浸式电力变压器故障诊断模型，仿真结果表明，基于IGA-DBN的故障诊断模型的故障识别率达到95.78%，相比同类模型准确率更高，迭代速度更快，分类性能有显著的提升效果。 收起