关键字 |
| DGA、GA、安 |
介绍 |
| 溶解气体分析(DGA)已被用于超过30年[1]-[3]运行变压器的状态评估。DGA措施氢的浓度(H2),甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4),乙炔(C2H2),一氧化碳(CO)和二氧化碳(有限公司2)溶解于变压器油。有限公司和有限公司2通常与纤维素绝缘的分解;通常,少量的H2和CH4预计将。C2H6C2H4C2H2和大量的H2和CH4通常与石油的分解。所有变压器正常运行期间生成一些气体,但它已成为普遍接受的气体的产生,除了观察正常操作变形金刚,是由于故障导致局部过热或过度的电应力,导致排放或弧。尽管DGA已经使用了几十年和变压器是一种常见的诊断技术,没有普遍接受的方式解释DGA结果IEEE c57 - 104[3]和IEC 60599[4]对天然气的使用阈值水平。 |
| 其他方法利用气体浓度的比率[2],[5]和基于观察相对气体含量表现出一些相关的类型、位置和故障的严重程度。气体比例方法允许某种程度的问题诊断而阈值方法更注重区分正常和异常行为。IEC 60599标准[18]将DGA检测变压器故障分为2类:电气故障和热的错。这两个主要类别可以进一步分为6个类型的变压器故障,根据故障能量的大小:电气故障:局部放电(PD), D1(低能量的放电)和D2(高能量放电);热断层:T1(低温热故障范围,T < 300ºC), T2(热断层中等温度范围,300ºC < T < 700ºC)和T3(高温热故障范围,T > 700ºC) [7]。许多DGA分析技术采用人工智能可以在文献中找到。这里我们简要回顾先前从DGA变压器故障预测技术。他们都遵循从DGA的方法包括特征提取,紧随其后的是一个分类算法。大多数技术[6]、[7],[9]-[13],[15],[16]围绕一个前馈神经网络分类器,这也被称为多层感知器(MLP),我们在第四节解释。这些论文介绍进一步增强延时:特别是,神经网络与专家系统并行运行在[10],小波网络(即与小波神经网络特征提取)[16],[9]多项式自组织网络和模糊网络[6],[12],[13],[15]。几项研究[6],[8],[12],[13],[15],[16]采取模糊逻辑建模决策函数时[18]。模糊逻辑使逻辑推理与continuously-valued谓词(在0和1之间)而不是二进制的,但是这包含不确定性的决策函数内冗余与贝叶斯推理背后的概率论和统计数据。 Stochastic optimization techniques such as genetic programming are also used as an additional tool to select features for the classifier in [8], [12], [14], [16], and [17]. Finally, Shintemirov et al. [17] conduct a comprehensive comparison between k-nearest neighbors, neural networks and support vector machines each of them combined with genetic Programming-based feature selection. |
问题陈述 |
| 溶解气体分析是诊断和维护工具用于机械。通过这种方法,研究了气体给变压器异常行为的早期迹象。过去的20年里,这种方法被广泛用于检测和诊断电力变压器早期故障。其有效性证明了很多知名电气测试实验室或研究所等机构电气和电子工程师协会(IEEE),中央发电板大不列颠(CEGB)、国际电气技术委员会(IEC)等。今天,数字提出了基于DGA诊断方法在输电领域研究人员来自世界各地。 |
| 提出工作的目的是设计一个全面的工具,将人工智能元素的溶解气体分析帮助初期的变压器故障检测。提出的目标之间提供无缝集成工具可以列为不同的分析方法通过使灵活和容易使用的工具;使用混合人工智能神经网络和GA - ANN等元素提高诊断精度的工具;为用户提供各种各样的选项,包括传统的分析方法,如罗杰斯比值IEC、所得钱款三角形等…在变压器故障分析提供了一种全面的方法。 |
遗传算法 |
| 遗传算法是一种自适应搜索技术用于解决数学问题和工程优化问题,模拟达尔文的进化论,适者可能会生存。遗传算法试图找到一个好的(或最佳)解决这个问题通过基因繁殖人口的个人在一系列的代。在遗传算法中,每个个体人群中代表候选人解决特定的问题。GA变换人口(组)的个人,每个都有一个关联的健身价值,成新一代的人口使用复制、交叉和变异。遗传算法的核心是基因重组的字符串。一般来说,人口的字符串是随机生成的过程。 |
| 遗传算法的一个重要特征是,搜索相关的全球特性初始种群的多样性:不同的人口越多,更多的全球搜索。从最初的人口,采用比例选择策略基于适应性选择当前种群中个体。高选择性的压力往往会导致种群多样性的丧失,导致过早收敛但同时提高了收敛速度。因此,人口之间的平衡是必需的多样性和收敛速度获得遗传算法的良好性能。然后复制、交叉和变异算子随机应用生产下一代人口,直到满足基因停止条件。GA远优于传统的在高维问题空间搜索和优化技术由于其固有的并行性和定向随机搜索通过重组实现运营商。遗传算法的框图如下图中给出。 |
重量优化使用GA安训练 |
| 人工神经网络和遗传算法都是抽象的自然过程。他们正在制定成一个计算模型,神经网络的学习能力和适应能力的进化过程可以组合[19]。遗传算法可以帮助确定优化的神经网络互连权重,以及,提供更快的神经网络的训练机制。给定训练神经网络通常意味着确定一组最优的连接权值。这是制定一些网络误差函数的最小化,在训练数据集,通过反复调整权重。目标和实际产出之间的均方误差平均值输出节点作为一个好的健身的估计当前输入相对应的网络配置。传统bp神经网络(摘要)更新其权重通过梯度下降法和反向误差传播技术。这种梯度搜索技术有时卡住陷入局部最小值。气体,另一方面,虽然不保证能找到全局最优解,要善于发现“好”尚可的解决方案是“迅速”尚可[19]。 |
| 安的遗传重量的优化在训练之前两个步骤。第一步是编码表示的字符串连接权重。第二步是遗传算法的进化过程的模拟,在搜索运营商实现方案与表示。进化停止在人口聚集。据说人口聚集在个人构成人口的95%[20]共享相同的健身价值。整个过程神经网络训练利用遗传算法如下所示。 |
| 步骤1:解码每个个体在当前人口为一组连接权值和权重构建一个相应的安。 |
| 第二步:评估安通过计算其总均方误差之间的实际和目标输出。 |
| 步骤3:确定健康个体的逆误差。高是错误,较低的是健康。 |
| 步骤4:存储交配池形成的权重。 |
| 第五步:实现搜索运营商如交叉/变异对父母产生后代的。 |
| 第六步:计算适合新的人口。 |
| 第七步:重复步骤(3)(4),直到解收敛。 |
| 第八步:提取优化权重。 |
基于ANN的变压器早期故障诊断系统 |
| 基于神经网络的诊断的基本思想是非线性映射的输入和输出。反向传播网络(症)和概率神经网络(并)用于诊断变压器故障的初期阶段。一个人工神经网络(ANN)包括选择的输入、输出、网络拓扑结构和重连接的节点。输入功能将正确反映问题的特点[18]。安设计的另一个主要工作是选择网络拓扑。这样做是通过反复实验过程优化隐藏层的数目和节点根据训练和预测精度。在这项工作7键即气体H2, CO, CO2,乙炔,C2H4, C2H6,CH4诊断分析了5种不同故障条件即日冕(CN)、纤维素绝缘击穿(CIB),灭弧(弧),低温油分解(LTOB)和高温分解(HTOB)。在这工作一个提要——提出了反向传播网络。TRAINLM训练功能连同LEANGDM自适应学习功能使用培训和适应的网络。MSE是用于计算性能的措施。的总网络由2层与层有10神经元和使用TANSIG传递函数。回归的情节回归图中使用的网络图(2)中给出的工作 |
结果与结论 |
| 一个全面的工具可以执行由用户根据需要设计不同的分析。该工具编码使用Matlab版本7.1图形用户界面设计,让用户有无缝的分析数据使用不同的方法。传统方法和基于GA - ANN的分析都是可用的工具。 |
| 所需的数据分析是美联储通过预定义的格式的一个Excel表。这有助于规范输入方法,有助于避免用户引起的误差。在这个工作我们有APTRANSCO所使用的数据格式,用于溶解气体分析数据的集合。一旦数据加载有关变压器的基本信息和它的能力,位置,平均负载,调试日期显示在GUI。类似的样本中不同气体的浓度下研究所在也描述单击Load按钮用户提示选择一个特定的Excel工作簿和一个特定的表进行分析。一旦数据被加载,用户可以选择的方法分析数据。功能图标出现在GUI可以被描述为下面的参考图(3)。 |
| 1)功能图标用于加载数据进行分析通过Excel表蔓延 |
| 2)变压器位置和其他事项,如评级在这里显示。 |
| 3)溶解气体的浓度被分析显示在这里 |
| 4)功能图标用于执行不同的分析方法 |
| 5)诊断的结果显示在这里 |
| 每当被分析气体的价值超过规定指定的值作为该方法的分析,诊断信息中描述“红色”否则它描述了“绿色”。警报流行ups也对一个特定的条件生成警告如图(3)所示。 |
| 该方法识别的诊断准确性不同故障给出下面的表。表1显示性能相比,训练数据和表2的性能测试数据。 |
| 提出系统的性能和传统的DGA技术检测corona-type PDs表3中所示。这证实了适当的能力,提出了检测系统PDs的电晕类型发生在气相的孔隙或气泡,非常不同于PDs引发的类型发生在油相。 |
| 上面的表清楚地表明,该方法基于GA - ANN能够提供更高精度的诊断相比,传统的诊断方法。 |
表乍一看 |
|
|
数据乍一看 |
|
|
引用 |
- m·杜瓦和a . dePablo”的解释gas-in-oil分析使用新的IEC 60599和IEC出版TC 10数据库”,IEEE ElectricalInsulation杂志,17卷,31-41,2001页。
- m·杜瓦”,溶解气体分析:它可以节省你的变压器,”IEEE电气绝缘杂志卷,5月22 - 27日,1989页。
- IEEE指南解释气体生成的油浸式变压器、IEEE Std c57.104 - 2008, 2009。
- 矿物质油浸设备服务指南和自由气体溶解的解释分析,IEC标准。60 599年出版,1999年。
- r·r·罗杰斯“IEEE和IEC代码解释变压器早期故障,使用天然气石油分析,“IEEE ElectricalInsulationEI-13卷,第354 - 349页,1978年。
- j。j Dukarm”,应用变压器油使用模糊逻辑和神经网络诊断,”CCECE / CCGEI 1993、329 - 332页。
- 刘x y,叮,y, p·格里芬,”一个人工神经网络的变压器故障诊断方法,”IEEE电力交付11卷,第1841 - 1836页,1996年。
- 研究。黄,H.-T。杨,C.-L。黄”,开发一种新的变压器故障诊断系统通过进化模糊逻辑,“IEEETransactions权力交付》12卷,第767 - 761页,1997年。
- H.-T。杨和研究。黄,“智能决策支持使用自组织polynomialnetworks初期的变压器故障诊断,”IEEE电力交付13卷,第952 - 946页,1998年。
- 刘y z . Wang, p . j . Griffin”联合安和变压器故障诊断专家系统工具,”IEEE PowerDelivery13卷,第1229 - 1224页,1998年。
- j . Guardado j . Naredo p·莫雷诺,c .要塞”的比较研究神经网络电力变压器诊断usingdissolved气体分析的效率,”IEEE电力交付》16卷,第647 - 643页,2001年。
- 研究。黄”,进化神经网络的故障诊断电力变压器,”IEEE功率输出,18卷,第848 - 843页,2003年。
- 诉米兰达和a·r·g·卡斯特罗“改善变压器故障诊断的IEC表从神经网络中提取知识”,IEEE功率输出,20卷,第2516 - 2509页,2005年。
- x郝和s Cai-Xin”的人工免疫网络分类算法的电力变压器故障诊断,”IEEE onPower交付22卷,第935 - 930页,2007年
- r . Naresh诉沙玛,m . Vashisth”一个集成神经模糊的变压器故障诊断方法,”IEEE电力交付,23卷,第2024 - 2017页,2008年。
- c . w . Chen, y Yun, y . Liu”小波网络在电力变压器诊断使用溶解气体分析,“IEEE电力交付,24卷,第194 - 187页,2009年。
- a . Shintemirov w·唐,吴问:“基于溶解气体分析的电力变压器故障分类通过实现引导和遗传编程,”IEEE系统,人与控制论年代,39卷,2009年
- 研究。黄”,进化神经网络的故障诊断电力变压器,”IEEE反式。权力德l,vol. 18, no. 3, pp. 843–848, July.
- s . n . Pandey s Tapaswi, l·斯利瓦斯塔瓦”集成congestionmanagement进化神经网络与分布式计算方法,“应用软计算日报》10卷,没有。1,第260 - 251页,2010。
- Rajasekaran和g . a . v . Pai神经网络、模糊逻辑和遗传Algorithms-Synthesis和应用,新世纪出版社,新德里,印度,2006。
|
菜单
