一、变压器在线监测技术的应用（论文文献综述）
马力[1]（2021）在《变电站变压器运行状态在线监测系统研究与设计》文中指出
沈晓洁[2]（2021）在《徐州地区220kV变电站关键设备状态监测技术研究》文中认为
董伟广[3]（2021）在《电力变压器在线监测与故障诊断的系统研究》文中进行了进一步梳理随着物联网、云计算和智能算法等技术的发展与普及,数据采集技术已经足够成熟,在此基础上实现基于人工智能技术和大数据分析的设备健康管理与故障诊断预测,进而成为具备自学习和自成长能力的智慧系统。电力变压器作为电力系统重要设备之一,其运行的可靠性、安全性直接影响整个电力系统的安全和系统的经济效益。本文在变压器工作状态方面的研究主要从在线监测变压器运行参数和基于DGA数据诊断故障两方面进行分析,设计与实现了变压器的监测和故障诊断系统。首先是变压器在线监测的研究。通过研究以单片机、DSP等处理器为核心在线监测变压器的应用,发现在监测方面存在着参数采集不够精确,电路设计较为复杂,不够灵活,系统运行不稳定等缺点。FPGA作为当前主流三大处理器之一,其在硬件和软件上具有超性能和灵活性特征,比单片机、DSP等在电路中的应用更加可靠。本文基于FPGA灵活实现电路的运行方式功能构建出配电变压器在线监测系统,通过对系统软硬件电路方案的确定,完成了对电路板的焊接和相关电路模型的搭建,实现了对变压器在线监测的模拟实验。主要实现对电力变压器绕组温度、电压、电流、功率因数及频率等参数的采集实现对配电变压器在线监测,并将采集的参数通过FPGA对数据的分析确定配电变压器是否处于正常运行状态,实现报警功能。实际电路测量结果表明该系统具有精度高,稳定性好、经济实用以及可视化程度高等特点,可以满足很多实际项目的需要。其次是变压器故障诊断的研究。本文通过对变压器油中气体数据分析,来判别变压器所处故障类型。为提高变压器故障诊断精度,提出一种特殊浓度归一化法结合交叉验证RBF神经网络算法用来诊断变压器中常见的五种故障类型。首先在大数据平台中对原始数据进行缺失值和异常值检测处理,再利用特征浓度归一化法将气体成分样本进行归一化,将处理后的样本数据随机分为训练集和测试集,分别应用到变压器故障诊断模型中。在变压器故障诊断模型中,针对变压器故障样本数据有限和RBF神经网络泛化能力较差以及容易出现过拟合等问题,建立K-折交叉验证法改善网络泛化能力及提高RBF网络分类准确率、分类召回率。最后建立了分类算法评估模型,利用ROC、PR曲线图及K-S曲线等指标对整体算法模型分类效果评估。通过实验分析结果得出,该分类算法模型下变压器故障诊断分类平均准确率可达90.84%,与传统的RBF神经网络、随机森林（RF）及梯度提升决策树分类（GBDT）算法分类相比,特征浓度归一化法结合交叉验证改进RBF神经网络能够提高变压器故障诊断准确率,避免了陷入局部最优,并且有效地提升了网络模型的拟合程度和稳定性。
刘春江[4]（2021）在《基于Tikhonov正则化方法的变压器在线监测研究》文中指出变压器是电力系统中的重要设备之一,变压器绕组在安装运行过程中,在机械外力以及电动力的作用下,可能会发生形变。当绕组形变量积累到一定程度时,会造成变压器主绝缘损害,进而导致匝间短路等更为严重的故障。目前变压器绕组变形的检测方法多以离线检测为主,但离线检测方法的不足之处在于需要变压器停电以后进行检测。因此,探究在线监测变压器绕组变形的方法是十分必要的。本文分析了现有变压器等效模型,选取T型等效模型作为研究对象,以此建立变压器短路阻抗计算方程,通过在线监测变压器绕组短路阻抗参数来判断变压器绕组状态。但是在求解绕组参数的方程时,由于计算方程呈现病态性,采用常用的最小二乘法计算时,测量值中的微小误差会造成计算结果变化很大,影响短路阻抗参数计算的准确性。针对此问题,本文引入Tikhonov正则化计算方法,提出基于Tikhonov正则化的变压器在线监测绕组变形的方法,以此来提高计算精度。在确定计算方法之后,本文通过电磁暂态仿真进行仿真计算,在计算时将Tikhonov正则化算法与最小二乘法进行对比研究,研究发现常用的最小二乘法对于短路阻抗参数电阻分量的计算准确度不够,其计算误差最大为112.54%,而Tikhonov正则化算法对于变压器短路阻抗电阻参数和电抗参数的计算误差均小于1%,计算结果不受负载率、功率因数以及短路故障的影响,且在计算数据窗长为工频半周期的情况下仍能够准确计算变压器短路阻抗参数,可以实现变压器短路阻抗参数的快速辨识。整体来说,Tikhonov正则化算法的计算性能优于最小二乘法。最后在实验室现有条件下,搭建变压器等效模型以及环形变压器实验平台对Tikhonov正则化算法进行了实验验证,实验结果显示Tikhonov正则化方法辨识变压器短路阻抗参数误差均小于1%,即实验结果与仿真结果一致,进一步确认Tikhonov正则化算法能够实现变压器绕组变形在线监测的应用。
张东[5]（2021）在《基于神经网络的油浸式变压器故障诊断方法研究》文中提出变压器在电力系统中的作用是变换电压、分配以及传输电能。变压器发生故障将直接影响电力生产和传输安全,因此对变压器的运行状态实时监测。本文研究油浸式电力变压器故障诊断方法,采用基于油中溶解气体成分分析的方法,设计了变压器故障在线监测与诊断系统。本文首先分析油浸式变压器故障类型和故障原因,然后分析油浸式变压器油中溶解特征气体成分与故障类型之间的关系。采用BP神经网络算法进行了变压器故障诊断分析,针对神经网络训练中存在的训练时间长和收敛性差问题,采用自适应速率法以及附加动量法对诊断过程进行优化。所提方法在MATLAB平台进行了仿真验证,仿真结果表明改进后的BP神经网络在训练时间以及收敛性上均有很大的改进。最后,本文设计了变压器故障在线检测装置和上位机管理系统。故障在线检测装置采用STM32F103C8T6为主控芯片,具有气体成分检测、数据存储、数据显示和远程通信等功能。上位机管理系统具有用户管理、变压器数据采集、故障诊断和数据管理等功能。系统测试结果表明所设计的系统能够实现油浸式变压器故障在线监测和诊断。
华越[6]（2021）在《海上平台变压器故障诊断与预警研究》文中指出海上平台电力系统作为海洋石油生产的重要动力系统,保持长期稳定运行至关重要。变压器作为连接不同电压等级的关键设备,对海上电力系统的稳定运行起着重要作用。海上电力系统相较陆地电网而言,各设备工作环境更为恶劣,绝缘材料承受应力也更为显着。这些应力会对变压器产生破坏,诱发各类故障,影响变压器可靠运行。另一方面,海上作业平台一般距离陆地较远,设备维护更换复杂,变压器故障会带来严重的生产隐患和巨大的经济损失。然而,传统定期检修并不能适应海上平台变压器高可靠性要求,可能导致变压器故障的误报或漏报。为此,需向状态检修过渡,加强变压器的在线监测与维护,而变压器故障诊断与预警方法作为实现在线监测与报警的关键手段,需重点关注。因此,本文围绕提升海上电力系统运行可靠性,对油浸式和干式变压器的故障诊断与预警方法开展研究,深入分析变压器老化因素及故障机理,并对现有监测方法性能进行评估,进而利用各类传感监测数据和人工智能算法建立适用于海上电力系统变压器的故障诊断与预警方法,具体完成了以下工作:（1）结合海上运行工况,详细分析了干式变压器和油浸式变压器的老化因素、故障机理及现有诊断方法。首先,对海上平台油浸式变压器与干式变压器的运行工况进行阐述;之后,结合海上环境分析了影响变压器绝缘的主要因素,包括热老化、电老化、机械老化和盐雾等,阐述了变压器主要故障（热性故障和电性故障）的发生机理及类型;最后,对比分析了变压器状态检修和定期检修的优劣,阐述了各类状态监测方法现状;在此基础上,结合实际数据对传统油中气体分析方法的性能进行了研究,并对海上平台干式变压器故障监测现状进行了分析。（2）针对油浸式变压器,提出一种利用改进型DS证据理论融合多种概率输出算法实现故障诊断的方法,提高了油浸式变压器故障诊断准确度。首先,对软分类算法和硬分类算法的性能进行了对比分析;之后,建立了基于多分类相关向量机（Multiclass Relevance Vector Machine,MRVM）、多分类支持向量机（Multiclass Support Vector Machine,MSVM）和反向传播神经网络（Back Propagation Neural Network,BPNN）的油浸式变压器故障诊断模型,为提升模型精度,采用粒子群优化算法（Particle Swarm Optimization,PSO）对模型中的各参数进行优化;最后,提出利用改进型DS证据理论对MRVM、MSVM和BPNN三种概率输出模型进行融合,以获得更准确的故障诊断结果。研究表明,该方法实现了油浸式变压器故障诊断概率输出,克服了传统油中气体分析方法难以归纳总结故障发展规律的不足。（3）针对干式变压器,提出了一种基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）及滑动窗口分析的温度异常预警方法,可有效识别干式变压器异常温升。首先,采用稀疏贝叶斯学习算法建立干式变压器温度预测模型,利用粒子群算法对SBL参数进行优化,有效提高了模型准确性;之后,根据SBL输出得到的温度期望值和方差,构建了温度预警范围,有效克服了人工主观确定温度报警阈值的缺点;最后,利用滑动窗口对温度残差进行统计分析,有效区分故障温升与传感器测量误差,避免了误诊断的发生。研究表明,所提方法实现了更为客观有效的干式变压器异常温度预警。通过以上研究,明确了变压器老化因素、故障机理及现有诊断方法的缺陷,较好的解决了油浸式变压器故障诊断准确率低、干式变压器温度阈值通过人为主观设定等问题,实现了变压器在线诊断与预警,提升了海上变压器运行可靠性。
王凯[7]（2021）在《基于集成学习的变压器故障预测方法研究》文中研究指明作为电力系统的重要设备,电力变压器的运行状态直接关系到电网的生产与运营。在我国已投运的油浸式变压器中,相当一部分已在电、热、机械场影响下工作几十年之久,其内部存在故障风险,并且变压器内部故障具有一定的潜伏期,存在预测空间。油中溶解气体分析技术（Dissolved Gas Analysis,DGA）在变压器故障诊断领域广泛应用,但目前大多数故障诊断技术对于不同故障间接近的数据分类效果一般,精度较差。基于上述分析,结合集成学习算法在强化学习效果方面的优势,本文提出一种基于集成学习算法的变压器故障预测方法,实现对油中气体含量的短期预测,并对结果进行故障分类,从而实现故障预测功能。同时在数据处理,特征选择以及模型构建等方面进行了改进与优化,从而提升预测效果。本文主要在以下几个方面展开研究:首先,将变压器油中溶解气体浓度作为研究对象,提出了基于VMD-XGBoost的气体预测方法。基于气体历史序列信息,使用变分模态分解（Variational mode decomposition,VMD）对气体浓度序列进行分解,将各个子序列作为XGBoost模型的输入,使用前向推进验证方法进行短期预测,并对时间步长以及模型超参数进行寻优,提升了气体预测模型的准确率,为故障诊断模型提供可靠的输入数据。然后,针对传统变压器故障诊断模型精度较低以及故障特征选择标准模糊等问题,提出了基于LightGBM的变压器故障诊断方法。参考多种特征选择方法,并结合两种特征重要度筛选方法,从故障数据集中提取出更能反映变压器不同运行工况的特征组合,建立起基于LightGBM的故障诊断模型进行模型。并通过网格法对模型超参数进行调优,提升了诊断精度。使用多个评价指标,对比多种故障诊断方法,证明了本文所提出的模型具有更好的性能。最后,结合前两部分的研究结果,对实际故障案例进行预测分析。根据历史数据预测故障报警前一定时间段内的气体含量,并由故障诊断方法对预测结果进行故障分类,分类结果与在线监测诊断结果以及实际油化试验结果进行对比验证,从而证明本文所提出的故障预测方法能够准确预测出变压器实际内部故障。
项茂阳[8]（2021）在《变电设备故障诊断系统研究及应用》文中指出随着智能电网的快速发展,特别是特高压电网的建设,电网的安全稳定越来越重要。尤其是变电一次设备的可靠性对于电网的安全稳定特别重要。变电设备故障诊断是指通过收集设备运行参数、例行试验数据、在线设备诊断数据等信息,对变压器、开关等多个变电设备进行状态监测分析、故障诊断,及时反馈,及时调整电网系统运行方式,确定维修策略。首先,本文通过参阅国内外相关文献,分析了当前变电站一次设备故障诊断先进技术,包括变压器、断路器、避雷器及容性设备的故障诊断技术,着重理解了目前应用广泛的几种在线监测技术。其次,本文进行了变电设备故障诊断系统的设计与开发,对该软件的重要性和必要性进行了叙述,然后对本软件开发所涉及到的相关技术要点做了简单介绍。针对变电设备故障诊断系统,首先本文通过对系统设计以及状态评价概述展开研究,按照状态评估模块、风险评估模块、决策建议模块进行设计;然后对变电故障诊断系统的功能进行设计,包括变电设备状态评估功能设计、风险评估功能设计、变电设备检修辅助决策功能设计、变电设备在线监测功能设计、变电设备历史查询及预测评估功能设计等;最后是实现变电设备故障诊断功能。随着智能化水平的提升,我们不仅期待变电站智能化的安全稳定,我们更加期待智能调度、智能潮流管理系统的面世。随着智能化系统的不断发展,变电站的运行将更加安全、可靠。
苟家萁[9]（2021）在《基于深度学习的变压器油中溶解气体浓度预测研究》文中研究表明为了实现我国电力领域“全国联网”的战略目标,远距离、特高压、大容量的输电模式已被广泛应用。电力变压器作为电力系统中的核心设备之一,发挥着电压、电流变化等重要作用,影响着电网的稳定运行。考虑到变压器的运行状况与其内部油中溶解气体含量之间有着密切的联系,故对油中溶解气体的精准预测可以提早发现变压器设备可能存在的潜伏性故障,为运行人员检修提供理论支撑。本文以在线监测到的变压器油色谱数据为研究对象,结合深度学习算法主要进行以下两方面的研究:针对正常运行的电力变压器所提取到的油中溶解气体数据存在“异常值”或“缺失值”的问题,本文提出了一种基于堆叠式降噪自动编码器（SDAE）的变压器在线监测油色谱数据清洗模型。利用在线监测到的某220k V和500k V电压等级变压器的油中溶解气体数据为研究对象,首先将正常运行状况下采集到的变压器油色谱数据输入到SDAE清洗模型,对模型进行训练学习,确定其关键参数的大小;然后将正常运行状态下监测到存在“缺失值”或“异常值”的油色谱数据输入到清洗模型,通过比较重构误差NL和损失函数峰值Top、容限时窗Tn和误差持续时间Tt之间的大小关系判断不良数据的类型;最后对存在“缺失值”和“异常值”的数据进行重构修复表示,还原了更多的原始数据信息,为文章后续进行特征气体浓度的精准预测研究提供了可靠的数据源。针对传统深度学习预测模型存在关键参数难以确定和预测精度不高的问题,本文提出了一种基于改进粒子群算法（IPSO）和门控循环单元（GRU）的油中溶解气体浓度组合预测模型。将搜集的7种特征气体序列划分为训练集和测试集,对训练集数据利用IPSO算法迭代搜索GRU模型关键参数（神经元个数m与学习率ε）的最优值,建立IPSO-GRU组合预测模型,对测试集数据来进行验证所提方法的可靠性。实验结果表明,本文所提方法不仅克服了选取模型关键参数的难题,并相较于传统的PSO-GRU、GRU、LSTM、RF和RNN深度学习算法模型相比预测精度更高,进行特征数据序列清洗提高了预测模型的精度,且随着样本训练集数目的不断增加,模型的预测精度逐渐提高,表明模型可以获得特征数据集内部之间更多的潜在规律,对及时、准确判断电力变压器的运行状态发挥着重要的作用。
辜祥[10]（2021）在《变电站变压器在线监测系统的设计与实现》文中研究说明电力已经成为了现代社会生产生活中必不可少能源,电力变压器作为电力系统中最重要的供电设备之一,如果变压器的发生故障,很容易造成电网事件或者大面积的停电事故,影响人们的日常工作生活和社会稳定。加之未来电网规模越来越大,电气化设备越来越多。而目前对变压器的监测手段仍然比较落后,难以适应现代设备管理的要求。本文针对以上问题,提出变压器在线监测的解决方案,力求对变压器的运行工况进行实时监测。本文对相关重要的厂站进行研究,分析了变压器在线监测的实际需求,并且对国内外设备在线监测的情况作了对比了解。就现在成熟的相关技术和常用的设备监测技术的深入研究和对比,对系统的便捷性,安全性,准确性,经济性等方面作了充分考虑。设计出了基于.NET平台的变压器在线监测系统。系统采用Client/Server架构（简称C/S架构）作为变压器在线监测系统的软件结构,以发挥C/S架构在安全性方面的优势,确定了系统的三层结构模式和设计了系统的基本功能模块。使用.NET Framework框架平台进行软件开发,一方面.NET平台支持C/S架构开发模式和优秀的图形化人机交互控件模式,另一发面提供了Visual Studio IDE集成开发环境,为开发人员提供了很大的方便。基于.NET平台使用C#语言实现了变压器在线监测系统的系统管理、油中气体监测、铁芯接地电流、油面温度监测等功能模块。利用SQL Sever数据库强大的数据管理能力,为系统的数据提供了数据管理、存储、查询等业务的支撑。总的说来,本文开发出了C/S架构+.NET平台+C#+SQL Sever的变压器在线监测系统,实现了实时监测变压器运行态势的初衷。通过变压器运行的指标数据可以第一时间发现故障表征,就可以在发生故障前制定科学的检修策略,以此达到保障变压器长期稳定运行,不出现大的停电事故的目标。
二、变压器在线监测技术的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、变压器在线监测技术的应用（论文提纲范文）
（3）电力变压器在线监测与故障诊断的系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器在线监测研究现状 |
| 1.2.2 变压器故障诊断研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 变压器故障的类型及其监测与诊断系统 |
| 2.1 常见变压器的故障概述 |
| 2.2 变压器油中溶解气体相关概述 |
| 2.2.1 变压器油中溶解气体的产生 |
| 2.2.2 变压器油中溶解气体分析 |
| 2.2.3 油中气体在线监测与故障诊断系统的研究 |
| 2.3 变压器常见监测方法 |
| 2.3.1 变压器局部放电在线监测技术 |
| 2.3.2 绕组变形在线监测 |
| 2.3.3 铁心接地在线监测 |
| 2.3.4 变压器振动频谱在线监测 |
| 2.3.5 变压器温度及电参数在线监测 |
| 2.4 变压器常见故障诊断方法 |
| 2.4.1 变压器故障诊断三比值法 |
| 2.4.2 变压器专家系统故障诊断方法 |
| 2.5 本章小结 |
| 第3章 变压器在线监测系统设计与实现 |
| 3.1 基于FPGA实现变压器在线监测的原理设计 |
| 3.2 在线监测系统设计中软件的使用 |
| 3.3 基于FPGA对变压器在线监测系统主要的程序设计 |
| 3.3.1 绕组电压电流采集 |
| 3.3.2 绕组温度采集 |
| 3.3.3 频率及功率因数采集 |
| 3.4 变压器在线监测实验结果分析及实物图 |
| 3.5 本章小结 |
| 第4章 变压器故障诊断分析 |
| 4.1 相关分类算法介绍 |
| 4.1.1 朴素贝叶斯分类 |
| 4.1.2 贝叶斯网络分类 |
| 4.1.3 决策树分类 |
| 4.1.4 随机森林分类 |
| 4.1.5 人工神经网络分类 |
| 4.2 变压器故障诊断的系统设计 |
| 4.2.1 DGA数据结构及归一化法 |
| 4.2.2 数据缺失值处理及异常值检测 |
| 4.2.3 RBF神经网络模型的建立 |
| 4.2.4 基于TRBF分类算法对变压器故障分析 |
| 4.3 基于K折交叉验证RBF分类算法分析 |
| 4.4 多重交叉验证改进RBF算法仿真数据分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果、参加学术会议及获奖 |
| 致谢 |
（4）基于Tikhonov正则化方法的变压器在线监测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 离线检测方法 |
| 1.2.2 在线监测方法 |
| 1.3 本文研究内容 |
| 第2章 变压器绕组变形分析 |
| 2.1 引言 |
| 2.2 绕组受力分析 |
| 2.3 变压器等效模型 |
| 2.3.1 中低频模型 |
| 2.3.2 高频模型 |
| 2.3.3 宽频模型 |
| 2.4 等效模型参数计算 |
| 2.4.1 短路阻抗电阻分量计算 |
| 2.4.2 短路阻抗电抗分量计算 |
| 2.5 本章小结 |
| 第3章 基于正则化方法计算变压器阻抗 |
| 3.1 引言 |
| 3.2 TIKHONOV正则化方法介绍 |
| 3.2.1 Tikhonov正则化方法的求解 |
| 3.2.2 正则化参数的选取方法 |
| 3.3 变压器绕组参数辨识模型 |
| 3.4 仿真计算 |
| 3.4.1 仿真模型搭建 |
| 3.4.2 影响因素分析 |
| 3.5 本章小结 |
| 第4章 变压器在线监测实验研究 |
| 4.1 引言 |
| 4.2 变压器等效模型实验 |
| 4.3 变压器绕组变形实验 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）基于神经网络的油浸式变压器故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 变压器故障研究现状 |
| 1.2.1 变压器油中溶解气体研究现状 |
| 1.2.2 变压器在线检测技术研究现状 |
| 1.3 本文主要研究内容 |
| 2 油浸式变压器故障类型及判断方法 |
| 2.1 变压器的故障类型 |
| 2.2 变压器不同故障类型的产气特性 |
| 2.2.1 过热性故障的产气特性 |
| 2.2.2 火花放电故障的产气特性 |
| 2.2.3 电弧放电故障的产气特性 |
| 2.3 变压器传统故障诊断方法 |
| 2.3.1 基于特征气体的故障诊断方法 |
| 2.3.2 基于产气速率的故障诊断方法 |
| 2.3.3 三比值故障诊断方法 |
| 2.4 本章小结 |
| 3 基于BP神经网络的油浸式变压器故障诊断分析 |
| 3.1 人工神经网络在故障识别中的应用 |
| 3.2 BP 神经网络算法基础理论 |
| 3.3 基于BP神经网络算法的变压器故障诊断方法 |
| 3.4 BP神经网络的优化方法 |
| 3.4.1 基于自适应学习速率法的故障诊断方法 |
| 3.4.2 基于附加动量法的变压器故障诊断方法 |
| 3.5 本章小结 |
| 4 变压器故障在线检测装置设计 |
| 4.1 系统总体设计 |
| 4.2 气体检测电路设计 |
| 4.3 无线通信电路设计 |
| 4.4 人机接口电路设计 |
| 4.5 数据存储电路设计 |
| 4.6 软件程序设计 |
| 4.7 本章小结 |
| 5 变压器在线监测与故障诊断管理系统设计 |
| 5.1 在线监测软件系统结构 |
| 5.2 数据库管理系统 |
| 5.3 上位机管理界面设计 |
| 5.3.1 用户登录管理 |
| 5.3.2 变压器状态监测 |
| 5.3.3 故障诊断 |
| 5.4 系统测试 |
| 5.4.1 监测系统测试 |
| 5.4.2 气体分析与故障诊断界面测试 |
| 5.4.3 数据管理界面测试 |
| 5.5 本章小结 |
| 6 结论 |
| 参考文献 |
| 致谢 |
（6）海上平台变压器故障诊断与预警研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 油浸式变压器故障诊断与预警 |
| 1.2.2 干式变压器故障诊断与预警 |
| 1.3 本文研究内容 |
| 第2章 海上平台变压器故障机理及故障监测 |
| 2.1 引言 |
| 2.2 海上平台变压器运行工况 |
| 2.3 变压器老化因素 |
| 2.3.1 热老化 |
| 2.3.2 电老化 |
| 2.3.3 其它因素 |
| 2.4 变压器主要故障 |
| 2.5 变压器故障监测 |
| 2.6 变压器监测方法性能分析 |
| 2.6.1 油中气体分析方法性能对比 |
| 2.6.2 干式变压器故障监测 |
| 2.7 本章小结 |
| 第3章 融合多概率输出算法的油浸式变压器故障诊断 |
| 3.1 引言 |
| 3.2 软分类与硬分类算法对比分析 |
| 3.3 基于概率输出算法的油浸式变压器故障诊断 |
| 3.3.1 概率输出算法 |
| 3.3.2 概率输出算法故障诊断模型 |
| 3.3.3 模型性能对比分析 |
| 3.4 基于改进D-S证据理论的多概率输出算法融合 |
| 3.4.1 改进D-S证据理论 |
| 3.4.2 融合多概率输出算法的故障诊断模型 |
| 3.4.3 算例分析 |
| 3.5 本章小结 |
| 第4章 基于稀疏贝叶斯学习的干式变压器过热预警 |
| 4.1 引言 |
| 4.2 干式变压器温度预测输入参数 |
| 4.3 干式变压器温度预测模型 |
| 4.3.1 稀疏贝叶斯学习 |
| 4.3.2 稀疏贝叶斯学习预测模型 |
| 4.3.3 模型性能分析 |
| 4.4 干式变压器异常温升预警 |
| 4.4.1 温度预警范围确定 |
| 4.4.2 温度残差统计分析 |
| 4.4.3 温度预警整体流程 |
| 4.4.4 温度预警实例分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文和参加科研情况 |
| 学位论文评阅及答辩情况表 |
（7）基于集成学习的变压器故障预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器油中溶解气体预测研究现状 |
| 1.2.2 变压器故障诊断研究现状 |
| 1.3 主要研究内容 |
| 第二章 变压器故障诊断机理与特征选择 |
| 2.1 引言 |
| 2.2 变压器油中溶解气体分析 |
| 2.2.1 油中溶解气体产生机理 |
| 2.2.2 油中溶解气体的含量与产气率 |
| 2.3 变压器内部故障与油中溶解气体的关系 |
| 2.4 比值诊断方法 |
| 2.5 变压器故障诊断特征选择 |
| 2.6 本章小结 |
| 第三章 基于VMD-XGBoost的变压器油中溶解气体预测 |
| 3.1 引言 |
| 3.2 变压器油中溶解气体预测问题描述 |
| 3.3 变压器在线监测数据预处理 |
| 3.3.1 缺失值与零值处理 |
| 3.3.2 长期趋势项的去除 |
| 3.3.3 变分模态分解 |
| 3.4 XGBoost预测模型的构建 |
| 3.4.1 集成学习 |
| 3.4.2 梯度提升树 |
| 3.4.3 XGBoost |
| 3.5 预测流程 |
| 3.6 算例分析 |
| 3.6.1 数据选择与评价指标 |
| 3.6.2 数据预处理 |
| 3.6.3参数影响及预测结果 |
| 3.6.4 基于网格搜索的超参数优化 |
| 3.6.5 不同算法对比 |
| 3.6.6 不同运行状态下的预测结果 |
| 3.7 本章小结 |
| 第四章 基于LightGBM的变压器故障诊断 |
| 4.1 引言 |
| 4.2 LightGBM诊断模型的构建 |
| 4.2.1 直方图算法 |
| 4.2.2 GOSS单边采样法 |
| 4.2.3 EFB特征降维法 |
| 4.2.4 带有深度约束的leaf-wise叶子节点生成策略 |
| 4.3 基于重要度分析的特征筛选 |
| 4.4 基于LightGBM的变压器故障诊断流程 |
| 4.5 算例分析 |
| 4.5.1 故障数据集的建立 |
| 4.5.2 评价指标 |
| 4.5.3 诊断结果 |
| 4.5.4 特征筛选 |
| 4.5.5 基于贝叶斯网络的超参数优化 |
| 4.5.6 算法对比与数据分析 |
| 4.6 本章小结 |
| 第五章 基于集成学习的变压器故障预测实例分析 |
| 5.1 引言 |
| 5.2 故障预测实例分析 |
| 5.2.1 故障案例1:高温过热 |
| 5.2.2 故障案例2:中温过热 |
| 5.2.3 故障案例3:局部放电 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
| 学位论文评阅及答辩情况表 |
（8）变电设备故障诊断系统研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 变电设备故障诊断方法的研究现状 |
| 1.3 变电设备常见故障及诊断方法 |
| 1.3.1 变压器常见故障及诊断方法 |
| 1.3.2 断路器常见故障及诊断方法 |
| 1.3.3 容性设备及其他设备常见故障及诊断方法 |
| 1.3.4 氧化锌避雷器常见故障及诊断方法 |
| 1.4 本文的主要内容 |
| 第2章 变电设备故障诊断系统结构设计 |
| 2.1 系统设计 |
| 2.1.1 系统概述 |
| 2.1.2 故障诊断系统体系结构 |
| 2.2 变电设备状态评价概述 |
| 2.3 风险评价模块设计 |
| 2.4 预测评估模块设计 |
| 2.5 决策建议模块设计 |
| 2.6 小结 |
| 第3章 变电设备故障诊断系统功能设计 |
| 3.1 系统智能分析流程 |
| 3.1.1 系统管理 |
| 3.1.2 数据管理 |
| 3.2 故障诊断功能设计 |
| 3.3 变电设备状态评估功能设计 |
| 3.4 风险评估功能设计 |
| 3.5 变电设备检修辅助决策功能设计 |
| 3.6 变电设备在线监测功能设计 |
| 3.7 变电设备历史查询及预测评估功能设计 |
| 3.8 小结 |
| 第4章 变电设备故障诊断系统功能实现 |
| 4.1 变电设备故障诊断系统管理界面配置 |
| 4.2 变电设备故障诊断系统功能实现界面配置 |
| 4.3 现场应用 |
| 4.4 小结 |
| 第5章 结论 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（9）基于深度学习的变压器油中溶解气体浓度预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习技术在数据预处理方面的研究现状 |
| 1.2.2 变压器油中溶解气体的含量预测研究现状 |
| 1.3 论文的主要内容 |
| 第二章 变压器油中溶解气体的产气原理与故障时的产气特征 |
| 2.1 变压器油中气体产气原理 |
| 2.1.1 正常运行时变压器产气原理 |
| 2.1.2 发生故障时变压器产气原理 |
| 2.2 变压器内部故障种类与油中溶解气体含量特征 |
| 2.2.1 变压器过热性故障及其产气特点 |
| 2.2.2 变压器放电性故障及其产气特点 |
| 2.2.3 变压器机械性故障及其产气特点 |
| 2.3 变压器油中溶解气体在线监测技术 |
| 2.3.1 油色谱在线监测装置的结构组成 |
| 2.3.2 油色谱在线监测装置的功能特点 |
| 2.4 变压器油中溶解气体浓度预测机理 |
| 2.4.1 时间序列预测概述 |
| 2.4.2 时间序列预测的特点和条件 |
| 2.5 本章小结 |
| 第三章 基于SDAE模型的变压器状态监测数据清洗方法 |
| 3.1 神经网络 |
| 3.1.1 神经网络的结构及特点 |
| 3.1.2 神经网络的激活函数与在气体预测方面的可行性分析 |
| 3.2 堆叠式降噪自动编码器(SDAE)基本原理 |
| 3.2.1 自动编码器(AE) |
| 3.2.2 降噪自动编码器(DAE) |
| 3.2.3 堆叠式降噪自动编码器(SDAE) |
| 3.3 基于SDAE模型的变压器状态监测数据清洗方法 |
| 3.3.1 SDAE模型数据清洗原理 |
| 3.3.2 SDAE模型训练过程 |
| 3.3.3 SDAE数据清洗实现流程 |
| 3.4 算例分析 |
| 3.4.1 数据集划分与模型参数初始化 |
| 3.4.2 变压器油色谱数据清洗结果及分析 |
| 3.5 本章小结 |
| 第四章 深度学习算法与基于IPSO-GRU模型的油中溶解气体浓度预测方法 |
| 4.1 深度学习算法的研究与传播过程分析 |
| 4.1.1 循环神经网络(RNN) |
| 4.1.2 长短期记忆神经网络(LSTM) |
| 4.1.3 门控循环单元(GRU) |
| 4.1.4 随机森林(RF) |
| 4.2 改进粒子群优化算法(IPSO) |
| 4.2.1 粒子群优化算法(PSO) |
| 4.2.2 改进粒子群算法的实现流程 |
| 4.3 基于IPSO-GRU模型的油中溶解气体浓度预测方法实现过程 |
| 4.3.1 预测模型叙述 |
| 4.3.2 预测模型的实现流程 |
| 4.4 模型评价标准 |
| 4.5 实验环境与特征数据集的划分 |
| 4.6 算例分析案例一 |
| 4.6.1 IPSO-GRU网络模型参数选择与优化结果 |
| 4.6.2 IPSO-GRU模型预测结果分析 |
| 4.6.3 其他气体预测结果分析 |
| 4.6.4 特征数据集质量对不同模型预测效果的影响 |
| 4.7 算例分析案例二 |
| 4.7.1 网络预测模型关键参数优化结果 |
| 4.7.2 IPSO-GRU模型预测结果分析 |
| 4.7.3 不同训练集对预测效果的影响 |
| 4.8 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读硕士期间科研成果与参与科研项目) |
| 1、攻读硕士学位期间发表的论文 |
| 2、攻读硕士学位期间受理的发明专利 |
| 3、攻读硕士学位期间参与的科研项目 |
| 4、攻读硕士学位期间获得的主要奖项 |
（10）变电站变压器在线监测系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 本文的组织结构 |
| 第二章 变压器在线监测关键技术 |
| 2.1 变压器在线监测相关技术 |
| 2.1.1 变压器油色谱监测技术 |
| 2.1.2 变压器铁芯接地电流监测技术 |
| 2.1.3 变压器油温监测技术 |
| 2.2 C/S架构概述 |
| 2.3 .NET平台概述 |
| 2.4 C#语言概述 |
| 2.5 SQL Server概述 |
| 2.6 ADO.NET组件概述 |
| 2.7 本章小结 |
| 第三章 系统的需求分析 |
| 3.1 系统的整体需求 |
| 3.2 功能性需求 |
| 3.2.1 系统管理需求 |
| 3.2.2 数据采集和数据分析需求 |
| 3.2.3 油中气体监测需求 |
| 3.2.4 铁芯接地电流监测需求 |
| 3.2.5 油温监测需求 |
| 3.3 非功能性需求 |
| 3.4 本章小结 |
| 第四章 系统总体设计 |
| 4.1 系统设计的原则 |
| 4.2 系统体系结构设计 |
| 4.3 系统数据库设计 |
| 4.3.1 数据库设计原则 |
| 4.3.2 数据库规范设计 |
| 4.3.3 数据库逻辑信息设计 |
| 4.3.4 数据库信息表设计 |
| 4.4 本章小结 |
| 第五章 系统关键模块详细设计 |
| 5.1 系统模块设计 |
| 5.2 系统管理模块设计 |
| 5.3 数据采集和分析模块设计 |
| 5.4 油中气体监测模块设计 |
| 5.5 铁芯接地电流监测设计 |
| 5.6 油温监测模块设计 |
| 5.7 本章小结 |
| 第六章 系统实现 |
| 6.1 使用ADO.NET连接数据库 |
| 6.2 系统登录模块的实现 |
| 6.3 油中气体监测模块的实现 |
| 6.4 铁芯接地电流监测模块的实现 |
| 6.5 油温监测模块的实现 |
| 6.6 本章小结 |
| 第七章 系统测试 |
| 7.1 测试工具 |
| 7.2 功能测试 |
| 7.3 性能测试 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
四、变压器在线监测技术的应用（论文参考文献）
- [1]变电站变压器运行状态在线监测系统研究与设计[D]. 马力. 沈阳工业大学, 2021
- [2]徐州地区220kV变电站关键设备状态监测技术研究[D]. 沈晓洁. 中国矿业大学, 2021
- [3]电力变压器在线监测与故障诊断的系统研究[D]. 董伟广. 湖北民族大学, 2021(12)
- [4]基于Tikhonov正则化方法的变压器在线监测研究[D]. 刘春江. 华北电力大学(北京), 2021(01)
- [5]基于神经网络的油浸式变压器故障诊断方法研究[D]. 张东. 辽宁工业大学, 2021
- [6]海上平台变压器故障诊断与预警研究[D]. 华越. 山东大学, 2021(12)
- [7]基于集成学习的变压器故障预测方法研究[D]. 王凯. 山东大学, 2021(12)
- [8]变电设备故障诊断系统研究及应用[D]. 项茂阳. 山东大学, 2021(12)
- [9]基于深度学习的变压器油中溶解气体浓度预测研究[D]. 苟家萁. 昆明理工大学, 2021(01)
- [10]变电站变压器在线监测系统的设计与实现[D]. 辜祥. 电子科技大学, 2021(01)