一、变压器内部潜伏性故障的诊断（论文文献综述）
张智恒[1]（2021）在《基于智能算法优化的概率神经网络变压器故障诊断研究》文中进行了进一步梳理变压器作为电网中各电压等级联结的枢纽型节点设备,其稳定健康的运行对于电力系统的发展起着至关重要的作用。随着国家综合性能源电网建设的落实,电力变压器因时代发展的需求向着更高的电压等级与容量更替,倘若变压器出现故障将会直接影响电网及用户造成不利影响。因此,研究变压器的自动检测与故障诊断技术,提升运行维护的水平,对于整个电网而言有实用价值和现实意义。变压器的结构及工作原理较为复杂,利用油中溶解气体分析是进行故障诊断和潜伏性故障监测的可靠方法,首先通过分析油中溶解气体故障诊断的机理及特点,为弱化极端数据对诊断结果的判断,利用改良IEC法与概率神经网络的特点并将二者结合,建立结构为3-40-9-9型的概率神经网络故障诊断网络模型。优化分为两个方面,从模型端考虑,提出遗传算法优化系统概率密度函数中参数值,提炼出反应整个样本空间的平滑参数,使模型诊断的准确度提升,优化前后的训练结果表明,诊断正确率由80%提升至92.5%。从数据端的角度考虑,为消除故障特征与故障类型的模糊性,对油中溶解气体比值进行扩充,增加故障判据,运用粗糙集理论约简特性保留与故障类型关系紧密的核心属性作为新的输入特征量,建立结构为8-40-5-5型的概率神经网络故障诊断模型,去除冗余、关联度不大的属性信息,保证精度的同时缩短故障判断的学习时间,对同一组故障数据进行训练和测试仿真,训练结果显示故障诊断的正确率提升至97.5%,提升了诊断的正确率,具有可行性及良好的应用前景。
苟家萁[2]（2021）在《基于深度学习的变压器油中溶解气体浓度预测研究》文中研究指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。
安滨[3]（2019）在《基于非精确概率的变压器故障诊断方法研究》文中认为伴随着特高压工程的大规模建设,我国已经进入到特高压交直流混联大电网时代,交直流系统相互影响进一步加剧,“强直弱交”问题突出,保障大电网的安全稳定运行面临新挑战。大电网安全稳定运行的前提是电力设备的安全稳定运行,电力变压器作为电力系统中最重要的输变电设备之一,通过先进、合理的方法对变压器运行状态进行评估,及时掌握其运行状态和故障情况,对于提高大电网运行的安全性和经济性具有十分重要的意义。随着大量新设备新技术接入电网,尤其是特高压变电站的广泛投入运行,缺乏相关变压器故障记录和试验数据成为困扰变压器运行状态评估的难点问题。在此条件下,许多并发性故障无法精确预测,同时也无法给出令人信服的变压器诊断结果。在统计数据不足的情况下,基于大数定律的传统变压器故障诊断方法不再适用。非精确概率可以在故障样本缺少的情况下,以区间概率的形式代替原来精确的单值概率,成为变压器故障诊断的有效方法。本文首先介绍了精确概率和非精确概率两种概率理论,非精确概率是在小样本条件下进行概率估计的有效方法。随后介绍了基于非精确Dirichlet模型（Imprecise Dirichlet Model,IDM）的概率估计方法,并通过IDM估计变压器故障的非精确概率。变压器故障类型丰富,对于故障信息采集手段多种多样,本文通过皮尔逊相关系数法选取出了与变压器故障诊断有直接关系的变压器铁芯夹件接地电流、局部放电量、油色谱试验数据、绝缘油特性试验数据、线圈绝缘相关试验数据等五类数据参数作为故障诊断依据。在此基础上,建立了基于非精确Dirichlet模型和信度网络分类器的变压器诊断新方法。该故障诊断新方法可以在样本数据、检测试验数据不足的情况下,输出可靠的变压器故障诊断结果,同时可以发现潜伏性的变压器问题,解决传统变压器故障诊断手段的不足,有效提升了变压器故障诊断的水平。
董方旭[4]（2019）在《基于细菌觅食算法的电力变压器状态诊断技术研究》文中进行了进一步梳理电力变压器是电网的关键核心设备,其性能密切关系着电力系统的安全经济运行,因此准确掌握电力变压器运行水平,及时有效发现其潜在性故障,并进行准确故障定位,能有效的降低电网事故发生机率,保障供电可靠安全。针对目前电力变压器故障诊断及故障定位技术中,传统的油中溶解气体分析方法（Dissolved Gas Analysis,DGA）及电气试验的状态量判断指标过于绝对的问题,多种智能算法被引入电力变压器故障诊断与定位领域,取得了较好的效果。然而智能算法存在算法准确率受参数影响等问题,因此本文基于细菌觅食算法（Bacterial Foraging Algorithm,BFA）优秀的参数优化能力,开展电力变压器状态诊断和故障定位技术的研究。首先,本文研究了细菌觅食算法的特点、原理、算法模型及实现流程。对原始细菌觅食算法的趋化、复制和迁徙操作进行了介绍;对步长进行改进,避免了传统细菌觅食算法因固定步长而造成的收敛速度慢、跨过最优解等问题;在原理方面,本文将细菌觅食算法与智能优化算法粒子群算法（Particle Swarm Optimization,PSO）、遗传算法（Genetic Algorithm,GA）进行比较研究,分析三者的优缺点。其次,研究电力变压器的故障机理及故障诊断技术,建立了基于细菌觅食算法的电力变压器故障诊断优化模型。该模型以电力变压器油中特征气体含量的相对值作为状态评价样本,以k-折平均分类准确率为目标函数,通过细菌觅食算法寻找全局最优支持向量机参数解。仿真结果表明,细菌觅食算法对支持向量机最优参数的选取较遗传算法、粒子群算法更迅速,且优化后的模型具有更高的精确度;基于细菌觅食算法优化方法建立的支持向量机电力变压器故障诊断模型,对IEC三比值法中无法判断的数据也可进行精确诊断。通过实例分析,验证了模型的有效性。最后,在电力变压器的故障定位技术研究中,将变压器的油色谱信息和电气试验特征量结合,总结了11种故障定位特征属性变量,并依据属性变量确定了电力变压器的8个故障位置,并依此建立故障定位模型。本文以细菌觅食算法为计算工具,对故障位置进行聚类计算,根据计算结果,按照最大隶属度原则,建立了完全二叉树模型;利用7个支持向量机进行二叉树的层层分类,并基于细菌觅食算法,优化该模型参数,建立了基于细菌觅食算法和完全二叉树的电力变压器故障定位模型。通过实例证明,相较于其他智能算法,该故障定位模型能够快速的判断发生故障部位,具有较高的定位准确率。
梁浩浩[5]（2019）在《基于数据挖掘的变压器状态评估与故障诊断方法研究》文中指出电力变压器作为电网中的枢纽设备,能够调整电压大小和输送电能,对电力系统稳定供电起着至关重要的作用。随着电网规模的扩大,已有较多变压器常年满载运行,这些设备的运行状态逐渐恶化,故障率也不断提高。由于电力传输的特殊性,一旦发生故障将会影响整个网络的安全供电,并且造成设备损坏和经济损失,甚至危害人生安全。因此,对变压器进行合理的状态评估和准确的故障诊断能有效地提高供电可靠性,具有十分重要的意义。现阶段,运维人员主要依靠在线监测数据和预防性试验来判断变压器运行状态。根据某一特定的指标大小,按照相关标准规定的阈值进行状态划分,虽然测量技术的发展,提高了试验的准确性,但是大多数都只能评估某一项状态,并且由于指标有限,具有很大的片面性,并没有综合的利用各类信息作出整体的状态评估。针对以上问题,本文在相关标准和规程的基础上,建立了基于数据挖掘的变压器状态评估和故障诊断模型,为运维人员准确掌握变压器运行状态,进行状态检修提供指导。论文参考了大量技术规程和相关标准,并考虑各专家经验,建立了变压器的多维信息评估模型。指标体系在实用性、有效性和经济性等方面进行了优化,并对评估准则和运维策略进行了改进,并在此基础上建立了变压器的状态评估和故障诊断模型。利用模糊层次分析法构建变压器状态评估模型,根据在线监测数据和历史数据,融合多维信息和各方面因素对变压器健康状况进行评估。研究了各指标之间的权重关系,并对计算过程进行了优化,针对该方法中存在的主观性缺陷,引入了改进熵权法计算其客观权重,指标的客观熵越大,通过信息熵得到的权重越小,考虑主客观两方面权重得到组合权重,既突出了数据间的差异性,又对专家经验给予足够的重视。利用BP神经网络学习状态评估的非线性映射关系,简化了指标赋权和计算过程,提高了评估模型的实用性和快捷性。利用模糊聚类理论对变压器进行故障诊断,考虑了指标的不确定性和模糊性,用模糊隶属度表示变压器所属的故障类型,并给出了详细的故障诊断步骤。模糊C-均值聚类是一种无监督学习的聚类方法,可以有效地利用大量监测数据中的无标签信息。针对聚类方法中初始聚类中心随机设定导致聚类结果不稳定的缺陷,用人群搜索算法对聚类中心进行优化,提高了聚类的效率和准确性。通过工程实例进行验证,应用本文设计的变压器状态评估和故障诊断模型,能够准确地判断变压器的健康状态和故障类型,为变压器的差异化运维提供可靠的决策依据。
祝青[6]（2019）在《基于多源信息融合的变压器故障诊断方法研究》文中研究说明作为电网中能量传输以及转换过程中的核心装置,电力变压器的运行稳定性和可靠性对整个电网的运行安全起着至关重要的作用。因此对变压器进行有效地故障诊断具有十分重要的意义。虽然变压器在线检测诊断技术在近些年取得了大规模的发展,然而监测的故障诊断数据来源比较单一,仅仅是针对变压器某一项状态进行研究,没有将变压器的多个部件状态结合起来,具有一定的片面性。针对上述问题,本文主要做了以下的一些工作:揭示变压器中主要绝缘部件绝缘油的状态与变压器故障之间的联系,分析了变压器绝缘油在老化和劣化的过程中的特征产物产生机理,以这些特征产物的含量为指标构建了基于绝缘油状态的变压器故障诊断模型。将基于多分类的最小二乘支持向量机（LS-SVM）应用于变压器故障诊断中,通过构建一对一的故障分类模式构建多个二分类LS-SVM分类器来实现对变压器故障的多分类。同时利用蝙蝠优化算法来对所获得的分类器进行参数寻优,获得最优参数的分类器,然后通过搜集的基于绝缘油状态的数据指标进行故障诊断实例分析,试验表明该方法对变压的故障诊断是准确有效的,同时也证明了基于绝缘油状态的变压器故障特征量能在一定程度上反应变压器的故障状态。针对基本的蝙蝠算法可能在实际的寻优过程中陷入局部最优以及实际寻优所缺乏的智能性等缺陷,提出了具有Levy飞行的特征的蝙蝠算法来优化LS-SVM模型。用Levy飞行的特征来代替蝙蝠个体对最佳位置的搜索过程,特别是在全局搜索时,蝙蝠产生更大的搜索范围、迭代和匹配方式,最大程度避免陷入局部最优。通过算例证明改进的蝙蝠算法的故障诊断具有更快收敛速度,故障诊断精度更高,效果更好。探寻变压器绝缘纸状态与变压器故障之间的联系,分析变压器绝缘纸在受到外界作用下发生老化的过程中的特征量产物,以这些特征产物参量为指标构建基于绝缘纸状态的变压器故障诊断模型。同时将绝缘油状态特征指标与绝缘纸状态特征指标融合一起构成基于绝缘油纸状态的变压器故障诊断。经过故障诊断实例分析基于绝缘纸状态的特征参量能在一定程度上反映变压器的故障状态,而经过与绝缘油状态指标融合后得到的绝缘油纸状态指标对故障状态诊断的正确率更高。本文在整理搜集的大量文献、技术标准、导则规程、专家经验以及电力变压器在实际的运行过程产生的数据基础上,提出了建立多源信息融合变压器故障诊断模型的原则、并根据该原则分别从油色谱分析试验、油化试验以及电气绕组试验三个方面提取了反映变压器故障状态的特征量构建了多源信息融合的变压器故障诊断框架。通过搜集得到的多源信息融合数据进行实例诊断与对比分析得出:基于多源信息融合的变压器故障诊断的准确率达到了96%,对于高能放电故障的诊断准确率有显着的提升。
易思齐[7]（2019）在《基于混合特征选择和PSO-KELM的电力变压器故障诊断方法研究》文中指出电力变压器（Power Transformer）是电力系统的重要主设备,它承担着电压变换和传输等工作,因此,它的可靠性运行与电力系统的稳定息息相关。任何变压器内部故障都可能造成一定范围内的停电事故,并产生不可估量的经济损失,因此及时发现并准确的对变压器潜伏性故障做出判断具有重要意义。变压器油中溶解气体分析（Dissolved Gas Analysis,DGA）是目前用于变压器在线故障诊断最广泛和有效的方法之一,但传统DGA分析方法往往存在编码缺失、编码过于绝对及普遍诊断性能低等缺点,此外,由于缺乏广泛认可的故障特征集,基于智能算法的DGA分析往往忽略了故障特征的完备性和紧凑性,致使诊断性能不理想。针对上述不足,本文提出了一种基于混合特征选择和粒子群优化（Particle Swarm Optimization,PSO）核极限学习机（Kernel based Extreme Learning Machine,KELM）的变压器故障诊断方法,选择最优特征子集的同时提供更加紧凑而有效的变压器故障诊断模型,以提升最终故障诊断准确率。本文主要展开了以下几个方面研究:首先,针对目前DGA分析方法暂无广泛认可的特征集,通过搜索大量案例、文献调研,并结合《变压器油中溶解气体分析导则》,建立了一个综合故障特征子集,为后续方法提供特征寻优空间。其次,将极限学习机（Extreme Learning Machine,ELM）应用于变压器故障诊断,并利用核函数对ELM进行优化,构建基于KELM的变压器故障诊断模型;此外,还通过组合F-score和Information Gain两种Filter模型对变压器故障特征进行排序和筛选,实现故障特征的降维,并分析了特征选择的重要性。实验结果表明:特征选择后的子集能有效提高模型的故障诊断准确率,且KELM相对比其他几种常用的故障诊断算法和ELM具有更好的诊断性能。最后,针对Filter方法应用于变压器故障特征选择的不足,同时为了减小调参难度,建立了基于混合特征选择和KELM的变压器故障诊断模型。首先采用Filter模型对故障特征进行排序并完成冗余特征的初步筛选;再引入PSO算法结合KELM模型进一步特征选择和参数优化;最后分析了初始化策略对PSO优化寻优结果的影响。实验结果表明该方法实现了更准确的故障特征选择,并提供了更紧凑有效的故障诊断模型,能有效提高故障诊断准确率。
曾植[8]（2019）在《最优融合诊断变压器潜伏性故障》文中进行了进一步梳理电力变压器是电力系统的关键设备,其安全稳定的运行是电能输送的保障。基于油中溶解气体分析的变压器的离线监测,是通过定期的检修,对变压器油中气体进行取样分析。由于离线监测试验周期长、操作过程复杂,工作人员很难准确地掌握变压器的运行状况,往往不能及时地判断变压器内部潜伏性故障。而现有的在线监测系统所以如何建立一套可靠的变压器在线监测系统,是目前急需解决的问题。常规的变压器故障诊断方法,是根据变压器油中溶解气体的组分含量以及气体相对浓度的比值法进行故障诊断,由于变压器的故障机理和故障征兆之间复杂的关系以及故障本身的模糊性,这些方法并不能准确地判断变压器故障类型,所以如何提高变压器故障诊断的准确率也是目前研究者们需进一步解决的问题。该文以变压器油中溶解气体（DGA）为依据,采用BP神经网络对故障样本进行训练学习,将特征气体和故障类型作为网络的输入层和输出层节点,实现了变压器故障诊断的智能诊断方法。并通过对蚁群算法的改进优化BP神经网络的权值,解决了 BP神经网络训练时间长、易陷入极小值等问题,加快了神经网络的收敛速度,并实现了全局最优。根据各种智能方法自身的优点,将遗传算法、模糊C均值聚类、粒子群算法以及BP神经网络这4种单项诊断方法综合起来,建立融合诊断模型,通过最优权值的计算,对变压器的故障类型进行精确的诊断。经实例分析,证明了该方法对于变压器故障诊断的有效性和可靠性。该文还设计了一套基于光谱吸收法的多组分变压器在线监测系统,该系统采用可调谐半导体激光光谱吸收（TDLAS）的原理,无需载气且测量准确、灵敏度高、稳定性好,能够实现对变压器的快速在线监测。
汤心韵[9]（2019）在《基于灰色关联与熵权融合的变压器故障诊断方法研究》文中认为当前,电力变压器作为重要的电力设备,在其健康状况堪忧、存在的潜在性运行隐患时,若不及时检修更换变压器发生故障部件,则可能引发停电甚至爆炸等事故,对电力系统的安全性、可靠性造成极为严重的后果。因此为保证电力系统的安全可靠运行,需研究出一种有效方法来诊断出变压器内部所具有的潜伏性故障隐患。结合我国三十多年的工程实际应用效果来看,油中溶解分析诊断技术（DGA）已广泛用于检测以绝缘油作为电介质的电气设备的潜伏性故障,其内在的诊断依据是检测变压器是否发生故障的精髓。然而,传统的DGA方法在单一使用时,其诊断范围有局限性,诊断精度较低。例如,气体比值法,对于过热或放电故障诊断的正确率能够达到90%以上。但需进一步找到该故障发生的位置时,则无法对其进行准确地判断。因此,仅依靠上述单一的诊断技术来确定变压器发生故障类型,其精度较低故无法满足工程需求。针对这一问题,本文将传统的DGA诊断技术与人工智能方法相结合。利用灰色关联分析在处理小样本和不良信息样本中的优势和熵权法处理加权问题的优点分析操作变压器的油中溶解气体数据样本,提出了一种基于灰色关联和熵权融合的变压器故障诊断方法。该方法首先建立8种变压器故障状态,并选择8组经吊罩检查已经确定变压器发生故障类型的DGA油色谱数据进行标准化处理得到8种变压器故障状态的标准化样本数据;然后采用无量纲标准化方法处理标准化样本数据,得到8×5阶变压器标准故障状态模型;并求解8种变压器故障状态标准化样本数据的熵权,从而确定5种故障指标的权重;最后,将检测的变压器数据样本进行无量纲标准化处理后结合求得的5种故障指标的标准权重代入计算灰色加权关联度公式,求得待检测数据样本的灰色加权关联度;接着对所求待检测数据样本的灰色加权关联度按照降序排列,即最大灰色加权关联度所对应的标准故障模式下的指标就是本文方法诊断的变压器故障类型。最后对利用该方法检测出故障的待检测样本所对应的变压器进行吊罩检查,通过三个实例的检查结果表明该方法得出的结果与吊罩检查得出的结果一致,结果表明该方法具有很好的工程实用前景。
韩赛赛[10]（2019）在《电力变压器的运行可靠性评估及剩余寿命预测研究》文中研究表明随社会用电需求的不断上升,电力变压器逐渐向特高压、大容量方向发展。电力变压器作为电力系统重要的电压变换设备,其运行可靠性直接影响电网的安全运行。对变压器的运行可靠性及剩余寿命进行有效预测,能够及时发现变压器可能发生的潜伏性故障,有效降低变压器被迫停运所带来的损失。工程实际中,通常以年为单位对变压器进行状态检修,但由于变压器运行可靠性受到绝缘老化、外界环境等多方面因素的影响,短期内也可能存在停运风险,所以,本文分别建立适应短期和中长期预测的变压器动态故障率模型,并根据求出的故障率对变压器剩余寿命进行建模。具体内容如下:（1）通过理论分析和实例计算的方法,分别研究变压器绝缘老化程度、油中气体含量和产期速率、绝缘纸含水量、绕组热点温度、故障时间分布参数对变压器运行可靠性的影响,验证考虑以上影响因素能够有效提高模型预测精度的结论。（2）基于马尔科夫状态转移过程,考虑油中气体含量、绕组热点温度、绝缘纸含水量等影响因素,建立变压器短期故障率预测模型。该模型研究了绝缘老化程度和故障率的定量关系。（3）采用马尔科夫链蒙特卡罗方法对变压器故障周期进行场景模拟,考虑油中气体含量和产气速率、故障时间分布参数等影响因素,建立变压器中长期故障率预测模型。采用模拟方法能够有效避免解析法直接求解的难题。（4）根据预测的变压器故障率,建立变压器无故障时间的剩余寿命预测模型,给变压器状态检修提供直观的变压器健康状况数据。通过各章节的算例分析可以发现:与现有仅考虑油中气体含量数据所建立的变压器故障率模型进行对比,当考虑以上影响因素时,能够充分利用变压器的监测数据,有效提高模型的预测精度,给变压器的状态检修提供符合实际的故障率和剩余寿命数据,并指导选择合适的维修策略。
二、变压器内部潜伏性故障的诊断（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、变压器内部潜伏性故障的诊断（论文提纲范文）
（1）基于智能算法优化的概率神经网络变压器故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景与研究意义 |
| 1.2 故障诊断的国内外研究现状 |
| 1.2.1 传统方式的变压器故障诊断方法 |
| 1.2.2 智能方式的变压器故障诊断方法 |
| 1.3 变压器故障诊断的分析 |
| 1.4 课题研究主要内容 |
| 2 电力变压器常见故障的机理分析及诊断方法 |
| 2.1 变压器类型及常见故障分析 |
| 2.1.1 电力变压器类型 |
| 2.1.2 电力变压器故障原因分析 |
| 2.2 变压器油中气体的相关机理 |
| 2.2.1 油中溶解气体的产生源头 |
| 2.2.2 油中特征气体的产生原理 |
| 2.2.3 油中气体的溶解过程分析 |
| 2.3 变压器内部故障与特征气体的关系 |
| 2.4 基于油中溶解气体分析的故障诊断方法 |
| 2.5 本章小结 |
| 3 基于神经网络的变压器故障诊断方法 |
| 3.1 概率神经网络模型及和拓扑结构分析 |
| 3.1.1 概率神经网络的理论分析 |
| 3.1.2 网络的数学论述及故障诊断模型拓扑结构建立 |
| 3.1.3 概率神经网络的变压器故障识别 |
| 3.1.4 变压器故障诊断实例仿真 |
| 3.2 遗传算法的理论分析 |
| 3.2.1 基本思想 |
| 3.2.2 算法的实现方法 |
| 3.2.3 算法的特点 |
| 3.2.4 遗传算法优化平滑参数 |
| 3.3 基于遗传算法和概率神经网络的变压器故障诊断 |
| 3.3.1 诊断策略 |
| 3.3.2 仿真及结果分析 |
| 3.4 本章小结 |
| 4 基于粗糙集和概率神经网络的变压器故障诊断方法 |
| 4.1 粗糙集理论基础 |
| 4.1.1 粗糙集的理论 |
| 4.1.2 粗糙集的约简及规则 |
| 4.2 结合粗糙集理论与神经网络实现故障诊断 |
| 4.2.1 故障数据的选择 |
| 4.2.2 数据初始处理决策表建立 |
| 4.3 仿真及结果分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 附录 |
（2）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 |
（3）基于非精确概率的变压器故障诊断方法研究（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 变压器故障检测技术 |
| 1.2.1 油中溶解气体分析 |
| 1.2.2 绕组绝缘试验 |
| 1.2.3 变压器油化试验 |
| 1.2.4 局部放电检测 |
| 1.2.5 铁芯接地电流测试 |
| 1.3 电力变压器故障诊断技术 |
| 1.3.1 传统的变压器故障诊断技术 |
| 1.3.2 人工智能的变压器故障诊断技术 |
| 1.4 论文的主要工作与组织结构 |
| 第2章 基本原理与数学模型 |
| 2.1 不确定性、非精确性和随机性的关系 |
| 2.2 非精确概率表达形式 |
| 2.3 非精确Dirichlet模型 |
| 2.4 信度网络 |
| 2.5 信度网络分类器分类原理 |
| 2.6 本章小结 |
| 第3章 变压器故障影响因素提取及分析 |
| 3.1 变压器油色谱试验数据相关性分析 |
| 3.2 变压器绝缘油特性试验数据相关性分析 |
| 3.3 变压器绕组绝缘试验相关性分析 |
| 3.4 变压器铁芯接地电流相关性分析 |
| 3.5 变压器局部放电参数相关性分析 |
| 3.6 本章小结 |
| 第4章 变压器故障诊断模型的建立及在实际电网中的应用 |
| 4.1 变压器故障诊断模型的建立 |
| 4.2 变压器故障诊断信度网络分类器模型的建立 |
| 4.3 利用信度网络分类器进行故障诊断 |
| 4.4 案例分析 |
| 4.4.1 案例1 |
| 4.4.2 案例2 |
| 4.4.3 案例3 |
| 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 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 学位论文评阅及答辩情况表 |
（4）基于细菌觅食算法的电力变压器状态诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 电力变压器故障诊断方法研究现状 |
| 1.2.1 电力变压器故障传统诊断方法 |
| 1.2.2 电力变压器故障智能诊断方法 |
| 1.3 电力变压器故障定位研究现状 |
| 1.4 本文的主要任务 |
| 第二章 细菌觅食算法 |
| 2.1 细菌觅食算法的基本原理 |
| 2.1.1 趋化操作 |
| 2.1.2 复制操作 |
| 2.1.3 迁徙操作 |
| 2.2 细菌觅食算法的步骤流程 |
| 2.3 细菌觅食算法的参数选择与改进步长 |
| 2.3.1 主要参数的选择对算法的影响 |
| 2.3.2 步长的改进 |
| 2.4 细菌觅食算法与其他智能算法的比较 |
| 2.4.1 与粒子群算法的比较 |
| 2.4.2 与遗传算法的比较 |
| 2.5 本章小结 |
| 第三章 基于BFA和支持向量机的电力变压器故障诊断技术 |
| 3.1 电力变压器故障诊断模型 |
| 3.1.1 支持向量机 |
| 3.1.2 电力变压器故障诊断模型的搭建 |
| 3.2 基于细菌觅食算法的支持向量机参数优化 |
| 3.3 细菌觅食算法对支持向量机的优化结果比较 |
| 3.3.1 细菌觅食算法与其他算法比较 |
| 3.3.2 细菌觅食算法优化前后的支持向量机分类能力结果比较 |
| 3.4 细菌觅食算法优化结果验证 |
| 3.4.1 优化参数的可行性验证 |
| 3.4.2 优化模型的准确性验证 |
| 3.5 实例分析 |
| 3.6 本章小结 |
| 第四章 基于BFA和完全二叉树的变压器故障定位技术 |
| 4.1 相关理论分析 |
| 4.1.1 模糊C均值聚类算法 |
| 4.1.2 完全二叉树 |
| 4.2 基于细菌觅食算法的故障定位完全二叉树 |
| 4.2.1 属性变量及故障位置的确定 |
| 4.2.2 基于细菌觅食算法的模糊C均值聚类计算 |
| 4.2.3 变压器故障定位完全二叉树的搭建 |
| 4.3 基于细菌觅食算法的故障定位模型优化训练 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
（5）基于数据挖掘的变压器状态评估与故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本课题研究的意义和目的 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器状态评估研究现状 |
| 1.2.2 电力变压器故障诊断研究现状 |
| 1.3 论文的研究内容及结构安排 |
| 1.3.1 课题来源及研究内容 |
| 1.3.2 论文结构安排 |
| 1.4 本章小结 |
| 第二章 变压器状态评估指标体系构建与数据挖掘 |
| 2.1 变压器状态评估指标体系构建 |
| 2.1.1 状态评估体系建立原则 |
| 2.1.2 油色谱试验 |
| 2.1.3 电气试验 |
| 2.1.4 油化试验 |
| 2.1.5 运检记录 |
| 2.2 数据挖掘在变压器状态检修中的应用 |
| 2.3 数据的预处理 |
| 2.3.1 定量指标的处理 |
| 2.3.2 定性指标的处理 |
| 2.4 本章小结 |
| 第三章 基于组合赋权法的变压器状态评估 |
| 3.1 层次分析法 |
| 3.1.1 层次分析法的产生和发展 |
| 3.1.2 层次分析法实现步骤 |
| 3.1.3 层次分析的优势与缺陷 |
| 3.2 模糊层次分析法 |
| 3.3 改进熵权法 |
| 3.4 BP神经网络 |
| 3.5 基于BP神经网络的变压器组合赋权评估模型 |
| 3.6 实例分析 |
| 3.7 本章小结 |
| 第四章 基于模糊C-均值聚类的变压器故障诊断 |
| 4.1 模糊C-均值聚类理论 |
| 4.2 人群搜索优化算法 |
| 4.2.1 搜索步长 |
| 4.2.2 搜索方向 |
| 4.2.3 个体位置的更新 |
| 4.2.4 人群搜索算法的实现 |
| 4.3 基于人群搜索算法优化模糊C-均值聚类变压器故障诊断 |
| 4.3.1 变压器的故障类型 |
| 4.3.2 变压器的故障特征指标 |
| 4.3.3 基于模糊聚类的变压器故障诊断 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间发表的论文 |
| 攻读学位期间参加的科研项目 |
| 致谢 |
（6）基于多源信息融合的变压器故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本课题研究的意义和目的 |
| 1.2 国内外研究现状 |
| 1.2.1 溶解油中气体分析法研究现状 |
| 1.2.2 多源信息融合分析研究现状 |
| 1.2.3 多源信息融合故障诊断算法研究现状 |
| 1.3 论文的研究内容及结构安排 |
| 1.3.1 课题的研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 基于绝缘油状态的变压器故障诊断 |
| 2.1 概述 |
| 2.2 变压器绝缘油老化状态特征与评估指标 |
| 2.2.1 变压器绝缘油老化特征 |
| 2.2.2 基于变压器绝缘油状态的故障诊断指标体系 |
| 2.2.3 基于变压器绝缘油状态的故障诊断框架 |
| 2.3 基于支持向量机的变压器故障诊断模型 |
| 2.3.1 支持向量机分类理论 |
| 2.3.2 支持向量机的多分类方法 |
| 2.3.3 基于多分类最小二乘的支持向量机故障诊断模型 |
| 2.4 基于蝙蝠算法优化支持向量机的变压器故障诊断模型 |
| 2.4.1 支持向量机的参数优化 |
| 2.4.2 蝙蝠算法优化理论 |
| 2.4.3 基于蝙蝠算法优化的支持向量机故障诊断模型 |
| 2.5 基于改进蝙蝠算法优化支持向量机的变压器故障诊断模型 |
| 2.5.1 改进的蝙蝠优化算法 |
| 2.5.2 基于改进蝙蝠优化支持向量机的故障诊断模型 |
| 2.5.3 算例分析 |
| 2.6 本章小结 |
| 第三章 基于绝缘油和绝缘纸状态变压故障诊断 |
| 3.1 概述 |
| 3.2 变压器绝缘纸老化状态特征与评估指标 |
| 3.2.1 变压器绝缘纸老化状态特征 |
| 3.2.2 基于变压器绝缘纸老化状态变压器故障诊断的评估指标 |
| 3.2.3 基于绝缘纸状态的变压器故障诊断框架 |
| 3.3 基于绝缘纸状态的变压器故障诊断模型 |
| 3.3.1 特征指标 |
| 3.3.2 实例分析 |
| 3.4 基于绝缘油状态和绝缘纸状态的变压器故障诊断模型 |
| 3.4.1 基于绝缘油状态和绝缘纸状态的变压器故障诊断框架 |
| 3.4.2 算例分析 |
| 3.5 本章小结 |
| 第四章 基于多源信息融合的变压器故障诊断 |
| 4.1 概述 |
| 4.2 电力变压器的多源信息融合指标构建 |
| 4.2.1 多源信息融合指标建立的原则 |
| 4.2.2 油色谱指标 |
| 4.2.3 电气试验指标 |
| 4.2.4 油化试验指标 |
| 4.3 基于多源信息融合的变压器故障诊断 |
| 4.3.1 基于多源信息融合的变压器故障诊断框架 |
| 4.3.2 实例诊断与对比分析 |
| 4.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间发表的论文 |
| 攻读学位期间参加的科研项目 |
| 致谢 |
（7）基于混合特征选择和PSO-KELM的电力变压器故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于DGA的变压器故障诊断方法的研究现状 |
| 1.2.2 特征选择技术及其在变压器故障诊断中的研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 变压器故障类型及油中溶解气体分析 |
| 2.1 变压器绝缘油中溶解气体分析 |
| 2.1.1 绝缘油中溶解气体的产生 |
| 2.1.2 油中溶解气体的正常含量和产气速率 |
| 2.2 变压器内部故障与油中溶解气体关系 |
| 2.3 基于DGA的常见变压器故障诊断方法 |
| 2.3.1 四比值法 |
| 2.3.2 IEC三比值法 |
| 2.3.3 大卫三角形法 |
| 2.4 本章小结 |
| 第3章 基于极限学习机的变压器故障诊断方法 |
| 3.1 极限学习机原理 |
| 3.2 基于ELM的变压器故障诊断方法 |
| 3.2.1 基于ELM的变压器故障诊断模型 |
| 3.2.2 隐含层节点个数对ELM模型诊断准确率的影响 |
| 3.3 实验与分析 |
| 3.3.1 诊断结果与方法对比 |
| 3.3.2 一致性和故障分离能力分析 |
| 3.4 本章小结 |
| 第4章 基于特征选择和KELM的电力变压器故障诊断方法 |
| 4.1 核极限学习机 |
| 4.1.1 正则化极限学习机 |
| 4.1.2 核函数的引入 |
| 4.2 故障特征选择方法 |
| 4.2.1 F-score |
| 4.2.2 信息增益 |
| 4.3 基于特征选择和核极限学习机的变压器故障诊断模型 |
| 4.3.1 数据预处理 |
| 4.3.2 特征筛选与组合 |
| 4.3.3 数据转换对诊断结果的影响 |
| 4.3.4 特征选择对诊断结果的影响 |
| 4.4 实验验证 |
| 4.4.1 实验设计一 |
| 4.4.2 实验设计二 |
| 4.5 本章小结 |
| 第5章 基于混合特征选择和PSO-KELM的变压器故障诊断方法 |
| 5.1 粒子群优化算法原理 |
| 5.2 基于混合特征选择的变压器故障诊断方法 |
| 5.3 基于PSO的特征选择和KELM参数优化过程实现 |
| 5.3.1 粒子位置表现形式 |
| 5.3.2 初始化策略 |
| 5.3.3 适应度函数和更新机制 |
| 5.3.4 算法实现流程 |
| 5.4 结果与分析 |
| 5.4.1 初始化策略对故障诊断的影响 |
| 5.4.2 PSO寻优结果 |
| 5.4.3 实验验证 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录 A(油中溶解气体数据) |
（8）最优融合诊断变压器潜伏性故障（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器的状态检修 |
| 1.2.2 变压器的在线监测 |
| 1.2.3 变压器故障诊断 |
| 1.3 论文的结构和章节安排 |
| 第二章 变压器故障诊断原理 |
| 2.1 变压器的内部故障 |
| 2.2 基于油中溶解气体分析的变压器故障诊断 |
| 2.2.1 IEC三比值法 |
| 2.2.2 IEC 60599比值法 |
| 2.2.3 Dornenburg 比值法 |
| 2.2.4 大卫三角形法则 |
| 2.3 本章小结 |
| 第三章 基于BP神经网络诊断变压器潜伏性故障 |
| 3.1 BP神经网络的原理 |
| 3.1.1 BP神经网络的概念 |
| 3.1.2 BP神经网络流程 |
| 3.1.3 BP网络输入与输出关系 |
| 3.1.4 BP神经网络的学习过程 |
| 3.2 BP神经网络诊断模型的建立 |
| 3.2.1 BP网络诊断模型的输入节点 |
| 3.2.2 BP网络诊断模型的输出层节点 |
| 3.2.3 BP网络诊断模型的隐含层节点 |
| 3.3 BP神经网络诊断变压器故障实例分析 |
| 3.4 本章小结 |
| 第四章 基于CACO优化BP神经网络诊断变压器故障 |
| 4.1 蚁群算法 |
| 4.1.1 蚁群算法的概念 |
| 4.1.2 蚁群算法的原理 |
| 4.2 蚁群算法的改进 |
| 4.2.1 精英策略的蚂蚁系统 |
| 4.2.2 最大-最小蚂蚁系统 |
| 4.2.3 组合蚁群算法 |
| 4.3 CACO优化BP网络的训练算法 |
| 4.3.1 CACO优化BP网络参数的设定 |
| 4.3.2 CACO优化BP网络训练算法的具体步骤 |
| 4.4 CACO优化BP网络诊断变压器故障 |
| 4.4.1 CACO优化BP网络的节点设定 |
| 4.4.2 CACO优化BP网络的故障实例分析 |
| 4.5 本章小结 |
| 第五章 基于光谱吸收法的变压器油中溶解气体在线监测装置 |
| 5.1 变压器油中溶解气体在线监测系统基本原理 |
| 5.1.1 动态顶空脱气原理 |
| 5.1.2 基于TDLAS的多组分气体监测原理 |
| 5.1.3 波长调制光谱技术 |
| 5.2 变压器油中溶解气体在线监测装置设计 |
| 5.2.1 装置的总体设计 |
| 5.2.2 动态顶空脱气装置设计 |
| 5.2.3 基于TDLAS的多组分气体监测系统设计 |
| 5.3 变压器油中溶解气体在线监测装置实验 |
| 5.3.1 油中气体灵敏度测试原理 |
| 5.3.2 气体灵敏度测试实验 |
| 5.4 本章小结 |
| 第六章 基于最优融合诊断模型的变压器故障诊断研究 |
| 6.1 单项诊断方法 |
| 6.1.1 遗传算法 |
| 6.1.2 模糊C均值聚类 |
| 6.1.3 粒子群算法 |
| 6.1.4 BP神经网络 |
| 6.2 最优融合诊断模型的建立 |
| 6.3 融合诊断模型实例分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的学术论文目录 |
| 附录B 攻读学位期间获得的奖项 |
| 附录C 攻读学位期间参与的科研项目 |
（9）基于灰色关联与熵权融合的变压器故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器故障诊断传统方法及其研究现状 |
| 1.2.2 变压器故障诊断智能方法及其研究现状 |
| 1.3 本文的主要工作 |
| 第二章 变压器油中溶解特征气体和故障分析 |
| 2.1 变压器油中气体的来源 |
| 2.1.1 油中溶解的气体 |
| 2.1.2 运行中产生的气体 |
| 2.2 绝缘材料分解产气原理 |
| 2.2.1 绝缘油分解产气机理 |
| 2.2.2 绝缘纸板的老化分解以及产气原理 |
| 2.3 变压器的故障与产气特征 |
| 2.3.1 变压器电气性故障及产气特征 |
| 2.3.2 变压器过热性故障及产气特征 |
| 2.4 变压器故障诊断方法 |
| 2.4.1 常规的变压器故障诊断方法 |
| 2.4.2 新型的变压器故障诊断方法 |
| 2.5 本章小结 |
| 第三章 基于灰色关联和熵权融合的变压器故障诊断 |
| 3.1 熵权法 |
| 3.1.1 熵思想及信息熵 |
| 3.1.2 熵权法的计算核心 |
| 3.2 灰色关联分析 |
| 3.2.1 关联系数和关联度 |
| 3.2.2 数据变换 |
| 3.2.3 优势分析 |
| 3.2.4 邓氏关联度 |
| 3.2.5 新型灰色关联度 |
| 3.3 灰色关联分析的主要步骤 |
| 3.3.1 灰色关联分析前的数据预处理 |
| 3.4 变压器故障诊断 |
| 3.4.1 熵权法计算指标权重 |
| 3.4.2 计算故障指标的灰色加权关联度 |
| 3.4.3 变压器故障诊断流程 |
| 3.5 本章小结 |
| 第四章 变压器故障的诊断实例 |
| 4.1 诊断实例1 |
| 4.2 诊断实例2 |
| 4.3 诊断实例3 |
| 4.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的论文目录 |
| 附录B 攻读硕士学位期间所获的奖项 |
（10）电力变压器的运行可靠性评估及剩余寿命预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文选题背景及其研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器运行可靠性研究现状 |
| 1.2.2 变压器运行寿命研究现状 |
| 1.3 本文研究内容 |
| 第2章 变压器内部潜伏性故障率影响因素分析 |
| 2.1 绝缘老化程度与维修策略 |
| 2.2 油中气体含量与产气速率 |
| 2.3 绝缘纸含水量 |
| 2.4 绝缘绕组热点温度 |
| 2.5 故障时间分布参数 |
| 2.6 本章小结 |
| 第3章 变压器短期故障率预测模型 |
| 3.1 表征变压器健康状况的时变状态转移速率 |
| 3.2 基于马尔科夫过程的变压器短期故障率模型 |
| 3.2.1 建立马尔科夫状态转移方程 |
| 3.2.2 求解变压器故障率 |
| 3.3 算例分析 |
| 3.3.1 变压器运行在良好状态和警告状态故障率 |
| 3.3.2 变压器运行在危险状态故障率 |
| 3.4 模型对比 |
| 3.5 本章小结 |
| 第4章 变压器中长期故障率预测模型 |
| 4.1 马尔可夫链蒙特卡罗模拟法(MCMC) |
| 4.1.1 原理分析 |
| 4.1.2 状态转移矩阵P和接收概率α公式推导 |
| 4.1.3 收敛性分析 |
| 4.2 建立适应中长期预测的变压器故障率模型 |
| 4.3 算例分析 |
| 4.3.1 场景模拟 |
| 4.3.2 求取模型参数 |
| 4.3.3 中长期故障率预测 |
| 4.4 本章小结 |
| 第5章 变压器无故障时间的剩余寿命预测模型 |
| 5.1 变压器无故障时间的剩余寿命分析 |
| 5.2 变压器无故障时间的剩余寿命预测模型 |
| 5.3 算例分析 |
| 5.3.1 变压器故障率的预测 |
| 5.3.2 运行可靠性与剩余寿命的预测 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 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 |
四、变压器内部潜伏性故障的诊断（论文参考文献）
- [1]基于智能算法优化的概率神经网络变压器故障诊断研究[D]. 张智恒. 西安理工大学, 2021(01)
- [2]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)
- [3]基于非精确概率的变压器故障诊断方法研究[D]. 安滨. 山东大学, 2019(02)
- [4]基于细菌觅食算法的电力变压器状态诊断技术研究[D]. 董方旭. 山东理工大学, 2019(03)
- [5]基于数据挖掘的变压器状态评估与故障诊断方法研究[D]. 梁浩浩. 广东工业大学, 2019(02)
- [6]基于多源信息融合的变压器故障诊断方法研究[D]. 祝青. 广东工业大学, 2019(02)
- [7]基于混合特征选择和PSO-KELM的电力变压器故障诊断方法研究[D]. 易思齐. 湖南大学, 2019(06)
- [8]最优融合诊断变压器潜伏性故障[D]. 曾植. 长沙理工大学, 2019(07)
- [9]基于灰色关联与熵权融合的变压器故障诊断方法研究[D]. 汤心韵. 长沙理工大学, 2019(07)
- [10]电力变压器的运行可靠性评估及剩余寿命预测研究[D]. 韩赛赛. 华北电力大学(北京), 2019(01)