学位论文 > 优秀研究生学位论文题录展示

基于改进的灰关联分析理论与Elman神经网络的变压器故障诊断研究

作　者: 孙婧雅
导　师: 倪远平
学　校: 昆明理工大学
专　业: 控制理论与控制工程
关键词: 变压器油中气体分析故障诊断灰关联分析理论 Elman神经网络
分类号: TM407
类　型: 硕士论文
年　份: 2009年
下　载: 84次
引　用: 0次
阅　读: 论文下载

内容摘要

电力变压器安全稳定的运行是确保正常电力供应和社会生产生活的基础。及时准确地发现变压器内部的潜在故障,提高对变压器的维护水平具有重要的现实意义。本文基于油中气体分析原理,将改进的灰色关联分析理论和Elman神经网络应用于变压器故障诊断中,在一定程度上提高了故障识别率。灰关联分析的基本思想是根据曲线间相似度来判断因素间的关联程度。本文应用灰关联分析理论,根据变压器标准故障模式对待检模式关联度的大小来判断故障类型。针对传统方法的弱点,先对关联度分辨系数进行改进,使其能够更好地体现系统的整体性和关联性,再引入距离分析法,采用非匀权重的形式求取关联度,弥补了等权重形式求取关联度产生的局部点倾向和信息损失等不足。将改进的灰关联算法应用于变压器故障诊断中,诊断率有所提高。人工神经网络在故障诊断领域应用广泛。本文采用具有内部反馈连接的Elman网络进行变压器故障诊断,这种反馈连接使其对历史状态的数据具有敏感性。由于Elman网络是采用BP算法进行权值和阈值的修正,易收敛至局部最小点,因此本文建立了加入动量项的Elman网络诊断模型,即在网络修正权值时加入动量项。另外,考虑到Levenberg-Marquardt (LM)算法利用了近似的二阶导数信息,收敛速度快,因此尝试将LM算法引入到Elman神经网络中进行权值和阈值的学习,建立了LM-Elman神经网络诊断模型。最后,对训练好的神经网络模型进行测试,结果表明,改进的Elman神经网络诊断模型相比BP神经网络能更好地检验出变压器的故障类型,具有一定优势。本文对变压器故障诊断研究作了有益的尝试,在提高变压器安全、经济运行水平和电力系统的可靠性等方面具有一定的实际意义。

全文目录

摘要  4-5
Abstract  5-7
目录  7-10
第一章绪论  10-14
  1.1 论文的研究背景  10-11
  1.2 国内外研究现状  11-12
    1.2.1 变压器故障诊断的研究现状  11
    1.2.2 人工智能应用于变压器故障诊断的研究现状  11-12
  1.3 论文研究的主要内容  12-13
  1.4 论文的安排结构  13-14
第二章变压器油中溶解气体故障分析技术  14-26
  2.1 变压器常见故障类型与诊断方法  14-15
  2.2 变压器油中溶解气体分析方法原理  15-18
    2.2.1 正常变压器油中气体含量  15-16
    2.2.2 油中溶解气体分析方法  16-17
    2.2.3 变压器内部故障类型与油中气体含量的关系  17-18
  2.3 油中溶解气体分析的判断过程  18-24
    2.3.1 判定有无故障  18-19
    2.3.2 故障发展趋势的估计  19-20
    2.3.3 故障类型判断的主要方法  20-24
      2.3.3.1 特征气体判断法  20-21
      2.3.3.2 比值法  21-23
      2.3.3.3 综合判断  23-24
  2.4 油中溶解气体分析方法的不足  24-25
  2.5 本章小结  25-26
第三章基于灰关联分析理论的变压器故障诊断  26-46
  3.1 灰色系统理论概述  26-27
    3.1.1 灰色系统的基本概念  26-27
    3.1.2 灰色系统基本原理  27
    3.1.3 灰色系统理论主要内容  27
  3.2 灰关联分析理论的原理及关联度量化模型  27-31
    3.2.1 灰关联分析理论原理  27-28
    3.2.2 关联度量化模型  28-31
  3.3 基于灰关联分析理论的变压器故障诊断  31-37
    3.3.1 灰关联分析理论用于变压器故障诊断的可行性  31
    3.3.2 基于灰关联分析理论的变压器故障诊断模型  31-37
      3.3.2.1 构造标准故障模式向量并建立诊断用的标准谱  32-33
      3.3.2.2 利用灰关联分析法的变压器故障诊断步骤  33-34
      3.3.2.3 诊断实例及分析  34-37
  3.4 基于改进的灰色关联理论的变压器故障诊断  37-45
    3.4.1 灰色关联度算法的改进  37-42
      3.4.1.1 灰色系统关联度的分辨系数的改进  37-39
      3.4.1.2 关联度计算的改进  39-42
    3.4.2 改进的灰关联算法用于变压器故障诊断  42-45
  3.5 变压器故障诊断结果比较与分析  45
  3.6 本章小结  45-46
第四章基于Elman神经网络的变压器故障诊断  46-70
  4.1 人工神经网络简介  46-50
    4.1.1 神经网络的结构  46-47
      4.1.1.1 前馈型网络  46-47
      4.1.1.2 反馈型网络  47
    4.1.2 神经网络的特征  47-48
    4.1.3 神经网络的工作方式  48
    4.1.4 神经网络的学习方式  48-49
    4.1.5 神经网络的分类  49-50
      4.1.5.1 静态神经网络  49
      4.1.5.2 动态神经网络  49-50
  4.2 BP神经网络和Elman神经网络模型  50-58
    4.2.1 BP神经网络模型及算法  50-55
      4.2.1.1 三层BP网络模型  50-51
      4.2.1.2 BP网络学习算法  51-55
    4.2.2 Elman神经网络模型及算法  55-58
      4.2.2.1 Elman网络基本结构  55-56
      4.2.2.2 Elman网络学习过程与算法  56-58
  4.3 改进的Elman神经网络学习算法  58-60
    4.3.1 加入动量项的Elman网络  58
    4.3.2 LM-Elman网络模型  58-60
      4.3.2.1 LM-Elman算法原理  58-60
      4.3.2.2 LM-Elman算法实现步骤  60
  4.4 Elman神经网络在变压器故障诊断中的应用  60-69
    4.4.1 神经网络用于变压器故障诊断的可行性  60-61
    4.4.2 基于Elman神经网络的变压器故障诊断  61-63
      4.4.2.1 输入层与输出层的设计  61
      4.4.2.2 数据预处理  61-62
      4.4.2.3 传递函数的选择  62
      4.4.2.4 隐含层设计  62-63
    4.4.3 改进的Elman神经网络变压器故障诊断及MATLAB仿真  63-65
      4.4.3.1 基于加入动量项Elman神经网络的变压器故障诊断  63-64
      4.4.3.2 基于LM-Elman神经网络的变压器故障诊断  64-65
      4.4.3.3 基于BP神经网络的变压器故障诊断  65
    4.4.4 几种诊断方法结果比较分析  65-69
      4.4.4.1 三种网络变压器故障诊断结果  65-69
      4.4.4.2 仿真结果分析  69
  4.5 本章小结  69-70
第五章结论与展望  70-72
致谢  72-73
参考文献  73-77
附录:攻读学位期间发表论文  77

基于改进的灰关联分析理论与Elman神经网络的变压器故障诊断研究

内容摘要

全文目录

相似论文