一、基于粗糙集理论的电力变压器绝缘故障诊断（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》文中指出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。
解宵[2]（2021）在《面向电力变压器油色谱数据特征参量的研究》文中进行了进一步梳理电力变压器（PowerTransformer）是供电系统的枢纽,对其进行及时检测和准确诊断不仅为电力变压器正常运行和实施状态检修提供了基础,而且对于人民的生活、社会的稳定也有着重要的意义。目前,变压器在线故障诊断常用的方法是油中溶解气体分析（Dissolved Gas Analysis,DGA）,但是传统的DGA比值方法存在着所建立的编码组合表并不能覆盖所有的故障类型,在实际应用中存在一些编码组合在编码表里找不到对应类型以及不同文献中对于诊断模型的训练所选用的输入特征有差异。对于以上研究中存在的不足,本文从输入特征着手研究,将优选的特征组合与支持向量机多分类模型结合,选择最优的特征组合来训练变压器故障模型,进一步提高变压器的准确诊断。本文将进行以下几个内容研究:针对于不同文献所采用的特征组合各不相同,忽略了所选用的特征组合是否能有效反映故障类型这一问题,通过阅读大量文献并且结合《大型电力变压器故障诊断及案例》,建立了一个基于DGA的故障特征集,为后续方法提供一个特征寻优的空间。其次,结合了信息增益和F-Score两种评价函数来对故障特征进行定量计算,通过计算后的数值对故障特征进行排序,引入了支持向量机多分类模型来对排序后的特征进行验证。实验分别从不同的特征集及常用的分类器方法进行了对比验证,实验结果发现了优选后的特征组合相较于传统的特征参量训练得到的模型性能更优,提高了故障诊断模型的识别率。最后,考虑到Filter模型仅仅是通过对特征进行定量计算从而来筛选特征,忽视了不同特征间的组合关系以及与训练模型的紧密结合。故引入粒子群算法（Particle Swarm Optimization,PSO）与支持向量机（Support Vector Machine,SVM）算法,设计了一个 PSO 与SVM结合的特征优选的变压器故障诊断算法。利用离散粒子群算法对特征进行寻优的同时用标准粒子群算法进行支持向量机参数的优化,采用五折交叉验证的结果来对所选的特征组合进行评估。实验从气体组合、气体比值组合、故障实例及文献[16]进行对比分析,实验结果表明:特征选择后的子集故障诊断率较气体含量、IEC比值提高了 11%到23%左右,相较于常用的几种故障特征具有更好的诊断性能;较文献[16]故障诊断率提升了 8%。考虑到在实际现场应用中数据缺失的情况下,会影响变压器故障诊断的结果,分析几种常用的插补方法后,引入K-近邻算法（K-Nearest Neighbor,KNN）来对缺失数据进行填补。实验结果表明该方法对于缺失数据存在的情况下有较好的表现能力,能在缺失数据存在的情况下对变压器故障诊断提供一定的帮助。
谢鹏[3]（2020）在《基于数据和模型的油浸式电力变压器健康管理系统研究》文中研究指明油浸式电力变压器在电网中的广泛使用,使其安全可靠性成为影响电网供电可靠性和供电质量的关键性因素之一,长期以来,油浸式电力变压器的健康管理一直倍受关注。由于变压器生产厂家、工艺、电压等级、容量等的多样化,以及运行环境的复杂化,变压器健康管理一直占据电网企业大量的资源。在智能电网背景下,新一代信息技术的飞速发展促进了智慧变电站的建设,使变压器运行状态的实时在线监测成为了可能,从而为变压器健康管理奠定了物理基础。本文立足于油浸式电力变压器预测性管理（prognostics and health management,PHM）的应用场景,开展变压器健康管理系统关键理论技术研究,在此基础上,充分利用先进的计算机、通信等信息技术,开发变压器PHM平台,以有效提高电网企业对变压器资产的管理水平和效率。本文的主要研究内容包括以下几个方面:（1）针对单一变压器属性难以有效、准确地实现变压器状态评估的问题,对变压器的多属性特性进行了分析,并给各属性分配适当的权重。在此基础上,提出了基于模糊逻辑的变压器多属性状态评估模型。该模型具有输入参数个数较少、模糊规则简单、评估结果准确可靠的优点。本文提出的方法克服了以往模糊逻辑模型和传统变压器健康评估方法的不足。变压器现场数据的检测结果检验了所提模型的正确性和可行性。（2）针对计算变压器热点温度的经验公式中对散热电阻的分析和取值较为简单,不能充分反映负载、环境等因素对温度的影响,致使计算结果误差相对较大的问题,研究不同负载电流下、不同冷却方式、不同内部温度下变压器内部传热方式与机理,提出考虑多因素条件下散热电阻的计算方法,进而构建综合考虑不同运行工况下变压器的改进热路模型,给出了基于改进模型的顶油和热点温度求解方法,并对计算结果进行准确性评估。结果表明,采用提出的改进模型计算得到的变压器顶油和热点温度与其实际值之差不超过2.2K,也即提出的散热电阻计算方法能有效提高热路模型的精确度。（3）分析了三种常见的基于油中溶解气体的变压器故障诊断方法;研究了遗传算法基本原理及其易陷于局部最优解的不足,提出一种交叉和变异概率、个体繁殖数量能够依适度值自适应调整的改进方法,仿真结果表明,改进方法显着提高了算法的全局搜索能力;利用提出的改进遗传算法优化BP神经网络的初始权值和阈值,建立基于改进遗传算法优化BP网络的变压器故障诊断模型,有效解决了BP神经网络收敛速度缓慢且精确度较差的问题,通过与已有的三种典型的故障诊断方法进行对比分析,结果表明提出的诊断模型具有更高的诊断速度和准确度。（4）利用提出的考虑不同工况下的变压器热路模型,建立了基于热点温度分析的变压器绝缘寿命评估模型;设计了一种热因素条件下油纸绝缘老化试验,提取基于脉冲相位分布模式的四个统计图谱共27个特征量,并通过因子分析法获取10个主成分因子,从而建立基于改进遗传算法优化BP神经网络的油浸式电力变压器油纸寿命评估方法,试验结果表明提出的方法诊断效果较好;分析了Weibull分布与电气设备寿命统计学规律的相关性,建立了基于Weibull分布的电力变压器寿命预测模型,利用收集的某电网电力变压器故障数据,检验了利用Weibull分布进行变压器寿命评估的有效性。（5）基于变压器PHM管理在线、实时化的需要,利用先进的信息网络技术,开发了变压器PHM管理系统。阐述了PHM管理平台开发所涉及关键技术理论和设计原则,基于PHM功能需求和技术资源现状,规划了平台总体架构和功能模块。通过将开发的PHM云平台对某变电站变压器联网试运行,运行结果表明,开发的平台有效提高了变压器运行状态监控水平,提升了变压器的管理效率。
钟圆美惠[4]（2020）在《基于带电检测技术的变压器和电缆故障诊断研究》文中研究指明随着电力工业的不断发展,保障电力设备安全稳定运行具有十分重大的意义,变压器和电缆的故障诊断是电力保障的重要一环,传统的带电检测手段信息太多,且故障发生存在一定概率,难以对变压器和电缆开展综合分析。针对以上情况,本文通过构建粗糙集故障诊断模型,挖掘事物的潜在规律,并引入具有概率推理知识的贝叶斯网络,构建了基于粗糙集理论与贝叶斯网络的变压器和电缆故障联合诊断模型,同时针对数据存在认知不确定性,引入区域模型和可靠性分析。本文首先对变压器和电缆的带电检测原理和应用进行总结,并对变压器放电类、过热类、受潮类、老化类、劣化类、绕组变形等故障类型以及电缆的接地、断线、绝缘、受潮、短路等故障特征进行划分,构建了基于带电检测技术的故障条件属性和决策属性;其次,研究了粗糙集理论模型,并对粗糙集信息表的约简和分类进行推导,通过实际案例验证了该方法的有效性;接着,研究了贝叶斯网络模型,对该模型的朴素、半朴素、增强的朴素、树形增强的朴素四类贝叶斯分类器进行对比,并通过实际案例分析该理论模型的构建策略;随后,构建了基于粗糙集和贝叶斯理论结合的设备故障诊断模型,搭建了基于带电检测技术的变压器和电缆的故障属性集和故障类型集,计算出了变压器和电缆的故障连接关系,并画出了贝叶斯网络结构图,通过实际案例验证了该模型的准确性,利用历史故障对传统油色谱分析、粗糙集理论、贝叶斯网络和本算法进行诊断结果对比,证明本算法具有更高的准确性;最后,结合现场实际案例进行实际应用,组合带电检测特征分析技术和本论文模型,分析结果表明,基于粗糙集和贝叶斯理论的设备故障诊断模型确实能够辅助现场进行故障诊断,但当数据存在认知不确定性时,会对结果造成误判,最后通过引入三角模糊数和可靠性分析,对已判断的结果进行可靠性分析,降低误判带来的影响。
张洋[5]（2019）在《支持向量机和相关向量机在变压器油溶解气体分析中的应用研究》文中进行了进一步梳理对变压器进行在线监测、故障分析诊断等能够及时了解电力变压器的实时状态,发现各类潜伏性故障,从而为电网的安全稳定运行提供可靠保障。变压器中溶解气体分析方法（Dissolved Gas Analysis,DGA）是变压器故障分析诊断的重要方法之一,通过对油中所溶解各类特征气体的类型与含量进行分析对比,可以在某种程度上反映出变压器内部隐患,本文对变压器故障诊断进行研究。首先探讨变压器油中溶解气体产生机理、变压器各类故障与油中产生气体类型含量之间的相应关系。分析DGA传统诊断方式,研究油浸式电力变压器传统诊断三比值法和改良三比值法的特性。对于新兴的一系列现代化诊断手段,以神经网络诊断方法为例进行了优缺点对比分析。其次,为了进一步增加诊断的准确度,应用支持向量机进行DGA分析,探讨支持向量机在DGA应用的诊断效果,仿真显示基于支持向量机（Support Vector Machine,SVM）的DGA故障判定具有较高的正确率,证实了SVM的方法的可行性,并提出增强其准确率的改进方法以及进行进一步分析。最后,将相关向量机（Relevance Vector Machine,RVM）应用到油浸式电力变压器故障诊断之中,并对诊断效果进行探讨,同时运用大量的实测数据将传统常用改良三比值法、BP神经网络法与支持向量机、相关向量机方法作对比分析,对各种方法的准确性进行探讨。结果证实改良后的支持向量机法与相关向量机方法具有较高的准确性,优于传统的诊断方法,具有良好的可行性。
王者[6]（2019）在《基于数据挖掘技术的变电站巡检机器人故障分析与自主特巡系统》文中研究表明近年来,随着智能电网的建设和变电站人工替代技术的推广,变电站自动巡检机器人在各级变电站得到广泛应用。然而目前的巡检机器人系统并不能自动查找分析故障隐患设备,只能对已出现缺陷的设备生成报告,很多隐患设备只能通过人工方式预测排查,因而加重了运维人员的生产负担。为了强化机器人在变电站巡检工作中的利用效率,使巡检机器人更好地服务于运维工作,减轻人员负担,本文提出利用数据挖掘技术分析变电站运行数据,使巡检机器人系统能够自主完成故障诊断,寻找相关巡视点,并制定特巡计划。主要工作如下:第一,构建变电站三方综合数据库。为了收集数据挖掘过程所需的设备运行数据,将生产系统、监控后台、机器人巡视三方数据进行整合,去除噪声干扰后形成综合数据库,用于挖掘缺陷设备。以机器人后台为综合数据库数据分析平台,优化机器人采样数据库,制定更为科学的巡视策略,提高巡检机器人巡视效率,并依托靶向采集数据,提高综合数据库样本质量。同时,基于生产管理系统构建知识信息库和故障信息库,为缺陷等级分类和挖掘缺陷相关的故障点提供依据。第二,完成设备故障挖掘。深入研究数据挖掘应用,筛选适合故障分析的方法,确定以粗糙集和故障树相结合的数据挖掘方法。利用粗糙集方法有效解决变电站运行数据噪声多、种类复杂等问题,并采用故障树方法实现对设备故障类型的挖掘。以实现变压器自主状态评价为例,结合专家评估以及设备检修专业知识库（国家电网公司变电检测管理规定、变电站现场规程）等,探讨能够实现机器人后台系统自动判断故障的故障树构建方法。第三,完成故障相关巡视点关联算法。通过知识信息库中的缺陷等级分类确定各个故障的巡视期限与周期,介绍了故障信息库与生产系统中台账信息相关联的必要性、关联度挖掘的相关算法。经过比较证明,FP-growth算法相比Apriori算法不会产生候选频繁集,挖掘效率更高。最终提出利用FP-growth算法对故障信息库进行挖掘的方案,通过挖掘故障巡视点之间的关联信息筛选应该巡视的位置,确定故障发生后应该巡视的所有巡视点并进行优先级排序。第四,完成机器人特巡策略制定和路线规划。探讨解决多个特巡计划的路径优化方法,并进行仿真验证比较,由于蚁群算法能够优化Dijkstra算法的局部最优解,最终决定使用Dijkstra算法配合蚁群算法完成多故障设备特巡路线优化,使得机器人可在不影响每日例行巡视的基础上,自动对后台分析系统判定的故障设备巡视点进行最优化策略特巡。
安滨[7]（2019）在《基于非精确概率的变压器故障诊断方法研究》文中提出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。
董冰[8]（2019）在《基于贝叶斯网络的电力变压器故障诊断》文中指出电网稳定运行需要系统中各设备的协调配合,变压器作为电网中的能量交换设备,其运行状况对电网有直接的影响。并且随着电力变压器电压等级更高、结构更复杂,其故障也变得更加复杂化和多样化,故障原因与故障征兆之间的关系也更加不易探究,因此很难采集到完整无误的故障样本,这便大大增加了变压器故障诊断的难度。因此,本文在分析了电力变压器故障诊断的各类方法后,选择以改良三比值法为基础,利用贝叶斯网络处理因果关系简洁明了的优势,以朴素贝叶斯网络来构建故障诊断网络模型,并利用概率计算对变量间的关系进行量化,使其对于判断电力变压器运行过程中出现的不确定因素所引起的故障具有了明显优势;在此基础上又结合了粗糙集理论对该网络模型进行了进一步的改进,充分利用粗糙集理论的属性约简功能对所构建的故障诊断模型简化处理,大大减少了网络模型的节点数,降低模型结构的复杂性,以此来提高网络的学习速度及判断能力。为了验证将朴素贝叶斯网络与粗糙集理论相结合的诊断方法是否能够提高处理不完整信息的能力,本文通过收集大量变压器故障数据样本,利用Matlab仿真软件对所收集的数据样本进行训练和测试,并且将仿真结果与仅使用朴素贝叶斯网络方法进行诊断的仿真结果进行了对照,验证了本文提出的验证了本文所提出的方法能够有效的克服信息缺失或者不完整对变压器故障诊断所造成的困难,有效提升了故障诊断的准确性。
吴孟灿[9]（2019）在《基于神经网络的变压器故障诊断》文中指出电力行业是各领域发展的先行行业,也是国民经济得以持续稳定发展的基石。当代对电力系统的要求变得越来越高,这也使得电力系统逐渐向大容量、超高压和跨区域的方向发展。变压器作为电力系统的核心设备,其正常工作是能够保证电力系统安全、可靠、高质量的运行的重要因素。人们通过早期故障诊断可以及时的查出变压器内部的早期故障,并且评估其运行状态,从而为负荷的调度提供更多的决策参考,并以此制定状态检修计划。本次研究也将油中溶解气体分析与神经网络技术相结合,利用人工神经网络本身所具有自主学习性、非线性等优点,便可以实现在线监测变压器状态的功能,也会在故障初期检测到正在发展中的缺陷,从而达到对变压器故障更及时、更精准、更智能的检测。与此同时,为了提高故障诊断的效率和诊断速度,本文提出神经网络与粗糙集相结合的方法,将庞大的故障样本利用粗糙集理论进行约简,将通过粗糙集约减而得到的规模较小的约简决策表作为神经网络的训练样本,并将此过程建立成变压器故障诊断模型,从而对变压器的故障进行诊断。针对现今变压器故障诊断方法准确度较低的问题,本文采用基于神经网络的故障诊断与基于粗糙集和神经网络的故障诊断分别仿真,并将结果加以对比,采用相同的故障样本数据,通过建立神经网络的诊断仿真,得出两种方法的诊断精度、诊断步长等,并以此分析对比两种方法的仿真过程和结果,仿真结果证明了后者更高效、更精确,并具有更高的实用价值。
荣智海[10]（2020）在《基于油色谱监测数据的变压器差异化评价及分层诊断方法》文中研究指明电力变压器在电力系统中十分重要的枢纽,其性能的好坏直接影响着电力系统的安全稳定运行。随着电网扩张,大量变压器投入,故障变压器台次逐年递增,如不加以遏制,将会导致巨大的经济损失,因此有必要掌握变压器运行状态,准确识别故障类型及严重程度。油色谱分析法可灵敏识别变压器内部放电及过热异常,已成为变压器主要监测手段。在线油色谱分析作为离线色谱检测技术的发展,克服离线采样周期长,检测程序复杂等缺点,已得到了电网企业的推广,运行和检修人员获得了前所未有的海量数据,为设备的运行和检修提供了丰富的信息。但是存在大量异常运行监测装置阻碍了运维人员对变压器运行状态的掌握,这些异常监测装置数量众多并且难以识别。在此基础上,建立基于KPCA油色谱监测装置异常识别方法,该方法利用核函数对在线油色谱数据压缩变换,结合主成分分析构造的判断指标识别异常数据,提取异常数据片段对比监测装置异常工作数据特征识别异常监测装置,该方法可有效识别幅度最低为5%的阶跃突变,快速准确识别监测装置异常,对120万数据识别时间为现有方法的10%。应用该方法检查出某区域电网715台监测设备中的69台异常监测装置,识别准确率达95.7%。剔除异常监测装置以后,需要对异常的变压器进行筛选,快速锁定可能存在问题的变压器,不同于离线监测数据,在线数据存在较强波动。针对现有方法在强波动下难以准确识别异常状态的问题,提出基于Canopy模型的变压器异常识别方法,引入波动系数量化特征气体变化情况,建立基于波动系数的变权高维空间弱化监测误差较大的特征气体影响,最终在高维空间上利用Canopy模型识别变压器异常,该方法适用于存在数据缺失及数据波动大的现场情况,有效抑制状态变化边界处数据波动,比现有方法具有更好的聚类效果,提高22%聚类轮廓系数,有效识别未达到标准阈值的过热异常。算法时间复杂度函数表明,算法具有更高的效率,运算时间仅为K-Means的41%。筛选出存在异常的变压器,采用阈值评价法判断是否内部出现故障。过去由于离线数据较少,需要对变压器群体油色谱数据统计计算阈值,然而不同的变压器材料、结构,投运后负荷、运行工况不尽相同,特征气体含量差别很大,变压器群体统计数据无法代表单台状况,特殊个例下阈值会出现漏报误报的情况。如今大量油色谱在线监测装置的引进和应用,单台设备历史在线数据量已可以计算阈值,但是单台变压器数据分布未知并且故障分界点难以确定。针对这些问题,本文搭建了油色谱正常-故障产气平台,模拟正常及放电故障下产气发展过程,发现正常变压器特征气体满足三参数威布尔分布模型。设计针板、柱板缺陷模型,研究变压器油色谱含量随内部缺陷发展的变化关系,发现随放电缺陷发展特征气体存在三个阶段变化趋势,根据严重程度区分为起始、发展及严重阶段;在放电起始阶段,无特征气体产生,在放电发展阶段,H2,C2H2线性增长,在放电严重阶段,所有特征气体均大幅增长。根据放电阶段提出基于P-R曲线的发展/严重阶段累计分布概率计算方法,结合威布尔函数建立差异化色谱阈值计算方法,有针对性的判断变压器是否存在内部故障,计算某110kV变压器差异化阈值,有效识别该变压器火花放电缺陷。针对部分在线设备数据较少难以拟合的情况,提出基于分类水平的差异化分类方法,实现同类在线数据扩充,提高数据拟合度,相对于现行阈值,使用差异化阈值能够有效减少误报、漏报的发生。对于已经确定存在故障的变压器,需要精确判断故障类型及严重程度。针对当前诊断方法故障识别效果不佳的问题,引入深度学习模型诊断油色谱故障。利用查全率及查准率作为油色谱故障类混淆误判评价指标,建立DBN故障诊断最优特征量及参数选取策略,分析深度信念网络对于油色谱故障的诊断效果,发现DBN对于色谱多分类存在的特征提取不充分的问题。针对该问题建立基于组合DBN的油色谱故障诊断方法,该方法将故障诊断过程分为两个步骤,即故障类型识别及严重程度识别。网络第一层由1个DBN识别故障类型,第二层由3个DBN分别识别不同故障类型的严重程度。组合DBN较单一 DBN油色谱故障诊断局放类故障查全率提升20%,查准率提升16.6%;火花类故障查全率提升15.1%,查准率提升18.6%;低温故障查全率提升11.5%,查准率提升16.6%,组合DBN能准确判断的故障类型,并且总准确率较三比值可提高18.6%,较单一DBN提高9.1%,有效识别220kV变压器过热缺陷。
二、基于粗糙集理论的电力变压器绝缘故障诊断（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、基于粗糙集理论的电力变压器绝缘故障诊断（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）面向电力变压器油色谱数据特征参量的研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器特征参量研究现状 |
| 1.2.2 电力变压器故障诊断研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 变压器油中气体产生机理及故障类型 |
| 2.1 变压器油中气体的产生 |
| 2.1.1 绝缘油的分解 |
| 2.1.2 固体绝缘材料的分解 |
| 2.1.3 气体的其他来源 |
| 2.2 正常状态下油中气体的含量 |
| 2.3 变压器故障类型与油中气体的关系 |
| 2.4 基于DGA技术的变压器故障诊断方法 |
| 2.4.1 特征气体法 |
| 2.4.2 三比值法 |
| 2.4.3 大卫三角形法 |
| 2.5 小结 |
| 3 粒子群算法与支持向量机理论 |
| 3.1 粒子群算法的理论 |
| 3.1.1 基本粒子群算法 |
| 3.1.2 标准粒子群算法 |
| 3.1.3 离散二进制粒子群算法 |
| 3.1.4 算法流程 |
| 3.2 支持向量机基本原理 |
| 3.2.1 线性可分情形 |
| 3.2.2 近似线性可分情形 |
| 3.2.3 非线性可分情形 |
| 3.2.4 核函数的选取 |
| 3.2.5 支持向量机参数的选取 |
| 3.3 支持向量机多分类方法介绍 |
| 3.3.1 一对一方法 |
| 3.3.2 一对多方法 |
| 3.4 小结 |
| 4 基于Filter和 SVM的故障特征优选 |
| 4.1 故障特征选择方法 |
| 4.1.1 信息增益 |
| 4.1.2 F-Score |
| 4.2 基于特征选择和SVM的变压器故障诊断模型 |
| 4.2.1 数据来源及预处理 |
| 4.2.2 特征筛选 |
| 4.2.3 不同评价函数对应的特征组合 |
| 4.3 实验验证 |
| 4.3.1 不同的特征子集 |
| 4.3.2 与BPNN对比实验 |
| 4.4 小结 |
| 5 基于PSO-SVM的故障特征优选 |
| 5.1 变压器油中溶解气体特征量 |
| 5.2 基于PSO-SVM特征参量优选实现过程 |
| 5.2.1 粒子群结构 |
| 5.2.2 编码方式 |
| 5.2.3 个体适应度评估 |
| 5.2.4 算法实现流程 |
| 5.3 实验环境 |
| 5.4 比值组合优选结果分析 |
| 5.5 不同的特征子集对比实验 |
| 5.5.1 气体含量作为故障特征实验 |
| 5.5.2 气体比值作为故障特征实验 |
| 5.5.3 与文献[16]实验的对比分析 |
| 5.5.4 实际故障实例实验 |
| 5.6 数据缺失情况下的变压器故障诊断 |
| 5.6.1 均值插补 |
| 5.6.2 回归插补 |
| 5.6.3 KNN插补 |
| 5.6.4 实验分析 |
| 5.7 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 油中溶解气体数据(μL/L) |
（3）基于数据和模型的油浸式电力变压器健康管理系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 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 电力变压器热点温度计算研究现状 |
| 1.2.3 电力变压器故障诊断研究现状 |
| 1.2.4 电力变压器绝缘老化诊断与寿命预测研究现状 |
| 1.3 本文主要研究内容与思路 |
| 1.4 本文主要工作与章节安排 |
| 第二章 基于模糊逻辑的电力变压器多属性状态评估方法 |
| 2.1 引言 |
| 2.2 变压器状态评估指标 |
| 2.3 电力变压器的多属性分析 |
| 2.4 模糊逻辑的电力变压器状态评估方法 |
| 2.4.1 模糊化处理与隶属度函数 |
| 2.4.2 模糊逻辑与近似推理 |
| 2.4.3 逆模糊处理 |
| 2.5 本章小结 |
| 第三章 考虑不同运行工况下油浸式电力变压器的热路模型 |
| 3.1 引言 |
| 3.2 油浸式电力变压器的热路模型 |
| 3.2.1 热路模型原理 |
| 3.2.2 变压器热传递过程 |
| 3.2.3 变压器热路模型的建立 |
| 3.2.4 热路模型法计算值与实测结果的对比 |
| 3.3 不同运行工况下油浸式电力变压器热路模型 |
| 3.3.1 不同负载电流下变压器热路模型的改进 |
| 3.3.2 不同冷却方式下变压器热路模型的改进 |
| 3.3.3 不同内部温度下变压器热路模型的改进 |
| 3.4 求解方法及其准确性分析 |
| 3.4.1 求解方法 |
| 3.4.2 准确性分析 |
| 3.5 本章小结 |
| 第四章 基于改进GA优化BP网络的油浸式电力变压器故障诊断 |
| 4.1 引言 |
| 4.2 三种常见的油浸式电力变压器故障诊断方法 |
| 4.2.1 基于三比值法的的变压器故障诊断 |
| 4.2.2 基于BP神经网络的变压器故障诊断 |
| 4.2.3 基于改进BP神经网络的变压器故障诊断 |
| 4.3 基于改进遗传算法优化BP网络的油浸式电力变压器故障诊断 |
| 4.3.1 BP神经网络算法的参数优化 |
| 4.3.2 GA及其改进 |
| 4.3.3 基于改进GA-BP模型的油浸式电力变压器故障诊断 |
| 4.4 结果与分析 |
| 4.4.1 实验说明 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 第五章 油浸式电力变压器绝缘老化诊断与寿命预测方法研究 |
| 5.1 引言 |
| 5.2 基于热点温度的油浸式电力变压器寿命评估 |
| 5.2.1 温度对变压器绝缘材料寿命的影响 |
| 5.2.2 不同工况下变压器寿命评估 |
| 5.2.3 实例分析 |
| 5.3 基于局放因子向量的油纸绝缘老化诊断 |
| 5.3.1 老化测试及聚合度测量 |
| 5.3.2 样品与局放试验方案 |
| 5.3.3 局部放电特征向量的提取及其主成分因子分析 |
| 5.3.4 基于改进GA-BP神经网络的油纸绝缘老化评估 |
| 5.4 基于Weibull分布的变压器运行寿命预测方法 |
| 5.4.1 Weilbul分布与电气寿命模型 |
| 5.4.2 变压器寿命模型参数估计与寿命预测 |
| 5.4.3 实例分析 |
| 5.5 本章小结 |
| 第六章 油浸式电力变压器健康管理系统平台 |
| 6.1 引言 |
| 6.2 平台关键技术理论问题和开发原则与要求 |
| 6.2.1 平台关键技术理论问题 |
| 6.2.2 开发原则与要求 |
| 6.3 变压器健康管理系统平台架构 |
| 6.3.1 平台技术特点 |
| 6.3.2 平台架构 |
| 6.3.3 变压器设备分级 |
| 6.3.4 状态监测对象与清单 |
| 6.3.5 变压器实时数据的智能监测方案 |
| 6.3.6 离线数据和实时数据的多源异构融合 |
| 6.4 变压器的故障智能诊断与维修优化管理 |
| 6.4.1 变压器的故障智能诊断 |
| 6.4.2 变压器维修优化管理 |
| 6.5 工程应用示例 |
| 6.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士论文取得的研究成果 |
| 致谢 |
| 附件 |
（4）基于带电检测技术的变压器和电缆故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 概述 |
| 1.2 带电检测技术发展简述 |
| 1.3 设备故障诊断研究现状 |
| 1.4 本文研究内容 |
| 第2章 设备带电检测技术与故障分类 |
| 2.1 引言 |
| 2.2 带电检测技术原理与应用 |
| 2.2.1 变压器带电检测技术 |
| 2.2.2 电力电缆带电检测技术 |
| 2.2.3 带电检测技术实际应用存在的问题 |
| 2.3 设备故障常见规律 |
| 2.4 变压器与电缆典型故障分类 |
| 2.4.1 变压器典型故障 |
| 2.4.2 电力电缆典型故障 |
| 2.5 小结 |
| 第3章 粗糙集与贝叶斯理论模型 |
| 3.1 引言 |
| 3.2 粗糙集理论基础 |
| 3.2.1 粗糙集信息系统 |
| 3.2.2 粗糙集的知识约简 |
| 3.2.3 粗糙集信息表 |
| 3.2.4 粗糙集信息表的约简与分类 |
| 3.2.5 决策表约简与分类实例 |
| 3.2.6 粗糙集理论的缺点 |
| 3.3 贝叶斯网络基本原理 |
| 3.3.1 贝叶斯基本理论 |
| 3.3.2 贝叶斯网络 |
| 3.3.3 贝叶斯网络的缺点 |
| 3.4 贝叶斯分类器模型 |
| 3.4.1 朴素贝叶斯分类器 |
| 3.4.2 半朴素贝叶斯分类器 |
| 3.4.3 树形增强的朴素贝叶斯分类器 |
| 3.4.4 增强的朴素贝叶斯分类器 |
| 3.4.5 贝叶斯分类器模型实例 |
| 3.5 小结 |
| 第4章 基于粗糙集理论和贝叶斯理论的故障诊断 |
| 4.1 引言 |
| 4.2 粗糙集理论和贝叶斯理论结合的故障诊断步骤 |
| 4.3 基于粗糙集和贝叶斯理论的变压器故障诊断模型 |
| 4.3.1 变压器故障属性集 |
| 4.3.2 变压器故障类型集 |
| 4.3.3 变压器贝叶斯网络故障诊断模型 |
| 4.4 基于粗糙集和贝叶斯理论的电缆故障诊断模型 |
| 4.4.1 电缆故障属性集与故障类型集 |
| 4.4.2 电缆故障连接关系集 |
| 4.5 算例分析 |
| 4.6 历史故障诊断结果对比 |
| 4.7 小结 |
| 第5章 故障实例应用与算法改进研究 |
| 5.1 引言 |
| 5.2 基于粗糙集和贝叶斯理论的故障诊断实例分析 |
| 5.2.1 变压器故障实例分析 |
| 5.2.2 电缆故障诊断 |
| 5.3 基于改进的粗糙集和贝叶斯理论模型 |
| 5.3.1 三角模糊数 |
| 5.3.2 三角模糊数区间值求解 |
| 5.3.3 改进的贝叶斯网络模型 |
| 5.4 基于改进的电力电缆故障诊断模型计算步骤 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（5）支持向量机和相关向量机在变压器油溶解气体分析中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 变压器诊断技术综述 |
| 1.3 变压器油溶解气体分析研究现状 |
| 1.4 本文的主要研究内容 |
| 第2章 变压器的故障诊断原理 |
| 2.1 引言 |
| 2.2 变压器故障类型 |
| 2.2.1 绝缘故障 |
| 2.2.2 非绝缘故障 |
| 2.3 变压器油中溶解气体原理 |
| 2.3.1 空气的溶解 |
| 2.3.2 变压器正常运行产生气体 |
| 2.3.3 变压器非正常状态产生气体 |
| 2.4 基于油中特征气体组分的故障诊断方法 |
| 2.4.1 特征气体法 |
| 2.4.2 改良三比值法 |
| 2.4.3 拆分法 |
| 2.4.4 大卫三角形法 |
| 2.4.5 现代化智能诊断方法 |
| 2.5 本章小结 |
| 第3章 基于支持向量机的变压器DGA分析 |
| 3.1 引言 |
| 3.2 支持向量机基本原理 |
| 3.3 基于支持向量机的变压器DGA分析方法 |
| 3.4 基于支持向量机的变压器DGA分析方法应用结果分析 |
| 3.4.1 仿真分析 |
| 3.4.2 典型案例分析 |
| 3.5 本章小结 |
| 第4章 基于相关向量机的变压器DGA分析 |
| 4.1 引言 |
| 4.2 相关向量机基本原理 |
| 4.3 基于相关向量机的变压器DGA分析方法 |
| 4.4 基于相关向量机的变压器DGA分析方法应用分析 |
| 4.4.1 仿真分析 |
| 4.4.2 典型案例分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录 DGA数据 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）基于数据挖掘技术的变电站巡检机器人故障分析与自主特巡系统（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题目的和意义 |
| 1.2 变电站巡检机器人发展现状 |
| 1.3 变电站设备状态监测及数据分析发展现状 |
| 1.4 本文研究内容及目标 |
| 2. 基于数据挖掘技术的变电站设备状态信息数据库构建 |
| 2.1 数据挖掘技术 |
| 2.2 三方数据的获取与采集 |
| 2.3 设备状态数据预处理 |
| 2.4 变电站设备状态信息库的建立 |
| 2.5 本章小结 |
| 3. 基于粗糙集理论的变压器设备故障树构建 |
| 3.1 粗糙集与故障树分析方法 |
| 3.2 变压器设备故障类型 |
| 3.3 设备故障状态量体系 |
| 3.4 应用粗糙集理论构建变压器故障树 |
| 3.5 本章小结 |
| 4 变电站检修数据关联度挖掘 |
| 4.1 关联规则挖掘方法 |
| 4.2 变电设备缺陷分级与关联规则挖掘 |
| 4.3 故障信息库的关联度挖掘 |
| 4.4 通过FP-growth算法实现检修数据关联度挖掘 |
| 4.5 本章小结 |
| 5 巡检机器人路径规划及路径优化 |
| 5.1 巡检机器人巡视任务及路线 |
| 5.2 蚁群优化方法 |
| 5.3 基于蚁群算法的巡检机器人路径优化 |
| 5.4 巡检后台软件与算法验证 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（7）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 |
（8）基于贝叶斯网络的电力变压器故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及相关意义 |
| 1.2 电力变压器故障诊断方法研究现状 |
| 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 |
| 2 变压器主要故障分析及参数检测 |
| 2.1 变压器的主要故障类型 |
| 2.2 变压器主要故障参数检测 |
| 2.2.1 变压器常规电气试验 |
| 2.2.2 变压器油中溶解气体分析法 |
| 2.3 本章小结 |
| 3 基于贝叶斯网络的电力变压器故障诊断 |
| 3.1 电力变压器贝叶斯网络故障诊断模型的建立 |
| 3.1.1 贝叶斯网络 |
| 3.1.2 网络节点的确定 |
| 3.1.3 网络诊断模型的建立 |
| 3.1.4 模型性能综合分析 |
| 3.2 朴素贝叶斯网络方法的故障仿真 |
| 3.2.1 样本数据的数字变量替换 |
| 3.2.2 仿真结果综合分析 |
| 3.3 实例分析 |
| 3.4 本章小结 |
| 4 基于贝叶斯网络和粗糙集理论的电力变压器故障诊断 |
| 4.1 基于粗糙集理论的变压器故障样本处理 |
| 4.1.1 粗糙集理论 |
| 4.1.2 决策表的约简及规则提取 |
| 4.1.3 变压器故障诊断原始决策表的获取 |
| 4.1.4 变压器故障诊断约简决策表的获取 |
| 4.2 构建粗糙集理论和贝叶斯网络的故障诊断模型 |
| 4.2.1 构建故障诊断模型 |
| 4.2.2 变压器故障诊断系统的对比测试 |
| 4.2.3 实例分析 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
（9）基于神经网络的变压器故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题的意义 |
| 1.2 变压器故障诊断的研究现状 |
| 1.3 神经网络应用于变压器故障诊断的研究现状 |
| 1.4 本文的主要工作 |
| 2 变压器的故障分析及检测 |
| 2.1 变压器故障种类及原因 |
| 2.1.1 变压器的常见故障 |
| 2.1.2 油浸式变压器故障简述 |
| 2.2 变压器常规故障检测方法与常规试验 |
| 2.2.1 检测方法 |
| 2.2.2 常规电气试验 |
| 2.3 油中溶解气体分析 |
| 2.3.1 故障特征气体的来源 |
| 2.3.2 变压器内部故障与油中特征气体的关系 |
| 2.4 本章小结 |
| 3 基于RBF神经网络的变压器故障诊断 |
| 3.1 变压器故障诊断系统的建立 |
| 3.1.1 RBF神经网络 |
| 3.1.2 隐含层节点中心的选取 |
| 3.2 RBF神经网络样本数据处理 |
| 3.2.1 故障数据的提取 |
| 3.2.2 训练数据的预处理 |
| 3.3 仿真分析 |
| 3.4 本章小结 |
| 4 基于粗糙集和神经网络的变压器故障诊断 |
| 4.1 粗糙集理论 |
| 4.1.1 粗糙集概念 |
| 4.1.2 决策表的约简 |
| 4.2 基于粗糙集理论的故障样本处理 |
| 4.2.1 数据处理流程 |
| 4.2.2 变压器故障信息的采集和知识约简 |
| 4.3 算例仿真 |
| 4.3.1 仿真结果与分析 |
| 4.3.2 变压器故障诊断对比分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（10）基于油色谱监测数据的变压器差异化评价及分层诊断方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 油色谱异常识别研究现状 |
| 1.2.2 油色谱阈值计算研究现状 |
| 1.2.3 油色谱故障诊断的研究现状 |
| 1.3 目前研究存在的问题 |
| 1.4 课题研究内容 |
| 第2章 基于油色谱在线数据的快速异常识别 |
| 2.1 基于KPCA的油色谱监测装置异常识别 |
| 2.1.1 数据的预处理及核变换 |
| 2.1.2 控制限计算 |
| 2.1.3 异常特征识别 |
| 2.1.4 案例分析 |
| 2.2 基于CANOPY的变压器异常识别 |
| 2.2.1 异常识别模型 |
| 2.2.2 案例分析 |
| 2.3 本章小结 |
| 第3章 油色谱差异化评价阈值计算 |
| 3.1 油中溶解特征气体产气试验 |
| 3.1.1 实验目标 |
| 3.1.2 实验平台 |
| 3.1.3 正常产气模拟 |
| 3.1.4 放电故障模拟 |
| 3.2 差异化阈值计算 |
| 3.2.1 威布尔拟合函数计算 |
| 3.2.2 基于P-R曲线的累计分布概率选取方法 |
| 3.2.3 差异化阈值故障识别方法 |
| 3.3 影响因素分析 |
| 3.3.1 基于分类水平分析特征气体阈值计算 |
| 3.3.2 区域电网特征气体阈值计算 |
| 3.3.3 现场数据验证 |
| 3.4 本章小结 |
| 第4章 基于DBN的油色谱故障诊断 |
| 4.1 基于深度信念网络的色谱故障诊断 |
| 4.1.1 基于深度信念网络的故障诊断 |
| 4.1.2 单一DBN油色谱故障诊断 |
| 4.2 油色谱组合DBN故障诊断方法 |
| 4.2.1 组合DBN故障诊断方法 |
| 4.2.2 输入特征、网络层数和节点数对诊断正确率的影响分析 |
| 4.2.3 案例分析 |
| 4.3 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 下一步研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、基于粗糙集理论的电力变压器绝缘故障诊断（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]面向电力变压器油色谱数据特征参量的研究[D]. 解宵. 西安理工大学, 2021(01)
- [3]基于数据和模型的油浸式电力变压器健康管理系统研究[D]. 谢鹏. 华南理工大学, 2020(05)
- [4]基于带电检测技术的变压器和电缆故障诊断研究[D]. 钟圆美惠. 南昌大学, 2020(02)
- [5]支持向量机和相关向量机在变压器油溶解气体分析中的应用研究[D]. 张洋. 燕山大学, 2019(06)
- [6]基于数据挖掘技术的变电站巡检机器人故障分析与自主特巡系统[D]. 王者. 山东大学, 2019(02)
- [7]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)
- [8]基于贝叶斯网络的电力变压器故障诊断[D]. 董冰. 辽宁石油化工大学, 2019(01)
- [9]基于神经网络的变压器故障诊断[D]. 吴孟灿. 辽宁石油化工大学, 2019(01)
- [10]基于油色谱监测数据的变压器差异化评价及分层诊断方法[D]. 荣智海. 华北电力大学(北京), 2020