论文部分内容阅读
电力变压器是电力系统能量转换与传输的枢纽，是非常重要和昂贵的电力设备，其一旦发生故障可能造成严重的经济与社会问题。变压器检修是预防与减少变压器突发性故障的重要措施，其主要包括为3种方式：事故检修、定期检修与状态检修，其中状态检修针对性更强，检修成本更低，检修效率更高，是国内外电力部门大力提倡和推广的一种变压器状态检修方式。变压器故障诊断与状态评估是状态检修的前提和基础，低效的故障诊断与状态评估方法严重地阻碍了变压器态检修的应用推广。在分析现有变压器故障诊断与状态评估方法的基础上，论文致力于集成学习在变压器故障诊断与状态评估中的应用研究，提出基于可拓集成的变压器故障诊断方法、基于谱聚类集成的变压器故障诊断方法、基于信息融合的变压器状态评估方法与风电箱式变电站在线状态评估方法。理论分析与实验结果表明所提4种方法的变压器故障诊断与状态评估性能优于传统方法。本文研究一方面拓展了集成学习的理论与应用范畴，另一方面对变压器状态检修有一定的理论参考价值，主要贡献如下：
（1）基于可拓集成的变压器故障诊断
针对经典油中溶解气体分析（DissolvedGasAnalysis，DGA）方法只能进行定性诊断，不能进行定量分析，故障诊断正确率偏低等问题，在深入研究Dornenburg比值法、Rogers比值法、中央电力局（CentralElectricityGeneratingBoard，CEGB）编码法、国际电工学会（InternationalElectrotechnicalCommission，IEC）三比值法与Duval三角形法等5种经典DGA方法的基础上，提出了一种基于可拓集成的变压器故障诊断方法。该方法利用经典DGA方法的变压器故障诊断规则建立单体可拓模型。各单体可拓模型分别对待诊样本进行定量分析，得到单体故障诊断结论。在分析各单体模型故障分类准则之间内在联系的基础上，建立统一的故障分类标准。采用简单投票法集成5个单体模型的诊断结果得到变压器故障诊断的综合结论。通过198组典型DGA样本的变压器故障诊断实验验证可拓集成方法的优越性。相对于经典DGA方法，可拓集成方法能进行定量分析，提供各种故障可能发生的概率，可处理多故障并发案例；相对于单体可拓模型，可拓集成方法通过减少单一不确定因素的影响来提高变压器故障诊断的正确率；相对于机器学习方法，可拓集成方法基于经典DGA方法的故障诊断规则来建立单体可拓模型，不需要大量历史数据训练标准模型，可在没有历史样本的条件下提高变压器故障诊断的正确率。
（2）基于谱聚类集成的变压器故障诊断
为了在只有少量已标记样本时，能够利用未标记DGA样本来协助提高变压器故障诊断的正确率，提出了一种基于谱聚类集成的变压器故障诊断方法。该方法通过融合半监督学习与自动谱聚类的优点设计一种半监督自动谱聚类算法，用于生成基础谱聚类。通过样本集、成对约束集、特征属性与参数等4重扰动来保证基础聚类的多样性。设计一种基于成对约束的差异性与正确率评价标准，综合考虑差异性与正确率等2个准则来选择集成成员。在成员谱聚类的基础上构造一致性相似度矩阵，应用于自动谱聚类算法得到综合聚类结果。通过分析已标记样本在综合聚类结果中的分布情况，来判断变压器的故障类别及其可能发生的概率。为了验证谱聚类集成方法的优越性，采用IEC三比值法、反向传播神经网络（BackPropagationNeuralNetworks，BPNN）、支持向量机、组合核相关向量机与BPNN集成网络等进行变压器故障诊断对比实验，结果表明，谱聚类集成方法提高了变压器故障诊断的正确率，在只有少量已标记DGA样本时，优势尤为明显。
（3）基于信息融合的变压器状态评估
现有变压器状态评估研究主要关注单一特征参量与老化状态的对应关系，但是单一特征参量难以正确地反映变压器的老化状态。为了提高变压器状态评估的正确率，提出了一种基于信息融合的变压器状态评估方法。通过融合油色谱实验、油品质实验、极化与去极化电流法与频域介电谱法等的特征信息来重构扩展Debye模型，从中提取反映变压器老化、水分与温度等的多组特征参量。不同特征参量交叉组合构建特征参量组，以此建立聚合度单体预测模型。根据待评估样本与训练集的相似度动态分配各单体预测模型的权重，采用加权求和法集成各单体模型的预测结果得到聚合度的综合预测结果，以此来判断变压器的老化状态。通过实验分别对不同状态的变压器进行状态评估，结果表明，相对于基于单一特征信息的变压器状态评估方法，基于信息融合的变压器状态评估更加全面、客观与正确。
（4）风电箱式变电站在线状态评估
风力发电的快速发展促进了风电箱变的广泛应用，但风机输出功率的间歇性与随机性使得其频繁投切，加速了风电箱变老化，其故障率远大于普通变压器，给风电场运行管理带来新的挑战。针对传统变压器状态评估方法难以满足风力发电“少人值守”运行管理方式要求的问题，提出了一种风电箱式变电站在线状态评估方法。该方法设计一种最小二乘支持向量回归集成学习算法（LeastSquareSupportVectorRegressionEnsembleLearning，LSSVREL），利用正常箱变的历史运行状态信息训练LSSVREL得到标准热点温度预测模型，利用箱变实时状态信息训练LSSVREL得到实时热点温度预测模型。采用高斯混合模型（GaussMixtureModel,GMM）建模风机输出功率，采用二端口网络建模变压器运行状态，在此基础上建立箱变电流模型。箱变的电流、上一时刻热点温度与环境温度等分别输入标准热点温度预测模型与实时热点温度预测模型得到标准热点温度序列与实时热点温度序列。假设验证法通过分析这2个热点温度序列来进行箱变状态评估，通过实验验证所提方法的有效性。所提方法综合考虑风机输出功率、环境温度与变压器负荷等外部因素对箱变状态评估的影响，是利用风电场实时运行信息开展风电箱变在线状态评估的一种有益尝试。
（1）基于可拓集成的变压器故障诊断
针对经典油中溶解气体分析（DissolvedGasAnalysis，DGA）方法只能进行定性诊断，不能进行定量分析，故障诊断正确率偏低等问题，在深入研究Dornenburg比值法、Rogers比值法、中央电力局（CentralElectricityGeneratingBoard，CEGB）编码法、国际电工学会（InternationalElectrotechnicalCommission，IEC）三比值法与Duval三角形法等5种经典DGA方法的基础上，提出了一种基于可拓集成的变压器故障诊断方法。该方法利用经典DGA方法的变压器故障诊断规则建立单体可拓模型。各单体可拓模型分别对待诊样本进行定量分析，得到单体故障诊断结论。在分析各单体模型故障分类准则之间内在联系的基础上，建立统一的故障分类标准。采用简单投票法集成5个单体模型的诊断结果得到变压器故障诊断的综合结论。通过198组典型DGA样本的变压器故障诊断实验验证可拓集成方法的优越性。相对于经典DGA方法，可拓集成方法能进行定量分析，提供各种故障可能发生的概率，可处理多故障并发案例；相对于单体可拓模型，可拓集成方法通过减少单一不确定因素的影响来提高变压器故障诊断的正确率；相对于机器学习方法，可拓集成方法基于经典DGA方法的故障诊断规则来建立单体可拓模型，不需要大量历史数据训练标准模型，可在没有历史样本的条件下提高变压器故障诊断的正确率。
（2）基于谱聚类集成的变压器故障诊断
为了在只有少量已标记样本时，能够利用未标记DGA样本来协助提高变压器故障诊断的正确率，提出了一种基于谱聚类集成的变压器故障诊断方法。该方法通过融合半监督学习与自动谱聚类的优点设计一种半监督自动谱聚类算法，用于生成基础谱聚类。通过样本集、成对约束集、特征属性与参数等4重扰动来保证基础聚类的多样性。设计一种基于成对约束的差异性与正确率评价标准，综合考虑差异性与正确率等2个准则来选择集成成员。在成员谱聚类的基础上构造一致性相似度矩阵，应用于自动谱聚类算法得到综合聚类结果。通过分析已标记样本在综合聚类结果中的分布情况，来判断变压器的故障类别及其可能发生的概率。为了验证谱聚类集成方法的优越性，采用IEC三比值法、反向传播神经网络（BackPropagationNeuralNetworks，BPNN）、支持向量机、组合核相关向量机与BPNN集成网络等进行变压器故障诊断对比实验，结果表明，谱聚类集成方法提高了变压器故障诊断的正确率，在只有少量已标记DGA样本时，优势尤为明显。
（3）基于信息融合的变压器状态评估
现有变压器状态评估研究主要关注单一特征参量与老化状态的对应关系，但是单一特征参量难以正确地反映变压器的老化状态。为了提高变压器状态评估的正确率，提出了一种基于信息融合的变压器状态评估方法。通过融合油色谱实验、油品质实验、极化与去极化电流法与频域介电谱法等的特征信息来重构扩展Debye模型，从中提取反映变压器老化、水分与温度等的多组特征参量。不同特征参量交叉组合构建特征参量组，以此建立聚合度单体预测模型。根据待评估样本与训练集的相似度动态分配各单体预测模型的权重，采用加权求和法集成各单体模型的预测结果得到聚合度的综合预测结果，以此来判断变压器的老化状态。通过实验分别对不同状态的变压器进行状态评估，结果表明，相对于基于单一特征信息的变压器状态评估方法，基于信息融合的变压器状态评估更加全面、客观与正确。
（4）风电箱式变电站在线状态评估
风力发电的快速发展促进了风电箱变的广泛应用，但风机输出功率的间歇性与随机性使得其频繁投切，加速了风电箱变老化，其故障率远大于普通变压器，给风电场运行管理带来新的挑战。针对传统变压器状态评估方法难以满足风力发电“少人值守”运行管理方式要求的问题，提出了一种风电箱式变电站在线状态评估方法。该方法设计一种最小二乘支持向量回归集成学习算法（LeastSquareSupportVectorRegressionEnsembleLearning，LSSVREL），利用正常箱变的历史运行状态信息训练LSSVREL得到标准热点温度预测模型，利用箱变实时状态信息训练LSSVREL得到实时热点温度预测模型。采用高斯混合模型（GaussMixtureModel,GMM）建模风机输出功率，采用二端口网络建模变压器运行状态，在此基础上建立箱变电流模型。箱变的电流、上一时刻热点温度与环境温度等分别输入标准热点温度预测模型与实时热点温度预测模型得到标准热点温度序列与实时热点温度序列。假设验证法通过分析这2个热点温度序列来进行箱变状态评估，通过实验验证所提方法的有效性。所提方法综合考虑风机输出功率、环境温度与变压器负荷等外部因素对箱变状态评估的影响，是利用风电场实时运行信息开展风电箱变在线状态评估的一种有益尝试。