基于邻域粗糙集与AMPOS-ELM的变压器DGA故障诊断
2022-08-09周秀,怡恺,李刚,田天,杨鑫
周 秀,怡 恺,李 刚,田 天,杨 鑫
(1.国网宁夏电力有限公司电力科学研究院,宁夏 银川 750002;2.宁夏电力能源科技有限公司,宁夏 银川 750002;3.长沙理工大学电气与信息工程学院,湖南 长沙 410114)
电力变压器是电力系统中不可或缺的重要设备之一,由于其构造器件众多,结构复杂,一旦发生故障,无法及时查明故障类型,给后续维修造成很大不便。而目前由于IEC三比值法[1]其设置边界条件比较苛刻,从而易导致漏判、误判等情况的发生,可能造成变压器带故障长期运行,给电力系统的正常运行埋下了潜在风险。因此,需要提出新的故障诊断方法,从而提高诊断的可靠性[2]。
目前智能算法在变压器故障诊断领域的研究已经取得了长足的进展[3],主要包括:人工神经网络法(artificial neural network, ANN)[4]、支持向量机法(support vector machine, SVM)[5]、极限学习机(extreme learning machine,ELM)[6]等。然而以上方法也存在一些不足。
1)特征量选取方面。通常以溶解气体体积分数作为智能算法特征输入,在一定程度上提升了判断准确率[7-8]。但溶解气体体积分数可能会因故障程度以及故障发生位置等多种因素出现波动,从而影响变压器故障诊断的准确性[9]。此外,采用智能分类算法进行建模时,输入特征的选取对分类结果有很大影响。选择的输入特征维数过高,造成引入过多非必要变量,不仅会造化成预测准确性降低,还使参与训练的模型过于复杂;选择的输入特征较少时,又难以获得足够的信息表征输出特性[10]。
2)算法方面。ANN有极强的非线性映射能力和容错率,但其收敛速度慢和容易过拟合[11]。……
