论文部分内容阅读
实现变压器的状态检测对变压器维护有重要意义，目前现场的变压器因出现异常状态或故障问题而被迫停工进行维修的事故率正不断增高。而随着社会整体用电量的不断增加、变压器投入时间的增加以及大量的智能化设备及传感器的接入，过去基于理论分析等因果关系模型已经较难处理当前多维度的数据信息。随着人工智能的高速发展，通过寻找数据本身的内在规律并利用人工智能算法进行数据发掘的方式，为电力变压器的参数预测以及故障诊断提供了新的解决思路和技术手段。目前基于智能算法的变压器状态预测和故障诊断模型在提高准确率方面已经达到了很好的效果，但是仍存在泛化性能较低，对数据质量要求过高，判断结果无法解释等问题。
针对电力变压器的油中溶解气体的模型的气体趋势预测所存在的泛化性差、稳定性不高的问题，提出了一种组合循环神经网络模型。该模型以改进的循环网络结构GRU模型作为基础，改进双循环结构并融入注意力机制。GRU网络本身的门控制结构可以使其在处理长时间序列数据时记住变化趋势，而注意力机制可帮助模型在训练时对数据的变化更加敏感。通过实际案例分析可得，该组合模型的预测准确率高于传统气体预测网络，并且当气体含量突然变化时可以更准确的追踪油色谱变化趋势。
为了提高模型在数据及质量不高时的状态分类准确率，本文提出了一种基于卷积神经网络与注意力机制的变压器故障诊断模型，利用卷积核挖掘变压器DGA数据中各个特征气体参量之间的联系，使模型对于变压器不同故障的分类更加清晰，通过池化作用使模型在处理现场数据集时的稳定性和误报率更低，也避免过去数据预处理直接删除缺省数据所带来的潜在安全隐患。通过实例验证表明，与神经网络或多层感知器等传统分类问题模型相比，新的故障诊断模型准确率相对更高，数据集规模变小时的表现也更加稳定。针对神经网络模型本身黑箱问题以及实际现场需要找出变压器故障原因的需求，将注意力机制引入诊断模型中，通过将模型的注意力权重可视化来解释模型做出判断的理由。分析已有的结果表明，用注意力机制的权重来解释模型对于基于油色谱的变压器故障判断中有一定意义。
本文的研究内容主要为基于油色谱数据电力变压器的参量预测和状态分类方法，对于模型预测和判断的泛用性和稳定性方面有一定进展。同时对于变压器故障判断的解释以及可视化研究也有一定价值。
针对电力变压器的油中溶解气体的模型的气体趋势预测所存在的泛化性差、稳定性不高的问题，提出了一种组合循环神经网络模型。该模型以改进的循环网络结构GRU模型作为基础，改进双循环结构并融入注意力机制。GRU网络本身的门控制结构可以使其在处理长时间序列数据时记住变化趋势，而注意力机制可帮助模型在训练时对数据的变化更加敏感。通过实际案例分析可得，该组合模型的预测准确率高于传统气体预测网络，并且当气体含量突然变化时可以更准确的追踪油色谱变化趋势。
为了提高模型在数据及质量不高时的状态分类准确率，本文提出了一种基于卷积神经网络与注意力机制的变压器故障诊断模型，利用卷积核挖掘变压器DGA数据中各个特征气体参量之间的联系，使模型对于变压器不同故障的分类更加清晰，通过池化作用使模型在处理现场数据集时的稳定性和误报率更低，也避免过去数据预处理直接删除缺省数据所带来的潜在安全隐患。通过实例验证表明，与神经网络或多层感知器等传统分类问题模型相比，新的故障诊断模型准确率相对更高，数据集规模变小时的表现也更加稳定。针对神经网络模型本身黑箱问题以及实际现场需要找出变压器故障原因的需求，将注意力机制引入诊断模型中，通过将模型的注意力权重可视化来解释模型做出判断的理由。分析已有的结果表明，用注意力机制的权重来解释模型对于基于油色谱的变压器故障判断中有一定意义。
本文的研究内容主要为基于油色谱数据电力变压器的参量预测和状态分类方法，对于模型预测和判断的泛用性和稳定性方面有一定进展。同时对于变压器故障判断的解释以及可视化研究也有一定价值。