【文章內(nèi)容簡介】 后來，隨著油中氣體分析法的發(fā)展，變壓器故障診斷技術(shù)得到了很大的 提高，進入實驗測試診斷階段。電力工作者首先用氣體色譜分析測得變壓器油中溶解的各氣體含量，然后根據(jù)各種判斷方法對產(chǎn)生這些氣體的故障原因作出解釋。常用的判斷方法有特征氣體法和比值法。比值法中尤以羅杰斯法和三比值法最為常用。特征氣體判斷法反應(yīng)了故障點發(fā)熱使絕緣材料分解時的事物本質(zhì)。故障點產(chǎn)生氣體的特征是隨著故障點的故障類型以及故障能量級別以及所設(shè)計的絕緣材料的不同而不同的。特征氣體法根據(jù)測得的某種氣體的含量以基準值的比較來粗略判斷變壓器的故障。而比值法則根據(jù)實驗測得的各種氣體的比值組合來進一步比較具體地判斷變壓器 地故障。 雖然對油中溶解氣體分析可以有效地探測變壓器潛伏性故障，但是，在電力設(shè)備地故障原因，故障現(xiàn)象和故障機理間同時存在隨機性和模糊性地不確定現(xiàn)象。僅僅依靠實驗測試地診斷方式難于滿足現(xiàn)有地工程應(yīng)用的要求。實際上隨機性地產(chǎn)生是由于實驗測試數(shù)據(jù)的分散性和本來故障地因果關(guān)系不確定性等造成的，它主要反應(yīng)了客觀上的不確定性，模糊性的產(chǎn)生是由于測試數(shù)據(jù)在主觀判斷邊界上的亦此亦彼性，它主要反應(yīng)了人為主觀理解上的不確定性。許多現(xiàn)有的診斷規(guī)則都太絕對化，無法有效的解決不精確性，不完全性，和不確定性信息。同時，傳統(tǒng)的比值法也存在編碼范圍不夠完善的問題，很大程度上制約了變壓器故障診斷技術(shù)的發(fā)展。 近期，隨著人工智能的發(fā)展，其廣泛地應(yīng)用于電力系統(tǒng)各個領(lǐng)域。人工智能在或緒論 一級標題格式 一級標題格式 ：半角 1 2 3 后空一格（全角）黑體 小三號字 居中 倍行距 段前 0 行 段后 行 頁碼格式 ： Times New Roman 小五號 居中 頁碼從引言的第一頁開始 基于智能技術(shù)的電力變壓器故障診斷系統(tǒng) 2 變壓器故障診斷方面地應(yīng)用極大地促進了診斷技術(shù)的提高。人工智能的應(yīng)用可以分為專家系統(tǒng)和人工神經(jīng)網(wǎng)這兩個方向。 專家系統(tǒng)方面： 專家系統(tǒng)由專家知識庫，推理機以及用戶接口和解釋機制等主要部分組成。知識是專家系統(tǒng)地核心和關(guān)鍵，是解決問題的出發(fā)點。專家系統(tǒng)利用只是實現(xiàn)從故障表象到故障本質(zhì)的推理過程。它具有概念明確，長于分析，推理路徑清晰，易于用戶參與，便于解釋等顯著優(yōu)點。實際上 ，是對人類邏輯思維模式的計算機模擬。但專家系統(tǒng)也具有缺陷： 1． 知識獲取困難。首先專家系統(tǒng)的規(guī)則表述缺乏深度，缺乏對專家思維過程的描述。而且專家系統(tǒng)的學(xué)習(xí)能力低下，人工方式獲取知識的效率又很低下使得專家系統(tǒng)的只是難于完備，從而制約了專家系統(tǒng)的發(fā)展。 2． 知識維護困難。 3． 基于知識的推理，存在“匹配沖突”和“組合爆炸”的問題。推理的速度慢，效率差，難以適應(yīng)檢測控制適時性的要求。 實際應(yīng)用： 以關(guān)系數(shù)據(jù)庫為核心構(gòu)造的電氣設(shè)備故障診斷專家系統(tǒng)，引入對象和規(guī)則知識的模糊表示處理故障及其現(xiàn)象存在著的模糊性，基于數(shù)據(jù)庫的優(yōu)化查詢 實現(xiàn)推理。用關(guān)系數(shù)據(jù)庫的元素表示一個對象或一條規(guī)則，借助隸屬函數(shù)及語義距離的概念進行不確定前提下的對象處理和對象匹配，能夠由不完全的對象信息得出有一定隸屬度要求的關(guān)于故障性質(zhì)、原因的診斷結(jié)論，并有針對性的得出應(yīng)相應(yīng)采取的應(yīng)急和跟蹤措施，為設(shè)備維護提供依據(jù)。用數(shù)據(jù)關(guān)系的思想，完全由數(shù)據(jù)庫管理診斷知識，從而獨立于推理機理及用戶，知識數(shù)據(jù)庫維護簡便、規(guī)則可以保持完整性和一致性、且在數(shù)據(jù)庫中加入領(lǐng)域知識即可對系統(tǒng)的診斷范圍進行擴充。 由于在電力系統(tǒng)的故障診斷中同時存在具有隨機性和模糊性的不定因素，因此單純用概 率統(tǒng)計或模糊數(shù)學(xué)的方法都不利于準確的映射故障的特性?，F(xiàn)在提出一種將兩者結(jié)合起來的方法，并在此基礎(chǔ)上重新定義了診斷問題。不僅有助于解決三比值法因編碼不全而難以作出結(jié)論的不足，而且比僅基于概率統(tǒng)計的診斷模型具有更高的正判率。這種方法利用色譜數(shù)據(jù)和電氣數(shù)據(jù)進行綜合診斷，得出更為具體的診斷。 近期，為了解決專家系統(tǒng)較難獲取完備知識的瓶頸問題。提出了一種變壓器故障診斷專家系統(tǒng)知識庫的粗糙集方法。將粗糙集理論和專家系統(tǒng)相結(jié)合，在變壓器歷史故障數(shù)據(jù)所形成決策表的簡約基礎(chǔ)上，通過計算規(guī)則的粗糙隸屬度，建立了具有不同簡化 層次上符合置信度要求的節(jié)點網(wǎng)絡(luò)規(guī)劃集的知識庫。 人工神經(jīng)網(wǎng)方面：人工神經(jīng)網(wǎng)將已有的數(shù)據(jù)和已知的故障診斷模式作為樣本，通過學(xué)習(xí)得出數(shù)據(jù)量和故障模式間的映射關(guān)系。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，信息的存儲和 基于智能技術(shù)的電力變壓器故障診斷系統(tǒng) 3 處理是合為一體的，能從不完全的，不精確的信息聯(lián)想出完整的信息，因而神經(jīng)網(wǎng)絡(luò)具有很強的學(xué)習(xí)能力，信息處理能力和學(xué)習(xí)過程中的完善性能。但是，它也有以下缺陷： 1． 對奇異故障模式的診斷能力差 2． 神經(jīng)網(wǎng)絡(luò)對結(jié)論和過程無法給出解釋 3． 神經(jīng)網(wǎng)絡(luò)只是單純對數(shù)據(jù)進行分析，缺乏全局觀，無法對診斷對象的所有層面進行整體分析。 實際應(yīng)用：決策樹神經(jīng) 網(wǎng)絡(luò)模型采用分級別的方法，是對故障的診斷逐步得到細化，最終得出引發(fā)故障的具體原因。這種決策樹分類網(wǎng)絡(luò)具有較高的診斷準確率和實用價值。根據(jù)故障的特點，提出了一種基于決策樹的變壓器故障識別方法。在故障決策樹的基礎(chǔ)上，以小波分類網(wǎng)絡(luò)為基本單元模塊，構(gòu)造組合神經(jīng)網(wǎng)絡(luò)模型在結(jié)構(gòu)復(fù)雜性和學(xué)習(xí)難于收斂等方面的不足，大大提高了故障分析的準確度。在這種診斷模型中，初始的判斷結(jié)論較粗略，但準確性較高；隨后判斷逐級細化，表現(xiàn)出對故障良好的辨識能力。 變壓器故障表象與機理間的聯(lián)系錯綜復(fù)雜，種種單一的診斷方法均存在一定的弊端。往往 考慮將幾種判斷方法結(jié)合起來分析。 以變壓器油中溶解的氣體的分析為基礎(chǔ)，建立基于范例推理的變壓器絕緣故障綜合診斷模型。這樣能夠在一定程序上彌補各種范例檢索算法的不足，在比較了待診 下個一級標題前 插入分頁符 提示： 引言（或 緒論 ） 應(yīng)說明本課題的提出 ， 課題的意義、目的、研究范圍及要達到的技術(shù)要求；簡述本課題在國內(nèi)外的發(fā)展概況及存在的問題；說明本課題的指導(dǎo)思想；闡述本課題應(yīng)解決的主要問題。 基于智能技術(shù)的電力變壓器故障診斷系統(tǒng) 4 ２ 電力變壓器絕緣故障診斷模型 專家系統(tǒng)的知識庫中的知識是從專家那里來的變壓器領(lǐng)域?qū)I(yè)知識，也就是他們對于變壓器故障性質(zhì)、種類、原因，及其診斷技術(shù)的專家經(jīng)驗。本章將從電力變壓器結(jié)構(gòu)、故障檢測手段以及故障性質(zhì)的分析入手，制定電力變壓器故障診斷的模型，為以后的故障診斷打下堅實的基礎(chǔ)。 電力變壓器結(jié)構(gòu) 簡介 電力變壓器由鐵芯、繞組、油箱、絕緣套管裝置、冷卻裝置和保護裝置等組成，可用圖 21 表示。 圖 21 油浸式電力變壓器結(jié)構(gòu) 變壓器 油箱（包括油箱本體及附件） 冷卻裝置（散熱器或冷卻器） 保護裝置（ 儲油柜、油表、安全氣道、吸濕器、繼電器等） 出線裝置（高、中、低壓瓷套管等）