一、变压器局部放电在线测试与故障判断（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》文中认为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。
张宇婷[2]（2021）在《基于CVA的变压器故障诊断及预测研究》文中指出油浸式变压器是构建智能电网以及互联电网中的枢纽设备之一,基于油色谱分析技术（DGA）对变压器进行故障诊断是电网安全运行的发展方向。而变压器的故障预测是变压器维护工作的重要内容,准确的故障预测可以在变压器发生故障之前,通过采取恰当的措施,使得变压器故障得以提前消除,减少了因其故障导致电力系统无法正常运转带来的经济损失。本文对变压器故障诊断方法以及预测模型进行了系统的研究,提出了小波神经网络结合规范变量分析法（WPT-CVA）的故障诊断方法以及粒子群优化支持向量机（PSO-SVM）和小波变换时间序列（WPT-ARMA）的组合预测模型,提高了小样本数据下故障诊断准确率以及预测精度。本文对油浸式变压器的研究内容分为以下几个部分:首先,分析变压器常见的故障类型,按故障性质将变压器故障分为电性故障及热性故障。通过对智能算法及传统算法的总结,确定故障诊断算法为小波神经网络算法,以支持向量机模型（SVM）以及自回归滑动平均模型（ARMA）的组合预测模型。其次,对小波神经网络进行简单介绍,利用小波神经网络算法建立变压器故障诊断模型,确定输入层、隐含层以及输出层,随后选取了大量有代表性的数据样本,利用小波变换进行降噪处理。在此基础上对样本数据作归一化处理并进行了训练,测试以及误差分析,得出小波神经网络的收敛速度快但收敛误差较大的结论。再次,采用小波分析结合CVA的方法对溶解于变压器油中的气体数据进行处理,不仅不需人为添加优化系数或惩罚因子,还对变压器的故障诊断快速且准确,优于目前诊断准确率较高的智能方法。通过将收集到的400组DGA数据集分离为275组训练集和组125测试集,评估了该方法的故障诊断性能。经过训练,测试结果表明,WPT法和基于CVA的方法的诊断准确率分别为90.4和93.4%。从这些数据可以清楚地看出,该方法在对变压器故障分类时的诊断率提高了3个百分点。最后,通过对DGA气体数据进行归一化处理、选择核函数、粒子群优化支持向量机建立PSO-SVM预测模型,对DGA气体数据进行小波去噪、模型识别、参数估计建立WPT-ARMA预测模型,基于两种预测模型建立组合模型,以达到误差最小为目的,最后通过实例验证及对比发现WPT-ARMA的预测模型误差较PSO-SVM预测模型误差值小,且组合预测模型可以综合多种单一预测模型所包含的信息,有效降低预测风险。
董伟广[3]（2021）在《电力变压器在线监测与故障诊断的系统研究》文中研究指明随着物联网、云计算和智能算法等技术的发展与普及,数据采集技术已经足够成熟,在此基础上实现基于人工智能技术和大数据分析的设备健康管理与故障诊断预测,进而成为具备自学习和自成长能力的智慧系统。电力变压器作为电力系统重要设备之一,其运行的可靠性、安全性直接影响整个电力系统的安全和系统的经济效益。本文在变压器工作状态方面的研究主要从在线监测变压器运行参数和基于DGA数据诊断故障两方面进行分析,设计与实现了变压器的监测和故障诊断系统。首先是变压器在线监测的研究。通过研究以单片机、DSP等处理器为核心在线监测变压器的应用,发现在监测方面存在着参数采集不够精确,电路设计较为复杂,不够灵活,系统运行不稳定等缺点。FPGA作为当前主流三大处理器之一,其在硬件和软件上具有超性能和灵活性特征,比单片机、DSP等在电路中的应用更加可靠。本文基于FPGA灵活实现电路的运行方式功能构建出配电变压器在线监测系统,通过对系统软硬件电路方案的确定,完成了对电路板的焊接和相关电路模型的搭建,实现了对变压器在线监测的模拟实验。主要实现对电力变压器绕组温度、电压、电流、功率因数及频率等参数的采集实现对配电变压器在线监测,并将采集的参数通过FPGA对数据的分析确定配电变压器是否处于正常运行状态,实现报警功能。实际电路测量结果表明该系统具有精度高,稳定性好、经济实用以及可视化程度高等特点,可以满足很多实际项目的需要。其次是变压器故障诊断的研究。本文通过对变压器油中气体数据分析,来判别变压器所处故障类型。为提高变压器故障诊断精度,提出一种特殊浓度归一化法结合交叉验证RBF神经网络算法用来诊断变压器中常见的五种故障类型。首先在大数据平台中对原始数据进行缺失值和异常值检测处理,再利用特征浓度归一化法将气体成分样本进行归一化,将处理后的样本数据随机分为训练集和测试集,分别应用到变压器故障诊断模型中。在变压器故障诊断模型中,针对变压器故障样本数据有限和RBF神经网络泛化能力较差以及容易出现过拟合等问题,建立K-折交叉验证法改善网络泛化能力及提高RBF网络分类准确率、分类召回率。最后建立了分类算法评估模型,利用ROC、PR曲线图及K-S曲线等指标对整体算法模型分类效果评估。通过实验分析结果得出,该分类算法模型下变压器故障诊断分类平均准确率可达90.84%,与传统的RBF神经网络、随机森林（RF）及梯度提升决策树分类（GBDT）算法分类相比,特征浓度归一化法结合交叉验证改进RBF神经网络能够提高变压器故障诊断准确率,避免了陷入局部最优,并且有效地提升了网络模型的拟合程度和稳定性。
周孟[4]（2021）在《变压器故障诊断方法研究》文中进行了进一步梳理变压器作为我国电力系统中的核心设备,其运行状态与电网的稳定程度密不可分,变压器一旦出现异常或故障情况,都将对电网的供配电造成不利影响,从而产生经济上的重大损失。因此,研究有效的变压器故障诊断方法对电网的正常运行具有重要意义。本文针对变压器故障诊断准确率低等问题,提出了一种改进混合蛙跳算法（Improved Shuffled Frog Leaping Algorithm,ISFLA）优化支持向量机（SVM）参数的变压器故障诊断方法,并完成了故障诊断系统的构建。主要研究内容如下:（1）变压器故障机理与关键因素研究。通过对变压器故障进行研究,分析变压器油中溶解气体的形成机理,解释溶解气体产生的原由,重点研究特征气体含量与种类跟变压器内部故障的对应关系。（2）混合蛙跳算法的改进及测试。针对混合蛙跳算法的不足,提出一种改进混合蛙跳算法。该算法采用均匀随机化与反近似对立相结合的方法对种群初始化进行改进;引入差分变异算子改进局部更新策略,利用Levy变异算子替代随机更新操作,并将余弦适应性骨架差分进化算法内嵌入局部搜索中。经仿真实验,验证了ISFLA的性能有大幅度提高。（3）基于ISFLA-SVM的变压器故障诊断方法研究。将ISFLA引入SVM中,实现对SVM模型参数的优化,并建立故障诊断模型,通过对变压器故障特征选取方法进行分析,选择特征气体含量及比值为故障样本进行实验。结果表明,优化后的SVM模型可对变压器故障进行精准诊断。（4）变压器故障诊断系统的实现。以GUI和SQL Server19为开发工具和数据库,完成变压器故障诊断系统总体架构设计及人机界面开发,实验测试结果验证了系统可行性。
苏小盟[5]（2021）在《基于神经网络和注意力机制的变压器状态预测和故障诊断研究》文中研究表明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。
王凯[6]（2021）在《基于集成学习的变压器故障预测方法研究》文中研究说明作为电力系统的重要设备,电力变压器的运行状态直接关系到电网的生产与运营。在我国已投运的油浸式变压器中,相当一部分已在电、热、机械场影响下工作几十年之久,其内部存在故障风险,并且变压器内部故障具有一定的潜伏期,存在预测空间。油中溶解气体分析技术（Dissolved Gas Analysis,DGA）在变压器故障诊断领域广泛应用,但目前大多数故障诊断技术对于不同故障间接近的数据分类效果一般,精度较差。基于上述分析,结合集成学习算法在强化学习效果方面的优势,本文提出一种基于集成学习算法的变压器故障预测方法,实现对油中气体含量的短期预测,并对结果进行故障分类,从而实现故障预测功能。同时在数据处理,特征选择以及模型构建等方面进行了改进与优化,从而提升预测效果。本文主要在以下几个方面展开研究:首先,将变压器油中溶解气体浓度作为研究对象,提出了基于VMD-XGBoost的气体预测方法。基于气体历史序列信息,使用变分模态分解（Variational mode decomposition,VMD）对气体浓度序列进行分解,将各个子序列作为XGBoost模型的输入,使用前向推进验证方法进行短期预测,并对时间步长以及模型超参数进行寻优,提升了气体预测模型的准确率,为故障诊断模型提供可靠的输入数据。然后,针对传统变压器故障诊断模型精度较低以及故障特征选择标准模糊等问题,提出了基于LightGBM的变压器故障诊断方法。参考多种特征选择方法,并结合两种特征重要度筛选方法,从故障数据集中提取出更能反映变压器不同运行工况的特征组合,建立起基于LightGBM的故障诊断模型进行模型。并通过网格法对模型超参数进行调优,提升了诊断精度。使用多个评价指标,对比多种故障诊断方法,证明了本文所提出的模型具有更好的性能。最后,结合前两部分的研究结果,对实际故障案例进行预测分析。根据历史数据预测故障报警前一定时间段内的气体含量,并由故障诊断方法对预测结果进行故障分类,分类结果与在线监测诊断结果以及实际油化试验结果进行对比验证,从而证明本文所提出的故障预测方法能够准确预测出变压器实际内部故障。
项茂阳[7]（2021）在《变电设备故障诊断系统研究及应用》文中进行了进一步梳理随着智能电网的快速发展,特别是特高压电网的建设,电网的安全稳定越来越重要。尤其是变电一次设备的可靠性对于电网的安全稳定特别重要。变电设备故障诊断是指通过收集设备运行参数、例行试验数据、在线设备诊断数据等信息,对变压器、开关等多个变电设备进行状态监测分析、故障诊断,及时反馈,及时调整电网系统运行方式,确定维修策略。首先,本文通过参阅国内外相关文献,分析了当前变电站一次设备故障诊断先进技术,包括变压器、断路器、避雷器及容性设备的故障诊断技术,着重理解了目前应用广泛的几种在线监测技术。其次,本文进行了变电设备故障诊断系统的设计与开发,对该软件的重要性和必要性进行了叙述,然后对本软件开发所涉及到的相关技术要点做了简单介绍。针对变电设备故障诊断系统,首先本文通过对系统设计以及状态评价概述展开研究,按照状态评估模块、风险评估模块、决策建议模块进行设计;然后对变电故障诊断系统的功能进行设计,包括变电设备状态评估功能设计、风险评估功能设计、变电设备检修辅助决策功能设计、变电设备在线监测功能设计、变电设备历史查询及预测评估功能设计等;最后是实现变电设备故障诊断功能。随着智能化水平的提升,我们不仅期待变电站智能化的安全稳定,我们更加期待智能调度、智能潮流管理系统的面世。随着智能化系统的不断发展,变电站的运行将更加安全、可靠。
李黄曼[8]（2021）在《基于深度学习的电力变压器故障诊断研究》文中指出电力变压器的运行状态关系着整个电力系统的安全与稳定,因此,在工程应用中需要对其状态进行实时监测以及时发现潜伏故障。目前,实现变压器状态监测首要方法是油中溶解气体分析法（Dissolved Gas Analysis,DGA）。针对基于DGA的变压器智能故障诊断方法存在的局限性,本文提出了改进麻雀搜索算法（Improved Sparrow Search Algorithm,ISSA）优化深度信念网络（Deep Brief Network,DBN）和支持向量机（support vector machine,SVM）的变压器故障诊断方法。利用ISSA对DBN的网络结构参数进行优化,使其能够深度挖掘出DGA故障数据的特征信息和故障类型之间的联系。结合SVM能够有效解决小样本分类问题的优点,建立了融合DBN与SVM的变压器故障诊断模型。具体研究内容和结果如下:（1）构建了基于DGA特征比值和深度信念网络的变压器故障诊断模型。利用邻域粗糙集对变压器故障特征气体的比值进行了决策约简,并经过降维处理去除特征输入之间存在的冗余信息以免其影响DBN的故障特征提取效果。通过与目前变压器故障诊断常用的智能方法进行对比,结果表明,DBN诊断模型对变压器的故障状态预测精度更高。（2）采用改进的麻雀搜索算法对DBN模型的性能进行了优化。引入了动态反向学习策略和高斯变异提高了 SSA的全局寻优能力和泛化能力。据此,构建了基于ISSA和DBN的故障诊断模型。采用ISSA优化DBN中RBM的层间神经元连接权值和神经元偏置,进而提高DBN对输入数据本质特征的提取能力。再用ISSA-DBN模型对变压器故障状态进行预测分类,结果表明,该模型的故障诊断准确率可达94.44%。（3）提出了 DBN与SVM相结合的变压器故障诊断方法。结合SVM对于小样本优异的分类能力,建立了基于ISSA的DBN-SVM变压器故障诊断模型。通过ISSA-DBN对训练样本深度提取故障的本质特征后输入ISSA-SVM中进行分类训练。通过对变压器实际运行状态的诊断结果可得,该模型的故障诊断精度高于ISSA-DBN和ISSA-SVM,变压器运行状态的预测准确率可达到95.56%。（4）用变压器故障的具体案例来验证该模型的泛化能力以及实用性,结果表明,经过ISSA优化的DBN-SVM诊断模型通过提取变压器DGA数据中的故障本质特征可以精确的诊断出变压器运行中存在的隐藏故障。经过ISSA优化DBN-SVM的变压器故障诊断模型可以利用在线检测的油色谱数据及时精确的诊断出变压器运行中存在的潜伏性故障并据此制定合理的检修策略。进而实时监测变压器的运行状态,保证电力系统的安全与稳定。
赵立胜[9]（2021）在《配网环网柜在线监测系统开发》文中提出现如今,随着电力能源使用规模的扩大,我国环网柜的使用量剧增,而保障环网柜的安全稳定运行,是保证配网系统安全运行的必要条件。根据市场调研发现,目前我国10k V及其以下的环网柜线路分布广、数量多,监测系统不完善,功能单一,维护需要较大的人力成本和经济成本。为解决上述问题,本文设计了一套适用于环网柜的在线监测系统。设计了适用于环网柜局部放电监测的高频传感器和暂态对地电压传感器及其调理电路,采用非侵入式的高频传感器和暂态对地电压传感器,有效地采集了环网柜的局部放电信息;设计了适用于环网柜的电缆终端头绝缘表面温度监测方案,采用了腕带式测温的设计,基于433MHz的无线数据传输,使得测温的方式更加的方便可靠;设计了适用于环网柜的电流故障监测和电压带电监测方案,光纤传输和光耦隔离的方式使得高压系统与低压系统有效隔离;采用了GPRS无线传输方案对传输环网柜的数据信息进行了有效的实时传输。本文针对环网柜电缆终端局放信号的模式识别方面,搭建了三种电缆终端头中常见的局部放电模型,通过上述系统对局部放电信息进行了采集。采用了希尔伯特变换和变分模态分解对局部放电信号进行时频分析,得到局部放电信号的有效模态,并求取各模态分量对应的多尺度排列熵,计算得到局部放电信号的特征矩阵,采用了主成分分析算法筛选出最优特征向量集,并对特征集分别采用BP神经网络和支持向量机进行了模式识别。采用了精度、准确率、召回率和F1分值等评价指标识别效果进行了评价。结果表明,对于针板放电和沿面放电,支持向量机的准确率高于BP神经网络,且三种放电的识别F1分值高于BP神经网络算法,表明支持向量机更适用于解决小样本、工程实际的问题。本文基于Code Composer Studio和Lab VIEW对系统的上位机和下位机程序进行了设计,完成了系统的整机调试,并将其在10k V环网柜现场中进行了安装测试。基于上位机软件,实现了环网柜的远程在线监测,实现了环网柜的运行维护智能化。通过在实验室的环境下模拟故障发生,验证了各个传感器和整机监测的有效性。随后,通过现场的测试,所开发的系统能够有效的采集到环网柜的运行状态信息,并根据环网柜的信息数据对环网柜进行状态诊断,验证了监测系统的有效性。
谢鹏[10]（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》文中进行了进一步梳理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。
二、变压器局部放电在线测试与故障判断（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、变压器局部放电在线测试与故障判断（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）基于CVA的变压器故障诊断及预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 油浸式电力变压器故障诊断及预测技术 |
| 2.1 电力变压器故障分类 |
| 2.2 基于DGA的变压器故障诊断理论 |
| 2.2.1 溶解油中气体产生机理 |
| 2.2.2 DGA用于变压器故障判断 |
| 2.3 电力变压器故障诊断算法 |
| 2.3.1 常规算法 |
| 2.3.2 智能算法 |
| 2.4 电力变压器故障预测算法 |
| 2.4.1 SVM预测模型 |
| 2.4.2 ARMA预测模型 |
| 2.4.3 组合预测模型 |
| 2.5 本章小结 |
| 第3章 基于小波神经网络的电力变压器故障诊断研究 |
| 3.1 基于小波变换的变压器故障诊断理论 |
| 3.2 小波神经网络故障诊断模型建立 |
| 3.2.1 输入输出神经元的确定 |
| 3.2.2 隐含层的确定 |
| 3.3 小波神经网络故障诊断模型训练 |
| 3.3.1 训练样本数据的选取 |
| 3.3.2 小波变换去噪处理 |
| 3.3.3 小波神经网络模型训练 |
| 3.4 故障诊断结果分析 |
| 3.5 本章小结 |
| 第4章 基于DGA结合CVA算法在变压器故障诊断中的研究 |
| 4.1 基于CVA的变压器故障诊断理论 |
| 4.2 CVA故障诊断模型建立 |
| 4.3 CVA优化小波神经网络故障诊断模型训练 |
| 4.3.1 特征值提取 |
| 4.3.2 训练和测试阶段 |
| 4.4 故障诊断结果分析 |
| 4.5 本章小结 |
| 第5章 基于PSO-SVM模型和WPT-ARMA模型组合的变压器预测模型 |
| 5.1 基于PSO-SVM模型预测 |
| 5.1.1 PSO-SVM模型建立 |
| 5.1.2 PSO-SVM模型的误差评价 |
| 5.2 基于WPT-ARMA模型预测 |
| 5.2.1 ARMA模型的建立 |
| 5.2.2 ARMA模型的预报 |
| 5.3 组合预测的电力变压器故障预测 |
| 5.3.1 组合预测的主要思想 |
| 5.3.2 基于PSO-SVM与WPT-ARMA的组合预测模型 |
| 5.4 变压器预测模型维数的实例仿真分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士期间研究成果 |
（3）电力变压器在线监测与故障诊断的系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器在线监测研究现状 |
| 1.2.2 变压器故障诊断研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 变压器故障的类型及其监测与诊断系统 |
| 2.1 常见变压器的故障概述 |
| 2.2 变压器油中溶解气体相关概述 |
| 2.2.1 变压器油中溶解气体的产生 |
| 2.2.2 变压器油中溶解气体分析 |
| 2.2.3 油中气体在线监测与故障诊断系统的研究 |
| 2.3 变压器常见监测方法 |
| 2.3.1 变压器局部放电在线监测技术 |
| 2.3.2 绕组变形在线监测 |
| 2.3.3 铁心接地在线监测 |
| 2.3.4 变压器振动频谱在线监测 |
| 2.3.5 变压器温度及电参数在线监测 |
| 2.4 变压器常见故障诊断方法 |
| 2.4.1 变压器故障诊断三比值法 |
| 2.4.2 变压器专家系统故障诊断方法 |
| 2.5 本章小结 |
| 第3章 变压器在线监测系统设计与实现 |
| 3.1 基于FPGA实现变压器在线监测的原理设计 |
| 3.2 在线监测系统设计中软件的使用 |
| 3.3 基于FPGA对变压器在线监测系统主要的程序设计 |
| 3.3.1 绕组电压电流采集 |
| 3.3.2 绕组温度采集 |
| 3.3.3 频率及功率因数采集 |
| 3.4 变压器在线监测实验结果分析及实物图 |
| 3.5 本章小结 |
| 第4章 变压器故障诊断分析 |
| 4.1 相关分类算法介绍 |
| 4.1.1 朴素贝叶斯分类 |
| 4.1.2 贝叶斯网络分类 |
| 4.1.3 决策树分类 |
| 4.1.4 随机森林分类 |
| 4.1.5 人工神经网络分类 |
| 4.2 变压器故障诊断的系统设计 |
| 4.2.1 DGA数据结构及归一化法 |
| 4.2.2 数据缺失值处理及异常值检测 |
| 4.2.3 RBF神经网络模型的建立 |
| 4.2.4 基于TRBF分类算法对变压器故障分析 |
| 4.3 基于K折交叉验证RBF分类算法分析 |
| 4.4 多重交叉验证改进RBF算法仿真数据分析 |
| 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 |
| 攻读硕士学位期间的研究成果、参加学术会议及获奖 |
| 致谢 |
（4）变压器故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统故障诊断方法研究 |
| 1.2.2 智能故障诊断方法研究 |
| 1.3 论文主要工作及技术路线 |
| 2 变压器故障分析 |
| 2.1 变压器基本结构和故障类型 |
| 2.1.1 变压器基本结构 |
| 2.1.2 变压器故障类型 |
| 2.2 油中溶解气体产生及溶解原理 |
| 2.2.1 溶解气体产生原理 |
| 2.2.2 气体的溶解原理 |
| 2.3 变压器故障类型与油中溶解气体的关系 |
| 2.3.1 热性故障与油中溶解气体的关系 |
| 2.3.2 电性故障与油中溶解气体的关系 |
| 2.4 本章小结 |
| 3 基于SVM的变压器故障诊断 |
| 3.1 统计学习理论 |
| 3.1.1 机器学习 |
| 3.1.2 统计学习的核心内容 |
| 3.2 支持向量机理论 |
| 3.2.1 支持向量机基础 |
| 3.2.2 SVM核函数 |
| 3.2.3 多分类SVM |
| 3.3 基于SVM的变压器故障诊断 |
| 3.3.1 数据样本的选取 |
| 3.3.2 SVM参数的选取 |
| 3.3.3 故障模型的建立 |
| 3.3.4 仿真分析 |
| 3.4 本章小结 |
| 4 混合蛙跳算法的改进与测试 |
| 4.1 混合蛙跳算法的理论基础 |
| 4.1.1 模因演算法 |
| 4.1.2 粒子群算法 |
| 4.2 混合蛙跳算法的基本原理及流程 |
| 4.2.1 混合蛙跳算法的基本原理 |
| 4.2.2 混合蛙跳算法的流程 |
| 4.3 改进混合蛙跳算法 |
| 4.3.1 种群初始化的改进 |
| 4.3.2 局部搜索的改进 |
| 4.4 ISFLA的性能测试 |
| 4.5 本章小结 |
| 5 基于ISFLA-SVM的变压器故障诊断 |
| 5.1 变压器故障特征的选取 |
| 5.1.1 选取要求 |
| 5.1.2 特征样本的选取方法 |
| 5.2 ISFLA-SVM的变压器故障诊断模型的建立 |
| 5.2.1 ISFLA优化SVM参数 |
| 5.2.2 故障诊断模型的流程 |
| 5.3 实例仿真及结果分析 |
| 5.3.1 仿真数据 |
| 5.3.2 模型训练及结果分析 |
| 5.3.3 模型的实例诊断及分析 |
| 5.4 本章小结 |
| 6 变压器故障诊断系统的实现 |
| 6.1 系统的总体架构 |
| 6.1.1 开发工具的介绍 |
| 6.1.2 系统的数据库 |
| 6.1.3 系统的总体架构 |
| 6.2 主要模块设计 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者在读期间研究成果 |
| 致谢 |
（5）基于神经网络和注意力机制的变压器状态预测和故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外相关内容研究现状 |
| 1.2.1 人工智能发展历史及现状 |
| 1.2.2 人工智能在电力行业中的应用 |
| 1.3 人工智能在变压器参量预测和故障诊断的应用 |
| 1.3.1 变压器参量预测的研究现状 |
| 1.3.2 变压器故障诊断的研究现状 |
| 1.4 主要内容 |
| 第2章 基于油色谱的变压器故障分析及数据预处理 |
| 2.1 引言 |
| 2.2 变压器常见故障与油中溶解气体的关系 |
| 2.2.1 油浸式变压器常见故障 |
| 2.2.2 变压器故障和油中溶解气体的关联 |
| 2.3 变压器故障数据预处理及特征优选 |
| 2.3.1 油色谱的数据预处理 |
| 2.3.2 基于油色谱的数据特征集优选 |
| 2.3.3 仿真校验 |
| 2.4 本章小结 |
| 第3章 基于GRU网络和注意力机制的油色谱气体趋势预测 |
| 3.1 引言 |
| 3.2 GRU网络原理 |
| 3.2.1 循环神经网络 |
| 3.2.2 GRU网络 |
| 3.2.3 双向循环结构 |
| 3.3 油色谱气体预测实现过程 |
| 3.3.1 模型构建和参数设置 |
| 3.3.2 注意力机制的模型 |
| 3.3.3 预测效果评价 |
| 3.4 案例验证 |
| 3.4.1 模型预测准确率评估 |
| 3.4.2 注意力机制对于模型预测能力的改善效果 |
| 3.5 本章小结 |
| 第4章 基于卷积网络和注意力机制的变压器故障诊断 |
| 4.1 引言 |
| 4.2 模型原理 |
| 4.2.1 卷积网络模型 |
| 4.2.2 解释模型判断决策的特征注意力机制 |
| 4.3 变压器状态分类的实现流程 |
| 4.3.1 油色谱的数据预处理及归一化 |
| 4.3.2 卷积模型搭建 |
| 4.3.3 基于注意力机制的模型解释器 |
| 4.4 结果分析 |
| 4.4.1 模型的评估指标 |
| 4.4.2 变压器故障分类的准确率评估 |
| 4.4.3 数据集的规模及质量对故障诊断的影响 |
| 4.4.4 故障判断解释 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 主要结论 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文目录 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（6）基于集成学习的变压器故障预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器油中溶解气体预测研究现状 |
| 1.2.2 变压器故障诊断研究现状 |
| 1.3 主要研究内容 |
| 第二章 变压器故障诊断机理与特征选择 |
| 2.1 引言 |
| 2.2 变压器油中溶解气体分析 |
| 2.2.1 油中溶解气体产生机理 |
| 2.2.2 油中溶解气体的含量与产气率 |
| 2.3 变压器内部故障与油中溶解气体的关系 |
| 2.4 比值诊断方法 |
| 2.5 变压器故障诊断特征选择 |
| 2.6 本章小结 |
| 第三章 基于VMD-XGBoost的变压器油中溶解气体预测 |
| 3.1 引言 |
| 3.2 变压器油中溶解气体预测问题描述 |
| 3.3 变压器在线监测数据预处理 |
| 3.3.1 缺失值与零值处理 |
| 3.3.2 长期趋势项的去除 |
| 3.3.3 变分模态分解 |
| 3.4 XGBoost预测模型的构建 |
| 3.4.1 集成学习 |
| 3.4.2 梯度提升树 |
| 3.4.3 XGBoost |
| 3.5 预测流程 |
| 3.6 算例分析 |
| 3.6.1 数据选择与评价指标 |
| 3.6.2 数据预处理 |
| 3.6.3参数影响及预测结果 |
| 3.6.4 基于网格搜索的超参数优化 |
| 3.6.5 不同算法对比 |
| 3.6.6 不同运行状态下的预测结果 |
| 3.7 本章小结 |
| 第四章 基于LightGBM的变压器故障诊断 |
| 4.1 引言 |
| 4.2 LightGBM诊断模型的构建 |
| 4.2.1 直方图算法 |
| 4.2.2 GOSS单边采样法 |
| 4.2.3 EFB特征降维法 |
| 4.2.4 带有深度约束的leaf-wise叶子节点生成策略 |
| 4.3 基于重要度分析的特征筛选 |
| 4.4 基于LightGBM的变压器故障诊断流程 |
| 4.5 算例分析 |
| 4.5.1 故障数据集的建立 |
| 4.5.2 评价指标 |
| 4.5.3 诊断结果 |
| 4.5.4 特征筛选 |
| 4.5.5 基于贝叶斯网络的超参数优化 |
| 4.5.6 算法对比与数据分析 |
| 4.6 本章小结 |
| 第五章 基于集成学习的变压器故障预测实例分析 |
| 5.1 引言 |
| 5.2 故障预测实例分析 |
| 5.2.1 故障案例1:高温过热 |
| 5.2.2 故障案例2:中温过热 |
| 5.2.3 故障案例3:局部放电 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
| 学位论文评阅及答辩情况表 |
（7）变电设备故障诊断系统研究及应用（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 变电设备故障诊断方法的研究现状 |
| 1.3 变电设备常见故障及诊断方法 |
| 1.3.1 变压器常见故障及诊断方法 |
| 1.3.2 断路器常见故障及诊断方法 |
| 1.3.3 容性设备及其他设备常见故障及诊断方法 |
| 1.3.4 氧化锌避雷器常见故障及诊断方法 |
| 1.4 本文的主要内容 |
| 第2章 变电设备故障诊断系统结构设计 |
| 2.1 系统设计 |
| 2.1.1 系统概述 |
| 2.1.2 故障诊断系统体系结构 |
| 2.2 变电设备状态评价概述 |
| 2.3 风险评价模块设计 |
| 2.4 预测评估模块设计 |
| 2.5 决策建议模块设计 |
| 2.6 小结 |
| 第3章 变电设备故障诊断系统功能设计 |
| 3.1 系统智能分析流程 |
| 3.1.1 系统管理 |
| 3.1.2 数据管理 |
| 3.2 故障诊断功能设计 |
| 3.3 变电设备状态评估功能设计 |
| 3.4 风险评估功能设计 |
| 3.5 变电设备检修辅助决策功能设计 |
| 3.6 变电设备在线监测功能设计 |
| 3.7 变电设备历史查询及预测评估功能设计 |
| 3.8 小结 |
| 第4章 变电设备故障诊断系统功能实现 |
| 4.1 变电设备故障诊断系统管理界面配置 |
| 4.2 变电设备故障诊断系统功能实现界面配置 |
| 4.3 现场应用 |
| 4.4 小结 |
| 第5章 结论 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（8）基于深度学习的电力变压器故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器故障诊断国内外研究现状 |
| 1.2.2 深度学习研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 本文主要研究内容 |
| 2 变压器油中气体及故障特性分析 |
| 2.1 变压器油中溶解气体的产生机理 |
| 2.1.1 空气在变压器油中的溶解 |
| 2.1.2 绝缘材料的分解 |
| 2.1.3 变压器油的分解 |
| 2.2 变压器常见故障及其特性分析 |
| 2.2.1 变压器常见故障及其特性分析 |
| 2.2.2 变压器典型故障类型 |
| 2.3 常见故障的溶解气体特征 |
| 2.3.1 热性故障油中溶解气体特征 |
| 2.3.2 电性故障油中溶解气体特征 |
| 2.4 本章小结 |
| 3 基于DBN的变压器故障诊断研究 |
| 3.1 深度信念网络 |
| 3.2 深度信念网络结构及训练过程 |
| 3.3 特征数据及其处理方法 |
| 3.3.1 数据采集及其预处理 |
| 3.3.2 特征比值的约简及降维 |
| 3.4 基于DBN的变压器故障诊断研究 |
| 3.4.1 基于DBN的故障诊断模型 |
| 3.4.2 模型网络参数的确定 |
| 3.4.3 变压器故障诊断结果分析 |
| 3.5 本章小结 |
| 4 基于ISSA-DBN的变压器故障诊断研究 |
| 4.1 麻雀搜索算法 |
| 4.2 改进麻雀搜索算法 |
| 4.2.1 算法改进策略 |
| 4.2.2 改进麻雀搜索算法 |
| 4.2.3 改进算法的性能测试 |
| 4.3 基于ISSA优化DBN的变压器故障诊断模型 |
| 4.4 本章小结 |
| 5 优化DBN-SVM的变压器故障诊断及实例分析 |
| 5.1 支持向量机 |
| 5.2 基于优化DBN-SVM的变压器故障诊断研究 |
| 5.3 模型验证分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文目录 |
（9）配网环网柜在线监测系统开发（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 环网柜监测系统的研究现状 |
| 1.2.2 局部放电检测与识别的研究现状 |
| 1.3 本文研究的主要内容 |
| 第2章 环网柜在线监测系统硬件设计 |
| 2.1 环网柜在线监测系统组成 |
| 2.1.1 基于分布式结构的系统网络设计 |
| 2.1.2 环网柜监测方案需求分析 |
| 2.1.3 环网柜在线监测方案设计 |
| 2.2 局部放电采集设计 |
| 2.2.1 高频传感器及其调理电路设计 |
| 2.2.2 暂态对地电压传感器及其调理电路设计 |
| 2.3 带电显示装置设计 |
| 2.3.1 带电显示传感器的原理 |
| 2.3.2 带电显示采集电路设计 |
| 2.4 电缆短路故障采集设计 |
| 2.5 电缆绝缘表面温度监测设计 |
| 2.6 环境信息采集设计 |
| 2.6.1 温湿度采集电路设计 |
| 2.6.2 烟雾采集电路设计 |
| 2.6.3 液位采集电路设计 |
| 2.7 无线数据传输设计 |
| 2.8 本章小结 |
| 第3章 环网柜电缆终端的局部放电特征提取与分类方法研究 |
| 3.1 局部放电试验系统搭建 |
| 3.1.1 试验平台搭建 |
| 3.1.2 放电模型制作 |
| 3.1.3 实验数据采集 |
| 3.2 特征提取方案 |
| 3.2.1 经验模态分解算法 |
| 3.2.2 变分模态分解算法 |
| 3.2.3 多尺度排列熵算法 |
| 3.2.4 主成分分析算法 |
| 3.3 局部放电特征提取 |
| 3.3.1 基于Hilbert-VMD的时频分析 |
| 3.3.2 基于MPE算法的特征提取分析 |
| 3.3.3 基于PCA算法的特征降维分析 |
| 3.4 基于支持向量机的局部放电模式识别研究 |
| 3.4.1 BP神经网络基本理论 |
| 3.4.2 支持向量机基本理论 |
| 3.4.3 识别结果评价指标 |
| 3.4.4 识别结果分析 |
| 3.5 本章小结 |
| 第4章 系统软件设计以及整机测试 |
| 4.1 系统下位机软件设计 |
| 4.1.1 下位机主程设计 |
| 4.1.2 局部放电监测程序设计 |
| 4.1.3 温湿度监测程序设计 |
| 4.2 系统上位机软件设计 |
| 4.3 整机测试与数据分析 |
| 4.3.1 实验室测试与数据分析 |
| 4.3.2 现场测试与数据分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及获得成果 |
| 致谢 |
（10）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 |
四、变压器局部放电在线测试与故障判断（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]基于CVA的变压器故障诊断及预测研究[D]. 张宇婷. 长春工业大学, 2021(08)
- [3]电力变压器在线监测与故障诊断的系统研究[D]. 董伟广. 湖北民族大学, 2021(12)
- [4]变压器故障诊断方法研究[D]. 周孟. 西安建筑科技大学, 2021(01)
- [5]基于神经网络和注意力机制的变压器状态预测和故障诊断研究[D]. 苏小盟. 山东大学, 2021(09)
- [6]基于集成学习的变压器故障预测方法研究[D]. 王凯. 山东大学, 2021(12)
- [7]变电设备故障诊断系统研究及应用[D]. 项茂阳. 山东大学, 2021(12)
- [8]基于深度学习的电力变压器故障诊断研究[D]. 李黄曼. 陕西科技大学, 2021(09)
- [9]配网环网柜在线监测系统开发[D]. 赵立胜. 哈尔滨理工大学, 2021(09)
- [10]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)