基于极限学习机及其深度结构的变压器故障诊断研究

发布时间：2025-05-15 06:36

　　目前我国超/特高压变压器大多安装了油色谱在线监测装置,基于油色谱监测数据对变压器进行故障诊断具有现实意义,对于电力系统安全可靠运行十分重要。本文在探索极限学习机及其深度结构算法的基础上,尝试将极限学习机的改进算法应用于基于DGA的变压器故障诊断中,以进一步提高变压器故障诊断的时效性和准确率,更好地对变压器进行运行维护。具体主要做了以下研究:(1)提出了一种NSGA2优化正则极限学习机(NSGA2-RELM)的变压器故障诊断算法。该算法首先利用NSGA2优化正则极限学习机,将正则极限学习机的参数优化问题转化为多目标优化问题;然后用优化后的参数初始化正则极限学习机,以得到更加稳定的网络模型;最后将其用于变压器故障诊断。该算法旨在降低原始极限学习机的经验风险和结构风险,避免对变压器故障诊断准确率的影响。(2)提出了一种深度降噪极限学习机(Deep denoising extreme learning machine,DDELM)的变压器故障诊断算法。该算法首先将极限学习机和降噪自编码器结合构建基本单元——降噪自编码极限学习机;然后将基本单元堆叠构建特征提取器——深度降噪极限学习机;最后将常规极...

【文章页数】：47 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景和意义
    1.2 国内外研究现状
        1.2.1 变压器故障诊断研究现状
        1.2.2 极限学习机研究现状
    1.3 本文研究内容及章节安排
第2章 极限学习机
    2.1 引言
    2.2 极限学习机理论
        2.2.1 单隐层前馈神经网络
        2.2.2 极限学习机
    2.3 深度神经网络
        2.3.1 堆栈自编码网络
        2.3.2 深信念网络
        2.3.3 卷积神经网络
        2.3.4 深度融合网络
    2.4 深度极限学习机
    2.5 本章小结
第3章 基于NSGA2 优化正则极限学习机的变压器故障诊断
    3.1 引言
    3.2 基本算法
        3.2.1 正则极限学习机
        3.2.2 NSGA2 遗传算法
    3.3 NSGA2 优化RELM算法
        3.3.1 确定RELM网络结构
        3.3.2 个体表示方法
        3.3.3 确定目标函数
        3.3.4 NSGA2-RELM算法步骤
    3.4 基于NSGA2-RELM的变压器故障诊断
        3.4.1 特征向量选取
        3.4.2 状态向量表示
        3.4.3 故障诊断流程
    3.5 本章小结
第4章 基于深度降噪极限学习机的变压器故障诊断
    4.1 引言
    4.2 深度降噪极限学习机分类模型
        4.2.1 特征提取器
        4.2.2 特征分类器
        4.2.3 DDELMC算法流程
        4.2.4 DDELMC性能测试
    4.3 基于DDELMC的电力变压器故障诊断
        4.3.1 特征向量选取
        4.3.2 状态向量表示
        4.3.3 故障诊断模型
        4.3.4 故障诊断流程
    4.4 本章小结
第5章 变压器实例测试和分析
    5.1 变压器故障诊断性能测试
        5.1.1 基于NSGA2-RELM的故障诊断性能测试
        5.1.2 基于DDELMC的变压器故障诊断性能测试
        5.1.3 性能对比
    5.2 实例分析
    5.3 本章小结
第6章 结论与展望
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢



本文编号：4046399