基于小波神经网络的变压器故障诊断及系统研究开题报告20140729修改稿

工程硕士研究生学位论文开题报告

工程领域  控制工程  

课题名称 基于小波神经网络的变

压器故障诊断及系统

研究开题报告 

研究生姓名  周家戌           

入学年月                      

导师一姓名、职称                       

导师二姓名、职称                     

三峡大学研究生处

年   月    日

说   明

一、学位论文开题报告是工程硕士研究生开展学位论文工作的重要环节,开题报告应在入学后两年半内完成。

二、开题报告评议小组由3-5名副高职以上职称的专家组成。评议小组设秘书一人，协助组织和处理评议事宜，并做好详细记录，记录由学院作为原始材料保存备查。

三、本开题报告第1—3页均可另加附页。

四、本开题报告一式三份，学生、学院、研究生处各留一份。

"

一、立论依据（所选课题的科学意义和应用前景，国内外研究现状分析，主要参考文献目录）：

科学意义和应用前景：

就变压器本身而言，其可能发生故障的因素很多，产生的变压器故障也就多种多样。例如，按发生故障的性质分可分为热性故障和电性故障；按变压器的结构分可以分为：绕组故障、铁芯故障、油质故障和附件故障；按故障发生的回路分可分为：电路故障、磁路故障和油路故障；按故障发生的部位可分为铁芯故障、分接开关故障、绕组故障、绝缘故障等；按变压器本体可分为内部故障和外部故障。因此快速辨别出变压器的故障部位以及故障类型就能够尽快解决问题。

变压器是电力系统中最重要的输变电设备之一，同时它也是电力系统中发生事故最多的设备之一，其运行状态直接影响系统运行的安全与稳定。变压器是整个电力系统的发、变、送、用环节中最重要、最昂贵的设备之一，其运行的安全性和可靠性直接影响整个电力系统的运行链完整性，关系到变电企业、广大用户利益和人民群众的生活。如何确保变压器的安全运行受到了世界各国的广泛关注。通过对电力变压器定期进行预防性维护，实时监测高压设备的实际运行情况，监测与诊断其潜伏性故障或缺陷，提高诊断水平，做到有针对性的检修维护，达到早期预报故障，避免恶性事故的发生，具有重要的实际意义。因此，研究和应用大型变压器的状态监测与故障诊断技术，保证变压器安全可靠运行，保障送变电的安全，这不仅仅是局部的经济问题，也是社会公共利益问题。

在社会供电可靠性的研究方面，世界各国每年用于设备检修的费用相当惊人。根据美国统计局公布的数据可知，1980 年美国 7500 亿美元的全年税收中约 2500 亿美元用于工业设备的检修，其中至少 750 亿检修费用用来修理了不该修理的设备，属于浪费性质。然而，在我国设备年检修费用，仅约占资产总额的 7%~9%，约为 800 多亿元，由于设备检修与检修手段相对落后，检修过程中的浪费严重，总的检修效益低下。同时国内外许多资料表明，开展故障诊断的经济效益是明显的。英国调查表明，采用诊断技术后每年节省维修费 3 亿英镑，用于诊断技术的费用仅为 0.5 亿英镑，净获利 2.5 亿英镑。如果在我国全面推广故障诊断技术，每年预计可减少事故 50~70%，节约维修费用10%~30%，效益将相当可观。变压器定期在线检修方式下，可以减少如下三大类：检修过程中检修人员成本及消耗的物化成本；设备停运导致间断供电带来的损失；检修周期间隔中，设备突发故障导致的经济损失，包括设备的维修和更换费用，供电中断导致的间接损失;

因此，变压器状态在线监测系统不仅可以有效的预防重大事故，同时能够最大程度降低设备停运时间，是一种成本低回报率高的较好的生产投资，其经济效益十分显著，在有效降低变压器本体维护成本的同时避免了一定的附加性故障损失。

国内外研究现状分析：

变压器故障诊断方法的国内外研究综述

国内外对变压器故障诊断技术的研究一直十分重视，并已经获得了大量的经验，形成了多种诊断方法。电力设备故障诊断系统在国内的应用始于 80 年代末，众多专业院校和科研机构对此进行了大量的理论研究和开发设想。对于大型电力变压器，目前几乎都是用油来绝缘和散热。变压器油与油中的固体绝缘材料在运行电压下因电、热、氧化和局部电弧等多种因素作用会逐渐变质，裂解产生少量的低分子烃类，如甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）以及一氧化碳（CO）、二氧化碳（CO2）和氢气（H2）等气体并多数溶解在油中——故称为油中溶解气体。变压器内部存在的潜伏性过热或放电故障又会加快产气的速率。油中溶解气体的组分和含量在一定程度上反映出变压器绝缘老化或故障的程度，可以作为反映变压器异常的特征量。采用油中溶解气体的气相色谱法分析变压器油中溶解气体组分，从而判断变压器的潜伏性故障，具有分离效率高、分析速度快、监测灵敏度高和样品用量少等特点，历年来的实践证明，这项监测技术能十分有效地监测设备内部的绝缘缺陷及其他故障，且不需要停电，不受外界电场干扰，定期地对变压器运行内部状况进行诊断，将事故消灭在萌芽状态之中，这是其他绝缘监督手段所无法比拟的。

1952 年，Martin 等人提出气相色谱法，1961 年 Pugh 和 Wagner 等人提出把气相色谱法用于监测变压器故障气体，为以后应用气相色谱法监测变压器早期故障奠定了基础。英国电力局1970年提出并在1972年国际大电网会议上介绍了应用四个溶气浓度的比值来确定故障性质的法则，即得能堡比值（Doermenburg ratios）法。英国电力局还提出与得能堡比值法相似的方法，即应用溶解气体浓度的四组比值来构成一组代码以确定故障的性质，即劳杰士（Rogers）比值法。日本电协研究会以156台故障变压器油中溶解气体分析数据与劳杰士方法和IEC法作检验后，提出电协研法。日本电协研究会提出的电协研法和我国湖北电力试验研究所提出的改良电协研法，都对IEC编码作了进一步的补充。

国内在 20 世纪 70 年代初开始研究气相色谱分析技术并应用其监测变压器潜伏性故障，取得了很大成绩。研究表明，采用油中溶解气体的色谱分析法，根据变压器内部析出的气体可以分析出变压器的潜伏性故障，特别是对热性、电弧性和绝缘破坏性故障等，不管故障发生在变压器的什么部位，都能很好地反映出来。由于电力系统广泛采用色谱分析法来查找变压器绝缘缺陷，在电力设备预防性试验中及时发现了很多隐患，所以目前已将该方法正式列为充油电气设备交接和预防性试验项目中的第一项。目前，国内最常用的诊断方法是利用常规的离线气相色谱法监测变压器油中溶解气体。在取油样-油气分离-色谱分析的全过程中存在着环节多、操作手续繁琐、试验周期长等弊病，不仅不可避免地会引起较大的试验误差，而且实践证明难以发现类似匝间绝缘缺陷等故障和不能及时监测出相对发展较快的故障。实现在线对变压器内部绝缘状况进行诊断，有利于促进由定期维修方式向状态维修方式的过渡。“电力设备预防性试验规程”把油中溶解气体的气相色谱分析法摆在很重要的位置。色谱分析为设备状态检修提供了可靠的依据，是判断变压器工作状态和诊断故障性质的最有效方法之一。应用这项技术在电力设备预防性试验中及时发现了很多隐患，大大减少了变压器的故障发生率，对电力系统的安全、经济运行有着不可低估的作用。传统的诊断方法是人们在长期的科学研究和变压器故障诊断实践中总结出来的由特征气体浓度信息直接或通过简单的计算比值判断故障类型的方法，主要有特征气体法、有编码比值法、无编码比值法等。国内外在三比值法的基础上，又相继提出或推荐了多种比值诊断方法。为了实现变压器油中溶解气体的实时或定时监测，及时发现故障，近 10年来，国内外都致力于开发以油中溶解气体组分含量为特征量的在线监测装置及系统，研究及开发以模糊数学、专家系统、灰色系统及粗糙集等理论为基础的智能化诊断方法，相继研制出了一些有实用价值的油中溶解气体在线监测及诊断装置，为推动在线监测为主要手段的状态维修体系的逐步实施起了非常重要的作用。在现有常规的变压器故障诊断方法中，油中溶解气体分析方法（DGA）是最为有效的方法之一。DGA 诊断方法通过分析变压器发生故障时所产生气体的成分、含量和速率，就能够诊断出变压器的大部分故障。目前智能化诊断方法主要有：

（1）以DGA为特征量的模糊综合诊断模型及方法

目前用于变压器故障诊断的各种规程中，一般只给出一个判定边界的描述，难以确切反映故障与表现特征之间的客观规律。在用特征气体法进行变压器故障诊断时，气体含量用“高”、“较高”、“主要成分”等含糊字样描述，具有不确定性。模糊数学正是对人类模糊思维和模糊语言加以定量分析，寻找适合于计算机仿效人脑进行模糊识别和判别等的数学工具，并具有多因素综合分析的特点。但模糊数学研究是“内涵明确，外延不明确” 的对象，存在隶属函数难以确定的缺点。

（2）以DGA为特征量的灰色关联诊断模型及方法

灰色系统是指部分信息清楚、部分信息不清楚的系统，即是信息不完全的系统。灰色系统理论主要通过对“部分”已知信息的生成和开发，提取有价值的信息，实现对系统运行行为的正确认识和有效控制。变压器故障系统是一个部分信息已知、部分信息未知的灰色系统，对其故障诊断的实质是一个灰色系统的“白化”过程。现有的灰色系统方法应用于以 DGA为特征量的变压器故障诊断中应用的有灰色关联分析、灰色聚类评估、灰色系统建模等。

（3）以DGA为特征量的故障诊断专家系统变压器故障诊断

专家系统是将在变压器故障诊断方面的多位专家所具有的知识、经验、推理、技能综合后编制成大型计算机程序，着重围绕气体色谱分析，采用三比值法和特征气体法对变压器运行状况进行初步分析，判断变压器的故障。同时结合外部检查、绝缘油特性试验、绝缘油预防性检查等监测手段建立知识库程序。综合分析模块根据气体色谱分析、外部检查、绝缘油特性、绝缘预防性试验模块分析的结果，对变压器的运行状况进行分析判断，并向运行人员做出操作建议。专家系统利用计算机系统帮助人们分析解决只能用语言描述、思维推理的复杂问题，存在着知识获取困难、不确定性推理以及自学习困难等许多技术问题。

（4）以DGA为特征量的神经网络故障诊断

人工神经网络是一种数学模型但是它在许多方面试图模拟人脑的功能，它是一种以计算手段实现智能的新方法，是在数学的基础上实现的知识模型。适当的选择系统的输入和输出变量，人工神经网络便能够很好地解决传统方法不能解决的具有高度非线性、耦合性、多变量性系统的建模问题。网络模型建立后，根据一组输入，便按已确定的权值计算出对应的输出，对于没有训练过的输入也能够得到合适的输出，并具有预测功能。在实际生产中，以变压器油中溶解气体组分含量为样本数据，建立变压器故障诊断的神经网络模型具有重要的应用价值和指导意义。

（5）基于小波变换的变压器故障诊断的方法

小波变换用于变压器故障诊断就是对变压器运行中产生的各种电磁、机械等物理信号进行实时监测，判断其状态，在故障初期或故障时刻发出警报，及时处理排除故障。变压器正常运行时产生的电磁信号比较平稳，而发生故障时则会产生奇异点。运用小波变换理论对所产生的奇异电磁信号作多分辨率分析，将信号分解到不同的尺度上，每个尺度上的信号反映了原信号的不同频率组成，可以将故障信号显示出来，从而达到状态监视和故障诊断的目的。

变压器在线状态监测系统的国内外研究现状综述

变压器在线监测技术的发展，大体经历了以下三个阶段：

（1）带电测量阶段。二十世纪 70 年代左右，人们为了不停电而对设备的某些绝缘参数如变压器泄露电流、介损等进行直接测量，采用机械式和模拟式的设备。这一阶段的特点是测量项目少，灵敏度不高，应用范围不宽，没有得到普及和应用。

（2）数字测量阶段。80 年代至 90 年代初，出现了各种专用的测试仪器，使在线监测技术开始从传统的模拟式设备转变为微机式的数字测量仪器，自动化程度有所提高。

（3）智能测量阶段。从 90 年代开始，随着传感器技术、电子计算机技术、数字信号处理以及光纤技术的发展，在线监测诊断技术也得到了迅速地提高。如利用先进的传感器和微机采集技术，对变压器油中溶解气体、介损、电容量、泄漏电流等绝缘参数实行在线监测，其目的是实时或定时的监视变压器的运行状态，判断其运行是否正常，诊断其内部是否存在故障，并预测故障的发展趋势，以指导电力运行部门的设备管理和维修，从而实现变压器从定期的预防性维护到预知性维护的转变。国内外已有各式各样的变压器在线监测系统。如2000 年加拿大加创集团公司的 201-6 型六组份在线监测系统用于大型变压器的故障监控，重庆大学高电压与电工新技术教育部重点实验室研制的DZJ型电气设备绝缘在线监测及故障诊断系统和 SPJC 型变压器油中色谱在线监测及故障诊断系统，对变压器油中六种溶解气体实现在线监测。中科院研制的 DDG—1000型油中氢气在线监测装置能实现对变压器油中氢气监测。后勤工程学院和大连理工大学研制的微量水在线监测系统能对绝缘纸板中的水分含量在线测量。宁波理工监测设备有限公司开发的“MGA2000-6 系列变压器色谱在线监测系统”、“CMS2000 变电站集成式状态监测系统”、“CTC 系列互感器气体采集器”及“OFO-3型有载分接开关在线净油机”等，可以实现对变压器内部故障的在线监测。

目前主要的变压器在线监测技术按原理分有气相色谱、红外光谱、光声光谱和传感器阵列等。气相色谱法于1952年由James和Martin提出，目前已成为使用最广泛的气体分离、分析方法。气相色谱在线监测系统一般包括油气分离、色谱柱、传感器（气体组分监测）、数据采集、故障分析几个部分。目前基于气相色谱的在线监测是主要的变压器在线监测方式。 

红外光谱技术是基于光的干涉原理或光谱吸收原理，应用光谱分析来直接确定气体的类型和含量的一种方法，具有结构简单、快速、非接触性监测、免载气、不须色谱柱、易维护等特点。光声光谱法是基于气体的光声效应的一种方法。当光通过密闭容器中的气体时，特定的气体分子吸收特定波长的电磁辐射能量，温度升高，导致压强增大，通过测量灵敏的微音器探测压力波强度来对气体浓度进行定性或定量的分析。

另外，变压器在线监测系统中，对于数据处理部分除了传统的傅氏快速算法、IIR和 FIR 型数字滤波器外，还有小波理论、形态学滤波等数字信号处理方法。

小波理论（Wavelet Analysis）是一种新的时频分析方法，属于一种时间和频率的局域变换。通航过伸缩和平移等运算功能对函数或信号进行多尺度细化分析（MultiscaleAnalysis），解决了 Fourier 变换不能解决的许多问题。小波分析在电力系统中有相当广泛的应用前景。形态滤波（Morphological Filter）是从数学形态学中发展出来的一类新型非线性滤波器。数学形态学具有天然的并行实现结构，实现了形态学分析和处理算法的并行，提高了信号分析和处理的速度。其具体算法是由一组形态学的代数运算子组成。最基本的形态算子有 delation（扩张），erosion（腐蚀），opening（开）和 closing（闭）。

形态滤波器是基于信号的几何结构特性，利用预先定义的结构元素对信号进行匹配或局部修正，以达到提取信号，抑制噪声的目的。其通过选择适当的结构元素，根据形态开滤波器、闭滤波器、开—闭滤波器和闭—开滤波器的运算特点设置适当的组合运算，能将一个复杂的信号分解为具有物理意义的各个部分，将其与背景剥离，滤除信号中的主要干扰噪声，同时保持信号主要的形状特征。目前形态滤波在电力系统中的应用也越来越广泛。

主要参考文献目录：

[1].徐安定．大型变压器状态监测与故障诊断技术．浙江大学，硕士学位论文，2005.

[2].牟龙华, 石林, 许旭锋, 等. 智能换流变压器在线监测系统的设计与建模[J]. 电力系统及其自动化学报, 2013 (1): 23-28.

[3].修雅山, 苏银峰. 对电力变压器故障在线监测诊断的系统思考[J]. 中国科技投资, 2013 (25).

[4].Sukhbir    S, Bandyopadhyay M N. Dissolved gas analysis technique for incipientfault diagnosis in power transformers: A bibliographic survey [J]. ElectricalInsulation Magazine, 2010, 26(6): 41-46.

[5].Naresh    R, Sharma V，Vashisth M. An Integrated Neural Fuzzy Approach forFault Diagnosis of Transformers [J]. IEEE Transactions on Power Delivery,2008, 23(4): 2017-2024.

[6].程鹏, 俘来生, 吴广宁等. 大型变压器油中溶解气体在线监测技术进展[J]. 电力自动化设备, 2004, 24(11): 90-93.

[7].王伟，李清泉，王向东.基于MATLAB的BPNN油浸电力变压器故障诊断仿真[J].变压器，2007,44 (9) ： 47-51.

[8].刘兴平, 陈民铀. 一种配电变压器绕组变形故障的在线监测新方法[J]. 电力系统保护与控制, 2013, 41(12): 20-26.

[9].邹国平, 何文林, 孙翔. 变压器套管在线监测接口适配器的研究[J]. 浙江电力, 2013, 32(9): 7-10.

[10].Yang G P. The Application of Artificial Intelligence (AI) in Power TransformerFault Diagnosis[C].China:CI CED proceedings, 2000: 561-563.

[11].Church J O et al. Analyze Incipient Faults with Dissolved-Gas Nomograph[J].Electrical World, 1987:40-44.

[12].陈安伟, 乐全明, 张宗益, 等. 智能变电站一次主设备在线监测系统工程实现[J]. 电力系统自动化, 2012, 36(13): 110-115.

[13].程鹏，佟来生，吴广宁.大型变压器油中溶解气体在线监测技术发展[J].电力自动化设备，2004，24 (11) ： 90-93.

[14].Mechel    Duvel. A review of faults detectable by gas-in-oil analysis intransformers[J]. IEEE Electrical Insulation Magazine,2002,18(3): 8-17.

[15].李峰, 王红斌, 朱文俊. 变压器油中溶解气体在线监测预警策略研究[J]. 广东电力, 2012, 25(6): 44-46.

[16].王磊. 基于 Web 的电力设备在线监测与故障诊断系统设计[D]. 北京交通大学, 2012..

[17].王婧頓.大型电力变压器铁心的振动特性分析及实验研究[D].浙江：浙江大学，2010.

[18].孙磊.电力变压器的智能故障诊断系统研究[D].湖南：湖南大学，2008.

[19].盛梦周.电力变压器局部放电超高频监测方法的研究[D].湖北：华中科技大学，2005.

[20].Michel Duval, A Alonso de Pablo. Interpretation of gas-in-oil analysis using newIEC publication 60599 and IEC TC10 databases[J]. IEEE Electrical InsulationMagazine, 2001,(17):31.

[21].葛哲学，孙志强.神经网络理论与MATLABR2007实现.北京：电子工业出版社，2007:46-55

[22].赵笑笑，云玉新，王新宽.变压器油中溶解气体的在线监测技术.变压器. 2010，47(2)：65-66.

[23].Islam.S.M,Wu.T,Ledwich.G.ANovel Fuzzy LogicApproach to ransformer Fault Diagnosis.IEEE Transactions on Dielectrics and Electrical nsulation，2006，7(2)：177-186.

[24].安晨光.变压器油中溶解气体在线监测关键技术研究: [硕士学位论文]，中南大学，2008，12-39.

[25].S.P.Kaldis，G.C.Kapantaidakis，G.P.Sakellaropoulos，Simulation of Multicom -ponent GasSeparation in a Hollow Fiber Membrane by Orthogonal Collocation-hydrogen Recovery fromRefinery Gases.Journal of Membrane Science，2000，173：61-71.

[26].R.S.J.Patricia，M.I.Syed，W.Tony.AClass of Hybrid Intelligent System for Fault Diagnosisin Electric Power Systems.Neurocomputing，1998，23:2-5.

[27].王謇.变压器在线故障诊断方法的研究与软件实现: [硕士学位论文]，大连交通大学，2009，32-44.

[28].刘万琨，张志英，李银凤，赵萍．风能与风力发电技术．北京：化学工业出版社，2007．

[29].李颖芝．风电系统中加速齿轮微动磨损的研究．机械研究与应用，2009，22（6）：50-54．

[30].M.wang, A.J. Vandermaar, K. D. srivastava. Review of ConditionAssessment of Power Transformers in Service[J]. IEEE ElectricalInsulation Magazine, 2002, 18(6):12-25.

[31].Zhou Jianhua, Hu Minqiang, Tang Guoqing. Hologamous Integrating Strategies forIncipient Fault Diagnosis of Transformer[J].Journal of Southeast University,2004,20(4):503-506.

[32].姜楠，董鸿晔.液相色谱选择优化专家系统推理机的构建[J].中国医药指南，2012.1： 265-267.

[33].苏彩红，向娜，陈广义，王飞.基于人工蜂群算法与BP神经网络的水质评价模型[J].环境工程学报，2012.2: 699-704.

[34].Zhao F , Kout soukos X , Haussecker H，et al. Monitoring and fault diagnosis* ?of hybrid systems [J]. IEEE T rans . On SMC-Part B : Cybernetics ,2005，35(6) :793-801.

[35].张德明.变压器分接开关状态监测与故障诊断[M].北京：中国电力出版社，2008: 121-142.

[36].Weigen Chen, Chong Pan，Yuxin Yun, et al. Wavelet Networks in PowerTransformers Diagnosis Using Dissolved Gas Analysis [J]. IEEE Transactionson Power Delivery, 2009，24(1): 187-194.

[37].Akbari A, Setayeshmehr A, Borsi H，et al. Intelligent agent-based system usingdissolved gas analysis to detect incipient faults in power transformers [J].Electrical Insulation Magazine, 2010，26(6): 27-40.

[38].Zheng H B, Liao R J, Grzybowski S, et al. Fault diagnosis of power transformersusing multi-class least square support vector machines classifiers with particleswarm optimisation [J]. lET Electric Power Applications, 2011, 5(9): 691-696.

[39].Ke Meng, Zhao Yang Dong, Dian Hui Wang, et al. A Self-Adaptive RBF NeuralNetwork Classifier for Transformer Fault Analysis [J]. IEEE Transactions onPower Delivery, 2010, 25(3): 1350-1360.

[40].袭瑞昆，马亮，赵延军，等.基于量子神经网络信息融合的变压器故障诊断[J].电力系统保护与控制，2011, 39(23): 79-84,88.

[41].刘卓，黄纯，李波，等.利用微分进化优化神经网络的变压器故障诊断[J].电力系统及其自动化学报,2011，23(2): 54-58.

[42].杨海马，刘瑾，张菁，等.BP神经网络在变压器故障诊断中的应用[J].变压器，2009，46(1); 67-70.

[43].付强，陈特放，朱佼佼，等.釆用自组织RBF网络算法的变压器故障诊断[J].高电压技术，2012, 38(6): 1368-1375.

[44].任静，黄家栋.基于免疫RBF神经网络的变压器故障诊断[J].电力系统保护与控制，2010, 38(11): 6-9, 14.

[45].潘超，马成廉，郑玲峰，等.一种结合模糊TOPSIS法和BP神经网络的变压器故障诊断方法[J].电力系统保护与控制，2009，37(9); 20-24, 29.

（1）论文研究课题建议有具体项目做支持；

（2）及早将毕业论文的目录（到二级标题）发给老师批阅；

（3）课题涉及的理论较深，是否有足够的功底进行研究；

（4）对于开展研究和不开展本研究相比，到底有什么好处，请心里一定要清楚；

（5） 有空尽早开始论文撰写。