小波分析在变压器故障识别中的应用文档格式.doc
《小波分析在变压器故障识别中的应用文档格式.doc》由会员分享，可在线阅读，更多相关《小波分析在变压器故障识别中的应用文档格式.doc（66页珍藏版）》请在冰豆网上搜索。
-II-
四川理工学院本科毕业（设计）论文
摘要：
变压器的故障识别在电力系统生产安全中具有很重要的意义。
由于小波分析具有良好的时频局域特性以及神经网络具有自学习功能和良好的容错能力，因此将小波分析与神经网络相结合应用于变压器故障识别。
当变压器产生故障时，变压器油中气体成分会相应的变化，我们通过神经网络进行训练并运用小波函数中的哈尔小波进行隐层优化，从而找到故障模式，识别出相应故障类型。
仿真结果表明通过小波神经网络进行变压器故障识别的判断率高达80%。
关键词：
变压器故障识别；
小波分析；
神经网络；
哈尔小波；
小波神经网络
Abstract:
Transformerfaultidentificationhaveaveryimportantroleintheproductionofpowersystemsecurity.Becausethewaveletanalysishasgoodtime-frequencylocalizationcharacteristicsandneuralnetworkswithself-learningfunctionandgoodfaulttolerance,sothewaveletanalysisandneuralnetworksusedintransformersfaultidentification.Whenatransformerfailure,thegascompositionchangesaccordinglytransformeroil,weneuralnetworktrainingandwaveletHaarwaveletfunctioninthehiddenlayerisoptimizedtofindfailuremodes,failuretoidentifytheappropriatetype.Simulationresultsshowthatthewaveletneuralnetworktodeterminetransformerfaultidentificationrateof80%.
Keywords:
TransformerFaultDiagnosis；
WaveletAnalysis；
NeuralNetworks；
Haarwavelet；
WaveletNeuralNetwork；
-59-
目录
摘要 I
ABSTRACT II
第1章引言 1
1.1研究目的与意义 1
1.2国内外发展现状 2
1.2.1基于变压器油中气体成分检测数据的传统诊断方法 2
1.2.2基于变压器油中气体成分检测数据的智能诊断方法 2
1.3本文的主要工作 5
第2章变压器故障类型与油中溶解气体分析法 6
2.1变压器的分类和结构 6
2.2变压器故障类型与原因 7
2.2.1绕组故障 7
2.2.2放电故障 8
2.2.3磁路故障 8
2.2.4短路故障 9
2.2.5绝缘故障 9
2.2.6铁芯故障 9
2.2.7分接开关故障 10
2.2.8变压器受潮 10
2.3变压器油中溶解气体分析法 10
2.3.1变压器油中气体的组成成分 11
2.3.2正常运行时变压器油中气体含量 11
2.3.3变压器故障与特征气体含量对应关系 12
2.4油中气体为特征量的常用故障诊断法 12
2.4.1特征气体法 13
2.4.2比值法 13
第3章小波分析的基本理论 15
3.1小波分析基础 15
3.1.1小波函数 15
3.1.2刻画小波函数特性的几个重要参数 16
3.2小波变换的分类 17
3.2.1连续小波变换 17
3.2.2离散小波变换 18
3.2.3二进小波变换 18
3.3多分辨分析与Mallat算法 19
3.3.1多分辨分析 19
3.3.2Mallat算法 19
3.4小波分析在电力系统中的应用 21
第4章神经网络的基本理论 23
4.1神经网络的基本概述 23
4.2神经元模型 24
4.3神经网络的基本特征和性质 26
4.4BP网络及BP算法 26
4.4.1BP网络 26
4.4.2BP算法 27
第5章小波神经网络的简介 30
5.1小波神经网络的基本结构 31
5.2小波神经网络的优点 33
5.3小波神经网络的基本算法 33
5.4小波神经网络的函数逼近能力 34
第6章基于小波神经网络的简介变压器故障识别实现 36
6.1样本的选取 36
6.2数据预处理 37
6.3数据的归一化处理 38
6.4变压器故障识别示例及其结果分析 39
第7章结束语 44
7.1总结 44
7.2展望 44
致谢 46
参考文献 47
附录1 49
附录2 51
四川理工学院本科毕业论文
第1章引言
1.1研究目的与意义
电力变压器作为电力系统中的重要设备之一，它可以将一种电压等级的电能转换成另一种电压等级的电能。
由于中国西电东送，南北互供，全国联网的实施，电力变压器的需求量呈平稳增长的趋势。
作为电力系统的转换枢纽，变压器的安全运行与否直接关系到了整个电力系统能否连续稳定地工作，特别是变压器本身造价昂贵，虽然与输电线路和发电机相比故障较少，但是一旦因故障遭到破坏，不仅其检修难度大，而且经济损失也很大，这些都将会对整个电力系统的可靠性和系统的正常运行造成极严重的影响。
为了及早发现变压器故障，尤其是内部故障，必须采取一些必要的措施对变压器进行实时检测。
随着科学技术的进步与发展，尤其是计算机技术的迅猛发展与普及，设备的故障诊断识别技术已经逐步成为了一门较为完整的综合工程学科。
该学科以设备管理、状态监测和故障诊断为内容，逐渐成为国际上一大热门学科[1]。
目前，国内对变压器故障诊断识别研究比较多，但是传统的分析方法受到限制，诊断有一定的难度。
小波分析是一种先进的信号处理工具，其实质是对信号进行小波变换。
小波分析的理论与方法是从Fourier分析的思想方法演变而来，作为一种能随频率的变化自动调整分析窗口大小的分析工具，在信号处理、计算机视觉、图像处理、语音分析与合成等众多的领域得到应用，因此自八十年代中期以来得到迅猛的发展。
现在小波分析已经渗透到了自然科学、应用科学等方面，小波分析已经成为国际研究热点。
无论是傅里叶分析还是小波分析都是以线性变换为基础，按非线性傅里叶分析法提出了非线性小波变换，这种非线性小波变换处理非线性问题更为有效。
小波变换能够把任何信号映射到一个由基本小波伸缩、平移而成的一组小波函数上去，实现信号在不同时刻、不同频带的合理分离而不丢失任何原始信息。
这些功能为动态信号的非平稳描述、机械故障特征频率的分析、微弱信号的提取以实现故障诊断提供了高效、有力的工具[2]。
特别是在故障诊断识别应用上，它不仅可以在低信噪比的信号中检测到故障信号，而且可以滤去噪声恢复原信号,因此在变压器的局部放电、绕组变形等故障的在线检测及变压器保护中多有应用。
1.2国内外发展现状
变压器是电力系统中最重要的设备之一，用途十分广泛。
随着近几年来电力系统规模的扩大，电压等级的升高，增加了很多大容量的电机和变压器，大容量变压器发生事故的次数也随着增加，变压器的故障诊断就是根据变压器的故障征兆，确定故障的性质或部位。
评估方法包括油中溶解气体分析、介质损耗检测、绕组阻抗、绕组变比测量、温度监测、以及局部放电、糠醛测试、调压装置在线监测、内部温度测量、在线功率因数测量、绕组位移变形测量等[3]。
变压器的结构复杂，故障原因、故障现象和故障机理具有多样性、随机性，使得故障诊断存在诸多困难。
分析变压器故障诊断方法的研究现状，有利于更好的了解变压器故障诊断的发展水平，正视当前的问题，为进行变压器故障识别方法研究打下良好的基础。
1.2.1基于变压器油中气体成分检测数据的传统诊断方法
由于变压器的故障类型与变压器油中溶解气体的成分之间有很明显的对应关系，基于这种对应关系，人们提出了多种判断变压器故障的方式。
具体方法有：
特征气体法、罗杰斯比值法、改良三比值法、电研协法等[4]，采用的特征气体有氢气（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）、一氧化碳（CO）、二氧化碳（CO2）等七种。
传统的利用变压器油中溶解气体分析诊断变压器故障的方法，30多年来取得了巨大的成功，形成了系列标准。
但是这些传统的诊断方法大多局限于阈值诊断的范畴,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，并且很难在溶解气体含量较小的情况下对变压器状态进行分析。
1.2.2基于变压器油中气体成分检测数据的智能诊断方法
针对传统方法的不足，各种智能技术如人工神经网络、模糊理论、小波分析、灰色系统理论等被引入变压器故障识别中。
然而由于变压器的复杂性、测试手段的局限性、知识的不精确性，各种方法表现出不同的优缺点。
（1）神经网络法
神经网络（NeuralNetwork,简称NN）方法是通过模拟人脑神经元活动的过程，用神经元的特性及连接模式来学习和表达知识。
人工神经网络具有自组织自学习的能力，无需建立任何物理模型和人工干预。
用于变压器故障诊断的神经网络是带有输入层、隐层、输出层的3层前馈结构。
由于它具有并行分布处理、自适应、联想记忆、容错性强等特点，在信息处理、模式识别和智能控制等方面得到了广泛的应用。
近年来随着神经网络理论的不断发展完善，加上模糊理论和小波分析在神经网络中的广泛应用，神经网络方法成为最有前途的变压器故障诊断方法之一。
（2）基于模糊理论的诊断方法
模糊理论在变压器故障诊断中的应用主要有模糊综合诊断和模糊聚类。
以油中溶解气体为特征量的模糊聚类主要有基于模糊关系的动态聚类方法和基于目标函数的模糊聚类方法[5]。
模糊诊断不需要建立精确的数学模型，利用模糊隶属函数、模糊关系方程和模糊聚类分析等方法就可以实现智能化的模糊诊断，并且能够提高诊断的准确性。
在变压器故障诊断识别中，一种故障状态可以由多种故障征兆反映，而一种故障征兆可不同程度的反映多种故障状态，利用模糊关系矩阵不但可以实现故障的准确诊断，而且还可以确定故障点的部位。
但是模糊矩阵的构造需要大量现场实际运行数据为基础，其精确度主要取决于所依据数据的准确性及丰富程度。
模糊诊断虽然处理不确定性知识有它的优越性，但是要建立正确的模糊隶属函数是非常困难的。
（3）基于小波分析的诊断方法
小波分析首先是由法国地球物理学家Morlet于20世纪八十年代初在分析地球物理信号时提出。
研究小波分析的热潮出现于1986年以后。
1987年Mallat巧妙地将计算机视觉领域的多分辨分析的思想引入小波函数的构造及信号的小波分解与重构，得到了离散小波变换的快速算法——Mallat算法。
1988年Daubechies成功地构造出了具有紧支集的正交小波基。
而后，Coifman,Wickerhanser等将Mallat算法进一步深化，得到
升级会员 