针对基于传统神经网络的变压器故障识别诊断方法存在网络收敛慢、易陷入局部极小点和网络参数难确定的缺点，提出了一种基于极限学习机的电力变压器故障快速识别方法。该方法以变压器油中用于故障类型分析的5种主要溶解气体含量作为输入特征量，5种常见变压器状态作为输出量建立分类识别模型。实验结果显示，该方法的识别准确率比支持向量机高12.5%，识别速度是支持向量机的2.6倍，比概率神经网络快5.5倍以上，表明该方法对变压器故障的识别快速而有效。
2022-05-04 20:09:01
440KB
1
变压器是电网的核心设备，其健康状态关系到电力系统的安全运行，开展变压器故障诊断既有实用价值，又有研究意义。变压器故障诊断的传统方法为国际电工委员会发布的IEC三比值法，该方法存在诊断准确率低、对编码以外的部分样本无法诊断等弊端。鉴于此，本文提出了一种基于统计规律的故障诊断方法，利用变压器油中溶解气体作为特征量，以故障类型为分类结果，采用朴素贝叶斯算法，建立了基于贝叶斯分类器的变压器故障诊断模型。为验证本文模型的效果，采取了两次实例测试：单次随机试验表明，本文模型将诊断准确率较IEC传统方法提高了10个百分点；多次随机试验表明，本文模型的平均诊断准确率在95%以上。因此，本文模型具有分类准确率高、泛化能力强等特点，能满足实际工程需要，可作为电力设备故障诊断的有效方法。
2022-04-27 14:46:02
895KB
1
电气计算EXCEL表_电力电气自动计算excel表_电力变压器过流、速断保护整定值计算.xlsx
2022-04-18 09:06:39
16KB
基于传统BP神经网络的变压器故障诊断方法，当网络模型达到一定的深度时，模型的诊断性能会趋向于饱和，无法进一步提升网络模型的诊断性能，此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外，在小样本数据下，传统BP神经网络仍无法取得较好的诊断准确率。因此，为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能，提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度，将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时，在每个残差网络模块中，模块的输入信息可以在模块内跨层传输，使得每个模块的输入信息可以更好地向深层网络传递，从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明，相较于传统深层BP神经网络和传统浅层BP神经网络，所提方法具有更高的诊断准确率，同时在小样本数据下也体现出较好的诊断性能。
2022-03-15 16:03:37
3.25MB
1
GB 1094.5-2008电力变压器_第5部分：承受短路的能力
GB 1094.5-2008电力变压器_第5部分：承受短路的能力
GB 1094.5-2008电力变压器_第5部分：承受短路的能力
2022-03-15 15:07:39
1.86MB
1