电力变压器在电网电力能量的传输和电力能量的转换中起非常重要的作用,在电网安全防御上的作用也非同一般。电力变压器一旦发生故障会严重影响电力系统的运行,对国家财产、居民生活造成损害。因此对其故障进行研究十分重要。目前一般采取外表特征分析、数据量化分析、人工智能模拟等方法进行故障原因探寻。通过这些分析,初步了解了电力变压器的故障一般是由外界环境变化、变压器自身老化引发的短路、断路而造成。掌握这些理论知识有助于提高故障紧急处理的能力、防范能力,提升电网运行的稳定性和运行效率。同时也可促进对于一些未出现的故障在设计时进行防范,提升电网建设质量。

针对电力系统运行中对于电力变压器进行高效、准确的故障诊断需要，文中提出了一种基于卷积神经网络的电力变压器故障诊断方法。利用电力变压器油中溶解气体分析法得到特征气体并重新对其进行二进制编码，对编码后的数据进行预处理从而得到特征向量。以特征向量为基础，构建相应的卷积神经网络模型，实现对电力变压的故障诊断。实验结果表明，相较于其他传统机器学习算法，文中所提出的卷积神经网络模型在电力变压器故障诊断时的诊断准确性与诊断效率均有显著优势，能够有效保障电力系统运行的可靠性。

不仅有变压器的维修和常见故障的诊断，同时也有很多数据和算例.

基于C语言变压器故障诊断灰色关联度计算研究.pdf

基于深度自编码网络（DAEN），构建了分类深度自编码网络（CDAEN）模型。结合电力变压器在线监测油中溶解气体分析（DGA）数据，提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练，优化模型参数，并利用少量有标签样本进行微调。实例分析表明，与基于反向传播神经网络（BPNN）、支持向量机（SVM）的故障诊断方法相比，所提方法的诊断正确率更高。

案例19 概率神经网络的分类预测-基于PNN变压器故障诊断.7z

基于自适应深度学习模型的变压器故障诊断方法.pdf

概率神经网络的分类预测-基于PNN变压器故障诊断(matlab实现)，包含源代码和测试数据

提出利用GA-BP神经网络的系统对变压器的故障诊断进行优化。利用GA遗传算法优化BP的初始权值,得到GA-BP神经网络。同时使用L-M算法训练GA-BP,使其可精确识别故障变压器内部的气体含量变化,并针对变压器故障诊断过程进行高效处理。GA-BP神经网络具备模糊算法,具有计算快速和判断准确等优点,可在很多的领域内保障电气安全,因而其具有良好的发展前景。

概率神经网络分类预测基于PNN变压器故障诊断matlab程序.zip