本文是一篇电气自动化论文，本文提出了一种基于MIC-MHG-LSTM的电力变压器故障诊断模型。将变压器故障特征气体进行扩充，使用Fisher Score算法对特征量的重要度进行排序，应用MIC提取与变压器故障状态相关度高的故障特征量作为MHG-LSTM模型最终的输入。
第一章 绪论
1.1 课题研究背景及意义
随着电子信息时代的不断前进，电网规模急剧扩大，智能电网技术作为其新兴技术支持也随着时代进步而快速发展。目前将新兴技术应用到电力系统的运行和维护中成为了需要解决的问题。在大数据背景下，将数据与实际信息相联系，则可以通过对电力设备的数据信息进行分析，获得电力设备的状态，有助于检修维护人员对设备做出合理的判断。输变电系统中每一环节都是不可缺少的，变压器正是其中的重要一环，在电力系统中起到变电和传输的功能，它的正常运行关乎着整个电力网的安全[1]。通过检测电力变压器的内部信息，获取有效数据，利用这些对设备进行状态评估，判断变压器中可能存在的潜伏性故障，及时处理解决以降低损失避免造成更大危害[2]。
现在，我国电网系统建设发展的方向主要以超(特)高压、大容量、高互联为主，由于电网系统建设数量规模逐步增加，配电变压器的总量与容积同需要量也在日益增加[3]。该形势促使国家在发、供、配电安全要求不断提高。每一次停电事故的发生都会造成巨大经济损失，对于一级负荷更是造成了不可挽回的损失。我国在电力建设上的投资也在逐年增长，2010年我国在该方面的投资增加了11%。电源建设投资达到了3611.42亿元。截止13年底电力变压器仍处于供不应求的状态，年需求缺口9万余台。2015年比2010年的变电容量增加了近百分之五十[4]。近年来，我国现有的技术不断发展进步，电力变压器的故障率在降低，但据统计在2014年出现停运现象有218次，到2016年这三年期间电力变压器的故障率依旧达到了0.3%以上。因此，电力设备需求的快速增长对电网内相关软硬件设备都提出了较高的稳定性能要求[5-6]。
..........................
1.2 国内外研究现状
国内外已经对变压器故障诊断手段进行了大量研究，我国在针对变压器故障的预防性试验技术研究上已经逐渐成熟，目前常用的变压器诊断方法有三比值、支持向量机、遗传算法等。Q.Su[17]等研究者应用三比值法进行故障诊断，通过把比值边界模糊化，解决了传统方法对于边界限制的局限性；Vapnic[18]等人在90年代提出了支持向量机算法，针对该方法二分类的局限性，有学者将支持向量机和油中溶解气体分析(Dissolved Gas Analysis, DGA)相结合，高维的特征气体量作为模型的输入实现变压器故障多分类；Huang Guangbin教授于2006年提出了极限学习机算法，该算法在变压器诊断方面已经被广泛应用。迄今为止，诊断变压器故障的常规预防性试验任务主要包括DGA、电气测试和绝缘油性能测试。DGA是60年代初研究出来的对变压器油分析的新手段，这种方法可以判断变压器运行过程中因过热和放电引起的加速绝缘老化的缺陷，并且在80年代达到了大范围应用的水平[19]。
目前，国内外DGA技术在变压器故障诊断中已经取得较好的成绩，该方法对于气体在线监测的要求较高，通过监测油中气体含量以及产气速率，可以预测变压器的状态，提前发现变压器未显现出的故障，及时进行预防性操作试验。由于DGA可以在不停电的状态下进行监测，电力系统中变压器故障诊断大多数是通过该技术实现的。深度学习理论由Hinton等[22]于2006年提出，深度学习技术因其强大的特征提取和学习能力在语音识别和计算机视觉领域迅速发展，并产生了许多新的突破。文献[21]首次将卷积神经网络(Convolutional Neural Networks，CNN)应用到故障判断及故障选相方面，Chen[22]提出基于卷积神经网络的故障分类方法，实现了齿轮箱的故障检测。2013年Tamilselvan等[23]用深度信念网络(Deep Belief Network，DBN)实现了诊断飞机发动机故障，自此深度学习技术被广泛应用在故障诊断领域中。而循环神经网络(Recurrent Neural Networks，RNN)通常应用在对故障进行诊断及预测。文献[24]提出RNN与模糊算法相结合，有效提高了核反应堆故障检测准确度。与BP(Back Propagation)神经网络相比，RNN在处理信息方面可以表现出较好的泛化能力。
...............................
第二章 变压器油中溶解气体分析原理及故障诊断方法
2.1 变压器油中溶解气体的产生原理
电力变压器在正常工作状态下由于长时间连续运行，内部绝缘材料除了正常老化外，还会在电和高温下促进其分解产生H2、CH4、C2H6、C2H4、C2H2、CO和CO2气体，溶于变压器中致使其出现轻微故障[32]。如果不重视其故障，变压器产生气体的速率将加剧，导致出现更加严重的故障甚至事故。变压器会随温度的升高或放电的加剧，其内部产气速率和气体含量都会不断增加，当气体体积超过变压器体积时，将会溢出进入变压器的保护装置[33]。此时，变压器瓦斯保护将会动作，即“重瓦斯跳闸，轻瓦斯报警”。但是，气体的组成及其气态成分也存在差异，这是由不同类型的故障造成的[34]。即使变压器出现同一种故障，产生的气体类型、浓度和每种气体的相对含量也会根据破坏程度而有所不同。高分子材料的分解与电流、热效应的关系都较为密切，气体比例的差异性直接受设备发热和放电程度的影响，而与绝缘油的相关参数无关[35]。通过对气相色谱分析能够有效的识别变压器内部的发热和放电性故障，以保证电网的安全。
在正常运行条件下，油浸式变压器由于高负载特性而在其内部产生大电流和热量。变压器的绝缘材料会逐渐分解老化，可释放出20多种故障特征气体。并规定把 N2、O2、H2、CH4、C2H6、C2H4、C2H2、CO、CO2这些气体作为检测气体[36]。除N2和O2外，其余7种气体作为故障特征气体，通过检测分析预测可能引起的潜伏性故障或判断突发性故障类型。各气体检测作用如表2-1所示。
电气自动化论文怎么写
...............................
2.2 变压器故障与特征气体含量对应关系
2.2.1 过热性故障与油中溶解气体含量的关系
变压器正常工作时，通常顶部油温不超过85℃，但由于损耗产生的热量不断积累，会加快变压器中的绝缘材料分解老化，最终使变压器出现故障不能正常运行。研究发现，故障发生位置处于低温状态时，溶解在油中的气体主要由CH4组成[40]。随着温度不断升高，气体产生速率的快慢顺序为CH4、C2H6、C2H4、C2H2。C2H6不稳定性使其在一定温度下分解为C2H4和H2。故油中溶解气体中C2H6 的含量通常小于CH4，且C2H2与H2共同出现在变压器油中。
过热性故障中最常见的原因是由于分接头开关故障导致的，该故障在过热性故障中几乎占比百分之五十，还有三分之一的原因是由于绕组和铁芯故障造成的[41]。少部分其他原因则是由于安装不当、制造不精引起的。当变压器产生气体时，会伴随热量的升高，大部分气体都属于烃类，甲烷和乙烷浓度之和超过总烃的4/5。当温度在故障处持续升高时，C2H4和H2将在温度达到500°C时大量产生，这两种气体在烃类总量中的份额不断增加。温度达到800°C后，变压器中产生少量C2H2，该气体的浓度仅是C2H4的10%。此外，除了以上气体还会产生大量CO和CO2。将温度进行区间划分，将其分为低温、中温和高温。随着温度的升高，H2占氢烃总量逐渐降低，而在过热性故障中，C2H2含量很少，几乎没有[42]。因此伴随热故障出现的特征气体主要是C2H4和H2。
..........................
第三章 长短时记忆神经网络基本理论 ....................... 13
3.1 循环神经网络 .................................... 13
3.2 LSTM神经网络 ....................................... 14
第四章 基于CEEMD-LSTM的电力变压器气体预测 ....................... 24
4.1 CEEMD算法原理 ......................... 24
4.1.1 经验模态分解算法 ....................... 24
4.1.2 EEMD方法 .................................. 25
第五章 基于MIC-MHG-LSTM的电力变压器故障诊断 ........................ 41
5.1 基于MIC的特征气体间关联程度 .......................... 41
5.1.1 最大信息化系数原理 ............................... 41
5.1.2 故障特征气体间关联程度 .......................... 42
第五章 基于MIC-MHG-LSTM的电力变压器故障诊断
5.1 基于MIC的特征气体间关联程度
5.1.1 最大信息化系数原理
最大信息系数(MIC)可以通过计算两个特征量间的MIC值来表示变量之间的相关关系，利用MIC不但能够对大数据分析中变量之间地线性与非线性关联加以衡量，而且还能够更广泛地表现出变量间的非函数关联性[70]。MIC具有普遍性和均匀性的特点，其中普遍性是指在数据充分多的情况下，MIC可以反映任何函数类型包括非线性函数之间的关系，均匀性是指MIC值与特征量之间是否呈线性无关即具有相同的信噪比水平[71]。基于这两大特点，MIC系数对函数不同但噪声程度接近的关系赋予相差不大的数值。一旦缺乏了公平性，由于数据本身会存在噪声和异常值，会导致相关性评价结果不再准确且缺少参考价值。然而MIC就能够大大减少了统计处理的困难，当拥有的数据足以代表总体数据时，就可以利用MIC根据已知数据对总体进行分析计算。
电气自动化论文参考
...................................
第六章 结论与展望
深度学习神经网络在电力变压器故障诊断中的应用越来越成熟，使诊断技术逐渐从传统的ICE三比值等方法转变为更智能的诊断方法。深度学习技术以数据驱动为基础提取特征和泛化学习，将理论研究与变压设备的具体情况相结合，实现对电力变压器状态的诊断研究。因此基于深度学习的AI技术在电气设备检测评估方面的运用提供了一种新的研究方向。本文对电力变压器故障诊断智能方法提出了新的思路进行研究，主要研究成果如下：
(1)变压器发生故障时将会产生气体，并溶于变压器油中，由于变压器故障引起的原因不同，产生的气体种类以及含量也不同，故将气体作为判断故障类型的特征量，根据放电和过热故障与气体的对应关系，则通过分析其特征量的性质来诊断变压器故障类型。
(2)深度学习神经网络在变压器故障诊断中已被广泛应用，针对油中溶解气体序列的非线性，将其与神经网络结合分析，选取对时间序列处理良好的LSTM网络，基于该网络原理分析了LSTM模型在变压器故障诊断和气体预测方面的应用，并通过实例证明了该网络的可行性。
(3)提出一种基于CEEMD-LSTM的电力变压器油中溶解气体预测模型。通过CEEMD算法将电力变压器油中溶解气体序列分解为IMF1~IMF7以及剩余分量R，抑制序列间的噪声影响，利用R/S非线性分析方法计算各分量的Hurts指数并根据非线性程度重构为三种不同尺度的分量，应用ABC-LSTM对其分别进行预测，线性求和得到最终气体预测结果。该模型的预测精度可达到96.69%，具有较高的预测稳定性与可靠性。
(4)提出了一种基于MIC-MHG-LSTM的电力变压器故障诊断模型。将变压器故障特征气体进行扩充，使用Fisher Score算法对特征量的重要度进行排序，应用MIC提取与变压器故障状态相关度高的故障特征量作为MHG-LSTM模型最终的输入。通过对气体特征量的选择和筛选，提高了网络对长序列的处理能力。该模型对电力变压器故障诊断准确率达到了97.63%，高于其他模型的诊断准确率，具有较好的实用价值。
参考文献（略）