發(fā)布時(shí)間：2025-05-15 06:36

　　目前我國(guó)超/特高壓變壓器大多安裝了油色譜在線監(jiān)測(cè)裝置,基于油色譜監(jiān)測(cè)數(shù)據(jù)對(duì)變壓器進(jìn)行故障診斷具有現(xiàn)實(shí)意義,對(duì)于電力系統(tǒng)安全可靠運(yùn)行十分重要。本文在探索極限學(xué)習(xí)機(jī)及其深度結(jié)構(gòu)算法的基礎(chǔ)上,嘗試將極限學(xué)習(xí)機(jī)的改進(jìn)算法應(yīng)用于基于DGA的變壓器故障診斷中,以進(jìn)一步提高變壓器故障診斷的時(shí)效性和準(zhǔn)確率,更好地對(duì)變壓器進(jìn)行運(yùn)行維護(hù)。具體主要做了以下研究:(1)提出了一種NSGA2優(yōu)化正則極限學(xué)習(xí)機(jī)(NSGA2-RELM)的變壓器故障診斷算法。該算法首先利用NSGA2優(yōu)化正則極限學(xué)習(xí)機(jī),將正則極限學(xué)習(xí)機(jī)的參數(shù)優(yōu)化問題轉(zhuǎn)化為多目標(biāo)優(yōu)化問題;然后用優(yōu)化后的參數(shù)初始化正則極限學(xué)習(xí)機(jī),以得到更加穩(wěn)定的網(wǎng)絡(luò)模型;最后將其用于變壓器故障診斷。該算法旨在降低原始極限學(xué)習(xí)機(jī)的經(jīng)驗(yàn)風(fēng)險(xiǎn)和結(jié)構(gòu)風(fēng)險(xiǎn),避免對(duì)變壓器故障診斷準(zhǔn)確率的影響。(2)提出了一種深度降噪極限學(xué)習(xí)機(jī)(Deep denoising extreme learning machine,DDELM)的變壓器故障診斷算法。該算法首先將極限學(xué)習(xí)機(jī)和降噪自編碼器結(jié)合構(gòu)建基本單元——降噪自編碼極限學(xué)習(xí)機(jī);然后將基本單元堆疊構(gòu)建特征提取器——深度降噪極限學(xué)習(xí)機(jī);最后將常規(guī)極...

【文章頁數(shù)】：47 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 變壓器故障診斷研究現(xiàn)狀
        1.2.2 極限學(xué)習(xí)機(jī)研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容及章節(jié)安排
第2章 極限學(xué)習(xí)機(jī)
    2.1 引言
    2.2 極限學(xué)習(xí)機(jī)理論
        2.2.1 單隱層前饋神經(jīng)網(wǎng)絡(luò)
        2.2.2 極限學(xué)習(xí)機(jī)
    2.3 深度神經(jīng)網(wǎng)絡(luò)
        2.3.1 堆棧自編碼網(wǎng)絡(luò)
        2.3.2 深信念網(wǎng)絡(luò)
        2.3.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.4 深度融合網(wǎng)絡(luò)
    2.4 深度極限學(xué)習(xí)機(jī)
    2.5 本章小結(jié)
第3章 基于NSGA2 優(yōu)化正則極限學(xué)習(xí)機(jī)的變壓器故障診斷
    3.1 引言
    3.2 基本算法
        3.2.1 正則極限學(xué)習(xí)機(jī)
        3.2.2 NSGA2 遺傳算法
    3.3 NSGA2 優(yōu)化RELM算法
        3.3.1 確定RELM網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 個(gè)體表示方法
        3.3.3 確定目標(biāo)函數(shù)
        3.3.4 NSGA2-RELM算法步驟
    3.4 基于NSGA2-RELM的變壓器故障診斷
        3.4.1 特征向量選取
        3.4.2 狀態(tài)向量表示
        3.4.3 故障診斷流程
    3.5 本章小結(jié)
第4章 基于深度降噪極限學(xué)習(xí)機(jī)的變壓器故障診斷
    4.1 引言
    4.2 深度降噪極限學(xué)習(xí)機(jī)分類模型
        4.2.1 特征提取器
        4.2.2 特征分類器
        4.2.3 DDELMC算法流程
        4.2.4 DDELMC性能測(cè)試
    4.3 基于DDELMC的電力變壓器故障診斷
        4.3.1 特征向量選取
        4.3.2 狀態(tài)向量表示
        4.3.3 故障診斷模型
        4.3.4 故障診斷流程
    4.4 本章小結(jié)
第5章 變壓器實(shí)例測(cè)試和分析
    5.1 變壓器故障診斷性能測(cè)試
        5.1.1 基于NSGA2-RELM的故障診斷性能測(cè)試
        5.1.2 基于DDELMC的變壓器故障診斷性能測(cè)試
        5.1.3 性能對(duì)比
    5.2 實(shí)例分析
    5.3 本章小結(jié)
第6章 結(jié)論與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝



本文編號(hào)：4046399