一、利用变压器油的色谱分析判断其潜伏故障(论文文献综述)
杨祥,宗和刚,蔡红猛[1](2021)在《油色谱分析法在变压器油油质监督中的应用》文中研究表明通过实际案例分析,阐述电网运行中最常见的一次设备变压器设备的运行、维护经验,对变压器油油质监督中油色谱分析方法,通过采用油色谱分析技术及统计数据的分析,切实保障油质的合格性,及时辨别出变压器内部所存在的潜伏性故障和故障的性质,提出防范措施,实现变压器的不停电检测,进而提高变压器整体的运行质量。
解宵[2](2021)在《面向电力变压器油色谱数据特征参量的研究》文中提出电力变压器(PowerTransformer)是供电系统的枢纽,对其进行及时检测和准确诊断不仅为电力变压器正常运行和实施状态检修提供了基础,而且对于人民的生活、社会的稳定也有着重要的意义。目前,变压器在线故障诊断常用的方法是油中溶解气体分析(Dissolved Gas Analysis,DGA),但是传统的DGA比值方法存在着所建立的编码组合表并不能覆盖所有的故障类型,在实际应用中存在一些编码组合在编码表里找不到对应类型以及不同文献中对于诊断模型的训练所选用的输入特征有差异。对于以上研究中存在的不足,本文从输入特征着手研究,将优选的特征组合与支持向量机多分类模型结合,选择最优的特征组合来训练变压器故障模型,进一步提高变压器的准确诊断。本文将进行以下几个内容研究:针对于不同文献所采用的特征组合各不相同,忽略了所选用的特征组合是否能有效反映故障类型这一问题,通过阅读大量文献并且结合《大型电力变压器故障诊断及案例》,建立了一个基于DGA的故障特征集,为后续方法提供一个特征寻优的空间。其次,结合了信息增益和F-Score两种评价函数来对故障特征进行定量计算,通过计算后的数值对故障特征进行排序,引入了支持向量机多分类模型来对排序后的特征进行验证。实验分别从不同的特征集及常用的分类器方法进行了对比验证,实验结果发现了优选后的特征组合相较于传统的特征参量训练得到的模型性能更优,提高了故障诊断模型的识别率。最后,考虑到Filter模型仅仅是通过对特征进行定量计算从而来筛选特征,忽视了不同特征间的组合关系以及与训练模型的紧密结合。故引入粒子群算法(Particle Swarm Optimization,PSO)与支持向量机(Support Vector Machine,SVM)算法,设计了一个 PSO 与SVM结合的特征优选的变压器故障诊断算法。利用离散粒子群算法对特征进行寻优的同时用标准粒子群算法进行支持向量机参数的优化,采用五折交叉验证的结果来对所选的特征组合进行评估。实验从气体组合、气体比值组合、故障实例及文献[16]进行对比分析,实验结果表明:特征选择后的子集故障诊断率较气体含量、IEC比值提高了 11%到23%左右,相较于常用的几种故障特征具有更好的诊断性能;较文献[16]故障诊断率提升了 8%。考虑到在实际现场应用中数据缺失的情况下,会影响变压器故障诊断的结果,分析几种常用的插补方法后,引入K-近邻算法(K-Nearest Neighbor,KNN)来对缺失数据进行填补。实验结果表明该方法对于缺失数据存在的情况下有较好的表现能力,能在缺失数据存在的情况下对变压器故障诊断提供一定的帮助。
张毅涛[3](2021)在《油纸绝缘套管典型缺陷放电及产气规律研究》文中研究指明随着电力负荷需求的持续增长以及特高压电网的规模化建设,对电力设备的可靠性水平提出了更高的要求。油纸绝缘套管是电力变压器常见的出线组件之一,已经发生多起故障,引起严重后果。油纸绝缘套管缺陷问题已经成为影响电力变压器安全运行的主要因素之一。油纸绝缘套管是少数同时具有内绝缘问题和外绝缘问题的电力设备,其缺陷类型多样,且目前缺乏从实际角度出发针对不同缺陷类型设计实体模型进行的试验研究,油纸绝缘套管典型缺陷的起始放电及产气特征尚不明确。因此,现有套管缺陷诊断方法不能满足实际套管缺陷诊断要求,亟需开展套管典型缺陷劣化过程及特征研究,为套管缺陷诊断提供依据。为了研究油纸绝缘套管典型缺陷的放电及产气特征,本文从实际角度出发设计了多金属导管间隙放电、瓷绝缘子沿面放电、电容芯体内X蜡、电容芯子局部放电和载流连接件过热五种套管典型缺陷实体模型,搭建了套管典型缺陷试验研究平台,具备对局部放电的在线检测及取油进行气相色谱分析的功能,进行了油纸绝缘套管五种典型缺陷下的起始放电和产气特征研究,分析总结了不同缺陷下的放电和产气规律,提出了不同缺陷的诊断判据:通过H2占氢烃总量百分比稳定在约70%,CH4/H2在0.43左右可以判断多金属导管间隙放电缺陷,且金属管间未接触;通过C2H2总烃占比明显上涨,同时其他烃类气体含量未出现明显增加,放电具有随机性,放电相位分布在整个工频周期判断多金属导管间隙放电缺陷,且金属管间有接触;通过特征气体组分出现C2H2和C2H6,H2占氢烃总量百分比稳定在约80%,CH4/H2在0.24左右,CO2/CO持续减小,放电相位分布在0-120°、180-300°、340-360°之间可以判断瓷绝缘子沿面放电缺陷;通过特征气体为H2,并且H2占氢烃总量百分比超过80%并且持续增加,CO2/CO先增后降可以判断电容芯子局部放电缺陷;通过特征气体为CO2,CO2/CO缓慢上升可以判断载流连接件200℃低温过热缺陷;通过除C2H2外其他气体组分含量明显增长,CO2/CO持续下降到小于2可以判断过热温度超过500℃;通过放电和色谱特征难以判断电容芯体内X蜡缺陷。
张宇婷[4](2021)在《基于CVA的变压器故障诊断及预测研究》文中研究表明油浸式变压器是构建智能电网以及互联电网中的枢纽设备之一,基于油色谱分析技术(DGA)对变压器进行故障诊断是电网安全运行的发展方向。而变压器的故障预测是变压器维护工作的重要内容,准确的故障预测可以在变压器发生故障之前,通过采取恰当的措施,使得变压器故障得以提前消除,减少了因其故障导致电力系统无法正常运转带来的经济损失。本文对变压器故障诊断方法以及预测模型进行了系统的研究,提出了小波神经网络结合规范变量分析法(WPT-CVA)的故障诊断方法以及粒子群优化支持向量机(PSO-SVM)和小波变换时间序列(WPT-ARMA)的组合预测模型,提高了小样本数据下故障诊断准确率以及预测精度。本文对油浸式变压器的研究内容分为以下几个部分:首先,分析变压器常见的故障类型,按故障性质将变压器故障分为电性故障及热性故障。通过对智能算法及传统算法的总结,确定故障诊断算法为小波神经网络算法,以支持向量机模型(SVM)以及自回归滑动平均模型(ARMA)的组合预测模型。其次,对小波神经网络进行简单介绍,利用小波神经网络算法建立变压器故障诊断模型,确定输入层、隐含层以及输出层,随后选取了大量有代表性的数据样本,利用小波变换进行降噪处理。在此基础上对样本数据作归一化处理并进行了训练,测试以及误差分析,得出小波神经网络的收敛速度快但收敛误差较大的结论。再次,采用小波分析结合CVA的方法对溶解于变压器油中的气体数据进行处理,不仅不需人为添加优化系数或惩罚因子,还对变压器的故障诊断快速且准确,优于目前诊断准确率较高的智能方法。通过将收集到的400组DGA数据集分离为275组训练集和组125测试集,评估了该方法的故障诊断性能。经过训练,测试结果表明,WPT法和基于CVA的方法的诊断准确率分别为90.4和93.4%。从这些数据可以清楚地看出,该方法在对变压器故障分类时的诊断率提高了3个百分点。最后,通过对DGA气体数据进行归一化处理、选择核函数、粒子群优化支持向量机建立PSO-SVM预测模型,对DGA气体数据进行小波去噪、模型识别、参数估计建立WPT-ARMA预测模型,基于两种预测模型建立组合模型,以达到误差最小为目的,最后通过实例验证及对比发现WPT-ARMA的预测模型误差较PSO-SVM预测模型误差值小,且组合预测模型可以综合多种单一预测模型所包含的信息,有效降低预测风险。
芦斌[5](2021)在《聊城辖域内变电站设备状态检修方法研究》文中研究说明变电站内的设备状态检修是保障电力系统安全运行的关键因素,也是实际运维工作中的难点所在。聊城域内变电站设备状态检修工作起步相对较晚,且变电站及站内设备数量在近几年快速增长等因素影响,使得聊城域内变电状态检修工作面临更严峻、更大的挑战。因此,本文针对聊城辖域内变电站设备状态检修的实际工作开展应用研究分析,主要包括以下内容:(1)首先,基于状态检修的基本原则和国内外的发展历程,阐述变电站设备状态检修的基础理论,分析站内设备实施状态检修的实际目的。并进一步结合近年来聊城域内供电公司变电检修工作实际情况,分析当前聊城域内变电站设备的常见故障、处理手段和检修策略情况,并根据实际情况分析当前形势下故障发生原因、变电状态检修的发展瓶颈,以提出具有针对性的管理和技术层面的改进措施与方法。(2)其次,以作为站内核心设备的电力变压器为研究对象,对变压器油中的溶解气体进行色谱分析,以此为基础提出一种基于模糊边界判断的三比值分析方法。当前,针对变压器油中溶解气体进行色谱分析(DGA)是实现变压器在线监测的主要途径,色谱分析的原理是根据所得的气体组成和气体含量,确定变压器内部是否存在异常状况,通过对各气体组分关系的梳理,确定内部故障及溶解气体类型间的对应关系。就目前的情况来说,三比值法是气体分析中现场应用最广泛的方法之一。但是编码太过绝对化以及故障编码不完善等问题却导致该方法在实际应用中有着比较强的局限性。所以,本文对以模糊边界判断为基础的改进三比值法进行构建,通过三比值法编码的隶属函数构造,针对其编码展开模糊处理,紧接着获取到以模糊为基础的三比值法故障诊断方法。最后以域内某500千伏主变油中溶解气体色谱分析实例验证该方法的有效性和准确性。(3)最后,对站内SF6高压断路器试验项目及相应的运行参数进行全面而充分的分析,以此为基础,结合聊城实际设备状况,构建出以模糊综合评价理论为基础的高压断路器状态评价模型。环境、绝缘、机械及电气等各项因素都会对该高压断路器的实际运行情况造成影响,分别针对这些参数展开分析研究,明确三者间的关联关系与耦合特点。据此,建立了 SF6高压断路器的状态评价因素体系,并应用模糊数学升半梯形分布公式建立隶属度模型。在隶属度确定上,整合运行环境、维修记录等定性指标,采用专家调研法确定隶属度。针对聊城域内实际设备特点,根据最大隶属度原则,并应用设备评级方法来判断,判定备处于何种状态,为实际状态检修提供决策支持。
王凯[6](2021)在《基于集成学习的变压器故障预测方法研究》文中研究表明作为电力系统的重要设备,电力变压器的运行状态直接关系到电网的生产与运营。在我国已投运的油浸式变压器中,相当一部分已在电、热、机械场影响下工作几十年之久,其内部存在故障风险,并且变压器内部故障具有一定的潜伏期,存在预测空间。油中溶解气体分析技术(Dissolved Gas Analysis,DGA)在变压器故障诊断领域广泛应用,但目前大多数故障诊断技术对于不同故障间接近的数据分类效果一般,精度较差。基于上述分析,结合集成学习算法在强化学习效果方面的优势,本文提出一种基于集成学习算法的变压器故障预测方法,实现对油中气体含量的短期预测,并对结果进行故障分类,从而实现故障预测功能。同时在数据处理,特征选择以及模型构建等方面进行了改进与优化,从而提升预测效果。本文主要在以下几个方面展开研究:首先,将变压器油中溶解气体浓度作为研究对象,提出了基于VMD-XGBoost的气体预测方法。基于气体历史序列信息,使用变分模态分解(Variational mode decomposition,VMD)对气体浓度序列进行分解,将各个子序列作为XGBoost模型的输入,使用前向推进验证方法进行短期预测,并对时间步长以及模型超参数进行寻优,提升了气体预测模型的准确率,为故障诊断模型提供可靠的输入数据。然后,针对传统变压器故障诊断模型精度较低以及故障特征选择标准模糊等问题,提出了基于LightGBM的变压器故障诊断方法。参考多种特征选择方法,并结合两种特征重要度筛选方法,从故障数据集中提取出更能反映变压器不同运行工况的特征组合,建立起基于LightGBM的故障诊断模型进行模型。并通过网格法对模型超参数进行调优,提升了诊断精度。使用多个评价指标,对比多种故障诊断方法,证明了本文所提出的模型具有更好的性能。最后,结合前两部分的研究结果,对实际故障案例进行预测分析。根据历史数据预测故障报警前一定时间段内的气体含量,并由故障诊断方法对预测结果进行故障分类,分类结果与在线监测诊断结果以及实际油化试验结果进行对比验证,从而证明本文所提出的故障预测方法能够准确预测出变压器实际内部故障。
项茂阳[7](2021)在《变电设备故障诊断系统研究及应用》文中进行了进一步梳理随着智能电网的快速发展,特别是特高压电网的建设,电网的安全稳定越来越重要。尤其是变电一次设备的可靠性对于电网的安全稳定特别重要。变电设备故障诊断是指通过收集设备运行参数、例行试验数据、在线设备诊断数据等信息,对变压器、开关等多个变电设备进行状态监测分析、故障诊断,及时反馈,及时调整电网系统运行方式,确定维修策略。首先,本文通过参阅国内外相关文献,分析了当前变电站一次设备故障诊断先进技术,包括变压器、断路器、避雷器及容性设备的故障诊断技术,着重理解了目前应用广泛的几种在线监测技术。其次,本文进行了变电设备故障诊断系统的设计与开发,对该软件的重要性和必要性进行了叙述,然后对本软件开发所涉及到的相关技术要点做了简单介绍。针对变电设备故障诊断系统,首先本文通过对系统设计以及状态评价概述展开研究,按照状态评估模块、风险评估模块、决策建议模块进行设计;然后对变电故障诊断系统的功能进行设计,包括变电设备状态评估功能设计、风险评估功能设计、变电设备检修辅助决策功能设计、变电设备在线监测功能设计、变电设备历史查询及预测评估功能设计等;最后是实现变电设备故障诊断功能。随着智能化水平的提升,我们不仅期待变电站智能化的安全稳定,我们更加期待智能调度、智能潮流管理系统的面世。随着智能化系统的不断发展,变电站的运行将更加安全、可靠。
梁权[8](2021)在《用于变压器故障诊断深度学习算法优化的研究》文中研究说明油浸式电力变压器是输变电工程中最重要的设备之一,它的安全性和可靠性是保证电网连续运行和供电的基础,如何保证变压器安全稳定地运行是当下电力行业重点关注课题之一。变压器长期处于复杂多变的运行条件下,会出现放电、过热等故障,如能及时发现变压器异常情况并进行处理,就能防止和减少故障的发生。从19世纪以来,人们开始研究变压器故障诊断的各种方法,随着人工智能和计算机技术的快速发展,各种人工智能算法被引入变压器故障诊断中,因此研究准确率高、性能更稳定的变压器故障诊断优化算法显得尤为重要。论文在确定变压器故障类型与气体关系的基础上,首先对所有样本数据进行数据挖掘和筛选,使用I-K-means聚类算法和t-SNE降维算法进行可视化分析,确定变压器故障划分为7类,使“无标签”样本数据转化为“有标签”数据,为后续故障诊断打下基础;接着针对神经网络算法训练结果不理想的问题,利用CPSO算法对神经网络的初始权值与阈值进行优化,搭建基于CPSO-BP的变压器故障诊断模型,通过训练和试验发现优化算法能显着提升准确率;然后采用Adam梯度优化算法进一步优化CPSO-BP模型,在Tensor Flow平台中搭建CPSO-BP-Adam变压器故障诊断模型,设置参数,分别使用2040组油色谱训练集进行训练,680组油色谱试验集、测试集进行调参和测试,模型对训练集、试验集和测试集的诊断准确率分别为99.56%、99.71%和99.18%,高于CPSO-BP模型。其次对比SGD、RMSprop和Adam三种梯度优化方法,试验结果证明Adam梯度优化算法可以提高神经网络的准确率。最后对CPSO-BP-Adam模型进行大量试验,得到其训练集精确度最大可达到0.9975,训练集召回度最大可达到0.9971,试验集精确度最大可达到0.9971,试验集召回度最大可达到0.9971;采用训练集、试验集的多分类交叉熵及诊断准确率、时间复杂度多个评价指标对CPSO-BP-Adam变压器故障诊断模型进行评估。结果表明,基于深度学习算法优化的故障诊断模型稳定性高、学习能力强、泛化性高,证明了CPSO-BP-Adam优化算法的有效性和可靠性。
苟家萁[9](2021)在《基于深度学习的变压器油中溶解气体浓度预测研究》文中研究说明为了实现我国电力领域“全国联网”的战略目标,远距离、特高压、大容量的输电模式已被广泛应用。电力变压器作为电力系统中的核心设备之一,发挥着电压、电流变化等重要作用,影响着电网的稳定运行。考虑到变压器的运行状况与其内部油中溶解气体含量之间有着密切的联系,故对油中溶解气体的精准预测可以提早发现变压器设备可能存在的潜伏性故障,为运行人员检修提供理论支撑。本文以在线监测到的变压器油色谱数据为研究对象,结合深度学习算法主要进行以下两方面的研究:针对正常运行的电力变压器所提取到的油中溶解气体数据存在“异常值”或“缺失值”的问题,本文提出了一种基于堆叠式降噪自动编码器(SDAE)的变压器在线监测油色谱数据清洗模型。利用在线监测到的某220k V和500k V电压等级变压器的油中溶解气体数据为研究对象,首先将正常运行状况下采集到的变压器油色谱数据输入到SDAE清洗模型,对模型进行训练学习,确定其关键参数的大小;然后将正常运行状态下监测到存在“缺失值”或“异常值”的油色谱数据输入到清洗模型,通过比较重构误差NL和损失函数峰值Top、容限时窗Tn和误差持续时间Tt之间的大小关系判断不良数据的类型;最后对存在“缺失值”和“异常值”的数据进行重构修复表示,还原了更多的原始数据信息,为文章后续进行特征气体浓度的精准预测研究提供了可靠的数据源。针对传统深度学习预测模型存在关键参数难以确定和预测精度不高的问题,本文提出了一种基于改进粒子群算法(IPSO)和门控循环单元(GRU)的油中溶解气体浓度组合预测模型。将搜集的7种特征气体序列划分为训练集和测试集,对训练集数据利用IPSO算法迭代搜索GRU模型关键参数(神经元个数m与学习率ε)的最优值,建立IPSO-GRU组合预测模型,对测试集数据来进行验证所提方法的可靠性。实验结果表明,本文所提方法不仅克服了选取模型关键参数的难题,并相较于传统的PSO-GRU、GRU、LSTM、RF和RNN深度学习算法模型相比预测精度更高,进行特征数据序列清洗提高了预测模型的精度,且随着样本训练集数目的不断增加,模型的预测精度逐渐提高,表明模型可以获得特征数据集内部之间更多的潜在规律,对及时、准确判断电力变压器的运行状态发挥着重要的作用。
李黄曼[10](2021)在《基于深度学习的电力变压器故障诊断研究》文中提出电力变压器的运行状态关系着整个电力系统的安全与稳定,因此,在工程应用中需要对其状态进行实时监测以及时发现潜伏故障。目前,实现变压器状态监测首要方法是油中溶解气体分析法(Dissolved Gas Analysis,DGA)。针对基于DGA的变压器智能故障诊断方法存在的局限性,本文提出了改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化深度信念网络(Deep Brief Network,DBN)和支持向量机(support vector machine,SVM)的变压器故障诊断方法。利用ISSA对DBN的网络结构参数进行优化,使其能够深度挖掘出DGA故障数据的特征信息和故障类型之间的联系。结合SVM能够有效解决小样本分类问题的优点,建立了融合DBN与SVM的变压器故障诊断模型。具体研究内容和结果如下:(1)构建了基于DGA特征比值和深度信念网络的变压器故障诊断模型。利用邻域粗糙集对变压器故障特征气体的比值进行了决策约简,并经过降维处理去除特征输入之间存在的冗余信息以免其影响DBN的故障特征提取效果。通过与目前变压器故障诊断常用的智能方法进行对比,结果表明,DBN诊断模型对变压器的故障状态预测精度更高。(2)采用改进的麻雀搜索算法对DBN模型的性能进行了优化。引入了动态反向学习策略和高斯变异提高了 SSA的全局寻优能力和泛化能力。据此,构建了基于ISSA和DBN的故障诊断模型。采用ISSA优化DBN中RBM的层间神经元连接权值和神经元偏置,进而提高DBN对输入数据本质特征的提取能力。再用ISSA-DBN模型对变压器故障状态进行预测分类,结果表明,该模型的故障诊断准确率可达94.44%。(3)提出了 DBN与SVM相结合的变压器故障诊断方法。结合SVM对于小样本优异的分类能力,建立了基于ISSA的DBN-SVM变压器故障诊断模型。通过ISSA-DBN对训练样本深度提取故障的本质特征后输入ISSA-SVM中进行分类训练。通过对变压器实际运行状态的诊断结果可得,该模型的故障诊断精度高于ISSA-DBN和ISSA-SVM,变压器运行状态的预测准确率可达到95.56%。(4)用变压器故障的具体案例来验证该模型的泛化能力以及实用性,结果表明,经过ISSA优化的DBN-SVM诊断模型通过提取变压器DGA数据中的故障本质特征可以精确的诊断出变压器运行中存在的隐藏故障。经过ISSA优化DBN-SVM的变压器故障诊断模型可以利用在线检测的油色谱数据及时精确的诊断出变压器运行中存在的潜伏性故障并据此制定合理的检修策略。进而实时监测变压器的运行状态,保证电力系统的安全与稳定。
二、利用变压器油的色谱分析判断其潜伏故障(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用变压器油的色谱分析判断其潜伏故障(论文提纲范文)
(1)油色谱分析法在变压器油油质监督中的应用(论文提纲范文)
0 引言 |
1 变压器油类型及基本功能 |
1.1 变压器油类型 |
1.2 变压器油的基本功能 |
2 变压器油色谱分析方法 |
2.1 绝缘油取样 |
2.2 离线分析 |
2.3 故障识别 |
3 多样化数据分析 |
3.1 油色谱在线监测系统 |
3.2 工业互联网系统 |
4 油质监督周期 |
5 实例分析 |
5.1 实例1 |
5.2 实例2 |
6 结语 |
(2)面向电力变压器油色谱数据特征参量的研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 选题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 电力变压器特征参量研究现状 |
1.2.2 电力变压器故障诊断研究现状 |
1.3 主要研究内容 |
1.4 论文组织结构 |
2 变压器油中气体产生机理及故障类型 |
2.1 变压器油中气体的产生 |
2.1.1 绝缘油的分解 |
2.1.2 固体绝缘材料的分解 |
2.1.3 气体的其他来源 |
2.2 正常状态下油中气体的含量 |
2.3 变压器故障类型与油中气体的关系 |
2.4 基于DGA技术的变压器故障诊断方法 |
2.4.1 特征气体法 |
2.4.2 三比值法 |
2.4.3 大卫三角形法 |
2.5 小结 |
3 粒子群算法与支持向量机理论 |
3.1 粒子群算法的理论 |
3.1.1 基本粒子群算法 |
3.1.2 标准粒子群算法 |
3.1.3 离散二进制粒子群算法 |
3.1.4 算法流程 |
3.2 支持向量机基本原理 |
3.2.1 线性可分情形 |
3.2.2 近似线性可分情形 |
3.2.3 非线性可分情形 |
3.2.4 核函数的选取 |
3.2.5 支持向量机参数的选取 |
3.3 支持向量机多分类方法介绍 |
3.3.1 一对一方法 |
3.3.2 一对多方法 |
3.4 小结 |
4 基于Filter和 SVM的故障特征优选 |
4.1 故障特征选择方法 |
4.1.1 信息增益 |
4.1.2 F-Score |
4.2 基于特征选择和SVM的变压器故障诊断模型 |
4.2.1 数据来源及预处理 |
4.2.2 特征筛选 |
4.2.3 不同评价函数对应的特征组合 |
4.3 实验验证 |
4.3.1 不同的特征子集 |
4.3.2 与BPNN对比实验 |
4.4 小结 |
5 基于PSO-SVM的故障特征优选 |
5.1 变压器油中溶解气体特征量 |
5.2 基于PSO-SVM特征参量优选实现过程 |
5.2.1 粒子群结构 |
5.2.2 编码方式 |
5.2.3 个体适应度评估 |
5.2.4 算法实现流程 |
5.3 实验环境 |
5.4 比值组合优选结果分析 |
5.5 不同的特征子集对比实验 |
5.5.1 气体含量作为故障特征实验 |
5.5.2 气体比值作为故障特征实验 |
5.5.3 与文献[16]实验的对比分析 |
5.5.4 实际故障实例实验 |
5.6 数据缺失情况下的变压器故障诊断 |
5.6.1 均值插补 |
5.6.2 回归插补 |
5.6.3 KNN插补 |
5.6.4 实验分析 |
5.7 小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 油中溶解气体数据(μL/L) |
(3)油纸绝缘套管典型缺陷放电及产气规律研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 国内外研究现状 |
1.2.1 油纸绝缘放电缺陷发展过程及检测方法研究现状 |
1.2.2 油纸绝缘缺陷产气特性研究现状 |
1.3 目前研究存在的问题 |
1.4 课题研究内容 |
第2章 套管典型缺陷模型及试验平台 |
2.1 油纸绝缘套管的典型缺陷类型 |
2.2 套管典型缺陷模型 |
2.2.1 套管试验模型 |
2.2.2 多金属导管间隙放电缺陷模型 |
2.2.3 瓷绝缘子沿面放电缺陷模型 |
2.2.4 电容芯体内X蜡缺陷模型 |
2.2.5 电容芯子局部放电缺陷模型 |
2.2.6 载流连接件过热缺陷模型 |
2.3 平台回路及检测装置 |
2.3.1 试验平台 |
2.3.2 检测装置 |
2.4 试验研究方法 |
2.4.1 气相色谱分析方法 |
2.4.2 放电特征分析方法 |
2.5 本章小结 |
第3章 油纸绝缘套管典型缺陷放电及产气特征 |
3.1 多金属管间隙放电缺陷 |
3.1.1 试验方法 |
3.1.2 试验现象 |
3.1.3 缺陷特征 |
3.2 瓷绝缘子沿面放电缺陷 |
3.2.1 试验方法 |
3.2.2 试验现象 |
3.2.3 缺陷特征 |
3.3 电容芯体内X蜡缺陷 |
3.3.1 试验方法 |
3.3.2 试验现象 |
3.3.3 缺陷特征 |
3.4 电容芯子局部放电缺陷 |
3.4.1 试验方法 |
3.4.2 试验现象 |
3.4.3 缺陷特征 |
3.5 载流连接件过热缺陷 |
3.5.1 试验方法 |
3.5.2 试验现象 |
3.5.3 缺陷特征 |
3.6 本章小结 |
第4章 油纸绝缘套管典型缺陷诊断判据 |
4.1 不同缺陷特征 |
4.2 套管典型缺陷诊断判据 |
4.2.1 多金属管间隙放电 |
4.2.2 瓷绝缘子沿面放电 |
4.2.3 电容芯体内X蜡 |
4.2.4 电容芯子局部放电 |
4.2.5 载流连接件过热缺陷 |
4.3 本章小结 |
第5章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文及其它成果 |
致谢 |
(4)基于CVA的变压器故障诊断及预测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 论文主要研究内容 |
第2章 油浸式电力变压器故障诊断及预测技术 |
2.1 电力变压器故障分类 |
2.2 基于DGA的变压器故障诊断理论 |
2.2.1 溶解油中气体产生机理 |
2.2.2 DGA用于变压器故障判断 |
2.3 电力变压器故障诊断算法 |
2.3.1 常规算法 |
2.3.2 智能算法 |
2.4 电力变压器故障预测算法 |
2.4.1 SVM预测模型 |
2.4.2 ARMA预测模型 |
2.4.3 组合预测模型 |
2.5 本章小结 |
第3章 基于小波神经网络的电力变压器故障诊断研究 |
3.1 基于小波变换的变压器故障诊断理论 |
3.2 小波神经网络故障诊断模型建立 |
3.2.1 输入输出神经元的确定 |
3.2.2 隐含层的确定 |
3.3 小波神经网络故障诊断模型训练 |
3.3.1 训练样本数据的选取 |
3.3.2 小波变换去噪处理 |
3.3.3 小波神经网络模型训练 |
3.4 故障诊断结果分析 |
3.5 本章小结 |
第4章 基于DGA结合CVA算法在变压器故障诊断中的研究 |
4.1 基于CVA的变压器故障诊断理论 |
4.2 CVA故障诊断模型建立 |
4.3 CVA优化小波神经网络故障诊断模型训练 |
4.3.1 特征值提取 |
4.3.2 训练和测试阶段 |
4.4 故障诊断结果分析 |
4.5 本章小结 |
第5章 基于PSO-SVM模型和WPT-ARMA模型组合的变压器预测模型 |
5.1 基于PSO-SVM模型预测 |
5.1.1 PSO-SVM模型建立 |
5.1.2 PSO-SVM模型的误差评价 |
5.2 基于WPT-ARMA模型预测 |
5.2.1 ARMA模型的建立 |
5.2.2 ARMA模型的预报 |
5.3 组合预测的电力变压器故障预测 |
5.3.1 组合预测的主要思想 |
5.3.2 基于PSO-SVM与WPT-ARMA的组合预测模型 |
5.4 变压器预测模型维数的实例仿真分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
攻读硕士期间研究成果 |
(5)聊城辖域内变电站设备状态检修方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题背景和意义 |
1.2 状态检修基本情况 |
1.2.1 国内外状态检修发展 |
1.2.2 电力变压器设备状态检修 |
1.2.3 高压断路器设备状态检修 |
1.3 本文主要研究内容 |
第二章 聊城域内变电站设备状态检修现状分析 |
2.1 引言 |
2.2 聊城域内状态检修发展 |
2.3 变电站设备故障分析 |
2.3.1 变电站设备故障曲线 |
2.3.2 变电站设备故障类型分析 |
2.3.3 变电站设备故障成因分析 |
2.3.4 检修模式的现状分析 |
2.4 状态检修管理现状分析 |
2.4.1 状态检修施工力量不足 |
2.4.2 状态检修管理手段陈旧 |
2.4.3 状态检修资金投入短缺 |
2.4.4 状态检修基层执行标准不高 |
2.4.5 缺乏完整的设备状态检修策略体系 |
2.5 建议解决方法 |
2.5.1 注重管理手段 |
2.5.2 注重技术手段 |
2.6 本章小结 |
第三章 变压器状态检修分析 |
3.1 引言 |
3.2 变压器运行年限与故障率的研究 |
3.3 聊城域内变压器状态检修情况研究 |
3.4 变压器油中溶解气体分析 |
3.4.1 变压器故障性质与气体组分分析 |
3.4.2 气体组分结果反映到本体运行状况分析 |
3.4.3 三比值法的实用性分析 |
3.5 基于模糊三比值法的变压器状态检修故障诊断 |
3.5.1 模糊三比值法的提出 |
3.5.2 三比值法编码的隶属函数构造 |
3.5.3 三比值法编码的模糊处理 |
3.6 模糊三比值法的诊断方法 |
3.7 基于模糊三比值的聊城域内变压器故障实例验证分析 |
3.7.1 实例一验证 |
3.7.2 实例二验证 |
3.8 本章小结 |
第四章 高压断路器状态检修分析 |
4.1 引言 |
4.2 高压断路器运行年限与状态变化的研究 |
4.3 聊城域内高压断路器状态检修手段研究 |
4.3.1 聊城域内高压断路器状态检修手段 |
4.3.2 聊城域内高压断路器状态检修的问题 |
4.4 基于模糊理论的断路器综合评估模型 |
4.4.1 模糊理论在电力系统中的应用 |
4.4.2 模糊状态评估模型的建立 |
4.4.3 评判因素的确定 |
4.4.4 确定隶属度 |
4.4.5 确定评语集 |
4.4.6 机械特性参数隶属函数的确定 |
4.4.7 电气特性参数隶属函数的确定 |
4.4.8 绝缘状态参数隶属函数的确定 |
4.4.9 其他参数隶属函数的确定 |
4.4.10 模糊状态评估模型的综合评价 |
4.5 实例测算分析 |
4.5.1 指标预处理 |
4.5.2 求解模糊评判矩阵 |
4.6 本章小结 |
第五章 总结和展望 |
参考文献 |
致谢 |
学位论文评阅及答辩情况表 |
(6)基于集成学习的变压器故障预测方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 变压器油中溶解气体预测研究现状 |
1.2.2 变压器故障诊断研究现状 |
1.3 主要研究内容 |
第二章 变压器故障诊断机理与特征选择 |
2.1 引言 |
2.2 变压器油中溶解气体分析 |
2.2.1 油中溶解气体产生机理 |
2.2.2 油中溶解气体的含量与产气率 |
2.3 变压器内部故障与油中溶解气体的关系 |
2.4 比值诊断方法 |
2.5 变压器故障诊断特征选择 |
2.6 本章小结 |
第三章 基于VMD-XGBoost的变压器油中溶解气体预测 |
3.1 引言 |
3.2 变压器油中溶解气体预测问题描述 |
3.3 变压器在线监测数据预处理 |
3.3.1 缺失值与零值处理 |
3.3.2 长期趋势项的去除 |
3.3.3 变分模态分解 |
3.4 XGBoost预测模型的构建 |
3.4.1 集成学习 |
3.4.2 梯度提升树 |
3.4.3 XGBoost |
3.5 预测流程 |
3.6 算例分析 |
3.6.1 数据选择与评价指标 |
3.6.2 数据预处理 |
3.6.3参数影响及预测结果 |
3.6.4 基于网格搜索的超参数优化 |
3.6.5 不同算法对比 |
3.6.6 不同运行状态下的预测结果 |
3.7 本章小结 |
第四章 基于LightGBM的变压器故障诊断 |
4.1 引言 |
4.2 LightGBM诊断模型的构建 |
4.2.1 直方图算法 |
4.2.2 GOSS单边采样法 |
4.2.3 EFB特征降维法 |
4.2.4 带有深度约束的leaf-wise叶子节点生成策略 |
4.3 基于重要度分析的特征筛选 |
4.4 基于LightGBM的变压器故障诊断流程 |
4.5 算例分析 |
4.5.1 故障数据集的建立 |
4.5.2 评价指标 |
4.5.3 诊断结果 |
4.5.4 特征筛选 |
4.5.5 基于贝叶斯网络的超参数优化 |
4.5.6 算法对比与数据分析 |
4.6 本章小结 |
第五章 基于集成学习的变压器故障预测实例分析 |
5.1 引言 |
5.2 故障预测实例分析 |
5.2.1 故障案例1:高温过热 |
5.2.2 故障案例2:中温过热 |
5.2.3 故障案例3:局部放电 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间的研究成果 |
学位论文评阅及答辩情况表 |
(7)变电设备故障诊断系统研究及应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.2 变电设备故障诊断方法的研究现状 |
1.3 变电设备常见故障及诊断方法 |
1.3.1 变压器常见故障及诊断方法 |
1.3.2 断路器常见故障及诊断方法 |
1.3.3 容性设备及其他设备常见故障及诊断方法 |
1.3.4 氧化锌避雷器常见故障及诊断方法 |
1.4 本文的主要内容 |
第2章 变电设备故障诊断系统结构设计 |
2.1 系统设计 |
2.1.1 系统概述 |
2.1.2 故障诊断系统体系结构 |
2.2 变电设备状态评价概述 |
2.3 风险评价模块设计 |
2.4 预测评估模块设计 |
2.5 决策建议模块设计 |
2.6 小结 |
第3章 变电设备故障诊断系统功能设计 |
3.1 系统智能分析流程 |
3.1.1 系统管理 |
3.1.2 数据管理 |
3.2 故障诊断功能设计 |
3.3 变电设备状态评估功能设计 |
3.4 风险评估功能设计 |
3.5 变电设备检修辅助决策功能设计 |
3.6 变电设备在线监测功能设计 |
3.7 变电设备历史查询及预测评估功能设计 |
3.8 小结 |
第4章 变电设备故障诊断系统功能实现 |
4.1 变电设备故障诊断系统管理界面配置 |
4.2 变电设备故障诊断系统功能实现界面配置 |
4.3 现场应用 |
4.4 小结 |
第5章 结论 |
参考文献 |
致谢 |
学位论文评阅及答辩情况表 |
(8)用于变压器故障诊断深度学习算法优化的研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题背景及意义 |
1.2 变压器故障诊断的研究现状 |
1.2.1 传统变压器故障诊断方法 |
1.2.2 变压器故障的智能诊断方法 |
1.2.3 神经网络算法在变压器故障诊断中的应用 |
1.3 研究内容及章节安排 |
2 基于I-K-means和 t-SNE算法的变压器故障数据挖掘 |
2.1 变压器故障类型与气体的关系 |
2.2 对故障诊断样本数据的要求 |
2.3 变压器故障数据挖掘 |
2.3.1 I-K-means算法原理 |
2.3.2 t-SNE降维算法原理 |
2.3.3 数据挖掘可视化结果及分析 |
2.4 本章小结 |
3 基于BP算法的变压器故障诊断 |
3.1 基于传统BP算法的变压器故障诊断 |
3.1.1 算法原理 |
3.1.2 变压器故障诊断模型的建立 |
3.1.3 变压器故障诊断的训练 |
3.1.4 变压器故障诊断结果及分析 |
3.2 基于CPSO优化BP算法的变压器故障诊断 |
3.2.1 算法原理 |
3.2.2 变压器故障诊断模型的建立 |
3.2.3 变压器故障诊断流程 |
3.2.4 变压器故障诊断结果及分析 |
3.3 本章小结 |
4 梯度优化BP算法的变压器故障诊断 |
4.1 主流深度学习框架对比分析 |
4.2 基于Adam优化的CPSO-BP变压器故障诊断 |
4.2.1 Adam算法原理 |
4.2.2 变压器故障诊断模型的建立 |
4.2.3 变压器故障诊断的训练 |
4.2.4 变压器故障诊断结果及分析 |
4.3 CPSO-BP-Adam与其他优化算法下神经网络的性能对比 |
4.3.1 训练误差曲线对比分析 |
4.3.2 准确率对比分析 |
4.4 本章小结 |
5 算法性能对比分析 |
5.1 BP、CPSO-BP和 CPSO-BP-Adam模型的性能对比分析 |
5.1.1 训练误差曲线对比分析 |
5.1.2 模型准确率对比分析 |
5.2 CPSO-BP-Adam神经网络模型的评估 |
5.2.1 训练过程中指标评估 |
5.2.2 召回度、精确度以及F值的评估 |
5.3 算法运算效率的评估 |
5.3.1 算法时间复杂度的评估 |
5.3.2 算法运算时间的对比分析 |
5.4 本章小结 |
6 结论及展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
附录 部分源代码 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(9)基于深度学习的变压器油中溶解气体浓度预测研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 深度学习技术在数据预处理方面的研究现状 |
1.2.2 变压器油中溶解气体的含量预测研究现状 |
1.3 论文的主要内容 |
第二章 变压器油中溶解气体的产气原理与故障时的产气特征 |
2.1 变压器油中气体产气原理 |
2.1.1 正常运行时变压器产气原理 |
2.1.2 发生故障时变压器产气原理 |
2.2 变压器内部故障种类与油中溶解气体含量特征 |
2.2.1 变压器过热性故障及其产气特点 |
2.2.2 变压器放电性故障及其产气特点 |
2.2.3 变压器机械性故障及其产气特点 |
2.3 变压器油中溶解气体在线监测技术 |
2.3.1 油色谱在线监测装置的结构组成 |
2.3.2 油色谱在线监测装置的功能特点 |
2.4 变压器油中溶解气体浓度预测机理 |
2.4.1 时间序列预测概述 |
2.4.2 时间序列预测的特点和条件 |
2.5 本章小结 |
第三章 基于SDAE模型的变压器状态监测数据清洗方法 |
3.1 神经网络 |
3.1.1 神经网络的结构及特点 |
3.1.2 神经网络的激活函数与在气体预测方面的可行性分析 |
3.2 堆叠式降噪自动编码器(SDAE)基本原理 |
3.2.1 自动编码器(AE) |
3.2.2 降噪自动编码器(DAE) |
3.2.3 堆叠式降噪自动编码器(SDAE) |
3.3 基于SDAE模型的变压器状态监测数据清洗方法 |
3.3.1 SDAE模型数据清洗原理 |
3.3.2 SDAE模型训练过程 |
3.3.3 SDAE数据清洗实现流程 |
3.4 算例分析 |
3.4.1 数据集划分与模型参数初始化 |
3.4.2 变压器油色谱数据清洗结果及分析 |
3.5 本章小结 |
第四章 深度学习算法与基于IPSO-GRU模型的油中溶解气体浓度预测方法 |
4.1 深度学习算法的研究与传播过程分析 |
4.1.1 循环神经网络(RNN) |
4.1.2 长短期记忆神经网络(LSTM) |
4.1.3 门控循环单元(GRU) |
4.1.4 随机森林(RF) |
4.2 改进粒子群优化算法(IPSO) |
4.2.1 粒子群优化算法(PSO) |
4.2.2 改进粒子群算法的实现流程 |
4.3 基于IPSO-GRU模型的油中溶解气体浓度预测方法实现过程 |
4.3.1 预测模型叙述 |
4.3.2 预测模型的实现流程 |
4.4 模型评价标准 |
4.5 实验环境与特征数据集的划分 |
4.6 算例分析案例一 |
4.6.1 IPSO-GRU网络模型参数选择与优化结果 |
4.6.2 IPSO-GRU模型预测结果分析 |
4.6.3 其他气体预测结果分析 |
4.6.4 特征数据集质量对不同模型预测效果的影响 |
4.7 算例分析案例二 |
4.7.1 网络预测模型关键参数优化结果 |
4.7.2 IPSO-GRU模型预测结果分析 |
4.7.3 不同训练集对预测效果的影响 |
4.8 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 展望 |
致谢 |
参考文献 |
附录 A(攻读硕士期间科研成果与参与科研项目) |
1、攻读硕士学位期间发表的论文 |
2、攻读硕士学位期间受理的发明专利 |
3、攻读硕士学位期间参与的科研项目 |
4、攻读硕士学位期间获得的主要奖项 |
(10)基于深度学习的电力变压器故障诊断研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 变压器故障诊断国内外研究现状 |
1.2.2 深度学习研究现状 |
1.2.3 研究现状总结 |
1.3 本文主要研究内容 |
2 变压器油中气体及故障特性分析 |
2.1 变压器油中溶解气体的产生机理 |
2.1.1 空气在变压器油中的溶解 |
2.1.2 绝缘材料的分解 |
2.1.3 变压器油的分解 |
2.2 变压器常见故障及其特性分析 |
2.2.1 变压器常见故障及其特性分析 |
2.2.2 变压器典型故障类型 |
2.3 常见故障的溶解气体特征 |
2.3.1 热性故障油中溶解气体特征 |
2.3.2 电性故障油中溶解气体特征 |
2.4 本章小结 |
3 基于DBN的变压器故障诊断研究 |
3.1 深度信念网络 |
3.2 深度信念网络结构及训练过程 |
3.3 特征数据及其处理方法 |
3.3.1 数据采集及其预处理 |
3.3.2 特征比值的约简及降维 |
3.4 基于DBN的变压器故障诊断研究 |
3.4.1 基于DBN的故障诊断模型 |
3.4.2 模型网络参数的确定 |
3.4.3 变压器故障诊断结果分析 |
3.5 本章小结 |
4 基于ISSA-DBN的变压器故障诊断研究 |
4.1 麻雀搜索算法 |
4.2 改进麻雀搜索算法 |
4.2.1 算法改进策略 |
4.2.2 改进麻雀搜索算法 |
4.2.3 改进算法的性能测试 |
4.3 基于ISSA优化DBN的变压器故障诊断模型 |
4.4 本章小结 |
5 优化DBN-SVM的变压器故障诊断及实例分析 |
5.1 支持向量机 |
5.2 基于优化DBN-SVM的变压器故障诊断研究 |
5.3 模型验证分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 创新点 |
6.3 展望 |
致谢 |
参考文献 |
攻读学位期间发表的学术论文目录 |
四、利用变压器油的色谱分析判断其潜伏故障(论文参考文献)
- [1]油色谱分析法在变压器油油质监督中的应用[J]. 杨祥,宗和刚,蔡红猛. 云南水力发电, 2021(11)
- [2]面向电力变压器油色谱数据特征参量的研究[D]. 解宵. 西安理工大学, 2021(01)
- [3]油纸绝缘套管典型缺陷放电及产气规律研究[D]. 张毅涛. 华北电力大学(北京), 2021(01)
- [4]基于CVA的变压器故障诊断及预测研究[D]. 张宇婷. 长春工业大学, 2021(08)
- [5]聊城辖域内变电站设备状态检修方法研究[D]. 芦斌. 山东大学, 2021(11)
- [6]基于集成学习的变压器故障预测方法研究[D]. 王凯. 山东大学, 2021(12)
- [7]变电设备故障诊断系统研究及应用[D]. 项茂阳. 山东大学, 2021(12)
- [8]用于变压器故障诊断深度学习算法优化的研究[D]. 梁权. 大连理工大学, 2021(01)
- [9]基于深度学习的变压器油中溶解气体浓度预测研究[D]. 苟家萁. 昆明理工大学, 2021(01)
- [10]基于深度学习的电力变压器故障诊断研究[D]. 李黄曼. 陕西科技大学, 2021(09)