Graduation Thesis Transformer Fault Diagnosis

The technical level of modern equipment is constantly improving, and the requirements for productivity and automation are getting higher and higher. Correspondingly, the number of faults is also increasing. As a very complex and very important equipment in the power system, the working state of the transformer has a very important impact on the power system, the production of enterprises and institutions, and the lives of residents. How to predict transformer faults in advance and quickly determine the cause of the fault after the fault occurs is an important way to improve work efficiency and reduce economic losses. Therefore, the study of transformer fault diagnosis is of great significance to ensure the safe, reliable and economic operation of the system and improve economic benefits. In view of several shortcomings of traditional fault diagnosis, this paper proposes to use neural networks in transformer fault diagnosis systems. Most traditional fault diagnosis methods are based on the heuristic experience knowledge of domain experts and operators. Knowledge acquisition is difficult, reasoning efficiency is low, and adaptive ability is poor. In addition, common diagnostic methods often have certain errors due to their singleness. At the same time, due to the complex nonlinear relationship between fault symptoms and fault types, it is difficult to obtain the mathematical model of the diagnostic system. Artificial neural networks, with their advantages of distributed parallel processing, self-adaptation, self-learning, associative memory, and nonlinear mapping, have opened up a new way to solve this problem. In view of this, when developing a transformer fault diagnosis system, neural networks are designed as fault classifiers. This paper first analyzes the basic theories of fault diagnosis and neural networks, and on this basis, proposes the applicability of neural networks to transformer fault diagnosis systems; the BP neural network algorithm is implemented by computer in this paper; and a series of improvement measures are proposed for some of its own shortcomings, by adding momentum terms when correcting weights and limiting the input value range to reduce errors and improve the diagnostic accuracy of the system; when normalizing the input data, the method of normalization by category is adopted to avoid the input data appearing 0 or 1 and causing the training to enter the flat area. This can greatly improve the diagnostic efficiency and diagnostic accuracy of the system. Combining the typical oil gas analysis method in transformer diagnosis with the neural network method, a transformer fault diagnosis system with a friendly interface and excellent performance is developed using Java language; in addition, the selection method of each structural parameter of the network is discussed in detail, and the influence of different structural parameters on the system error is analyzed for the actual diagnosis system of the transformer. At the end of the article, the excellent performance of the neural network fault diagnosis system and its shortcomings are summarized, and the prospects and development direction of neural networks for fault diagnosis in the future are analyzed. Keywords Fault diagnosis; Neural network; BP algorithm; Transformer oil gas analysis