3 具体案例分析
    下面通过分析两个实际应用案例以验证基于云理论的变压器多重故障诊断及短期预测策略的有效性。
    3.1案例一
    在某年8月2日对某220kV变电站＃2变压器进行检修后，收集当年9月21日至次年4月5日的6组油色谱数据，见表1。

    由表1可得预测结果，即油中气体分析变化的短期预测期望值；然后根据这些期望值运用云推理机制进行故障预测，最后得到推理结果，即低能放电以及低温过热。本次预测后又经过一段时间，变压器出现异常状况，检修时发现变压器内的确存在低温放电，铁芯及其结构件出现了放电烧伤的痕迹，证明了该预测方法的准确性。
    3.2案例二
    在某年9月16日对某220kV变电站＃1变压器进行检修后，继续运行2年后收集当年3月14日至11月05日的6组油色谱数据，见表2。

    支持向量机预测以及灰色预测模型在无异常数据时，二者预测精度比云推理机制下的预测值精准；当采集的数据异常波动时，前两者所受到的影响相对较大，而且预测效果也会变差。云推理预测方法在异常数据波动条件下仍可准确分析其变化，鲁棒性也非常强。以上两个案例均证实了云推理机制进行变压器多重故障诊断及短期预测的有效性。

    4 结束语
    基于云理论的变压器多重故障诊断及其短期预测方法是当前的研究热点之一，对提高变压器故障检测的准确率，确保变压器的稳定运行具有十分重要的现实意义。本文率先对相关理论进行了分析，随后阐述了如何根据云理论进行故障诊断与预测，最终结合实例对基于云理论的变压器多重故障诊断及短期预测方法进行了验证，结果验证了该方法的有效性，可应用在实际的变压器检修工作中。
 

上一页  [1] [2] [3]