在电力系统中，变压器作为关键设备，承担着电压转换与电力分配的重要任务。为了确保变压器能够安全稳定运行，监测其冷却油中的溶解气体状况是不可或缺的预防性维护措施。溶解气体分析（Dissolved Gas Analysis, DGA）是一种广泛应用于电力变压器状态监测的技术，它能够有效地检测出变压器内部可能出现的故障。通过对变压器油中的气体进行采样分析，可以及时发现变压器内部是否出现过热、放电等问题，从而避免重大的电力故障。 本数据集包含了英国某电站13台变压器在2010年至2015年期间的冷却油中溶解气体分析数据。该电站的数据分析工作对于评估变压器运行状况、制定维修计划、预测设备寿命以及改进电网运行效率都具有重要的参考价值。 在DGA分析中，主要关注的气体包括氢气（H2）、一氧化碳（CO）、二氧化碳（CO2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）等。不同种类的气体以及它们在油中含量的变化，可以指示变压器内部不同的故障类型。例如，氢气和甲烷的增加可能表示绝缘材料的老化或降解，乙炔的产生通常与电气放电有关，而CO和CO2的含量变化则可能反映变压器油和绝缘纸的热分解情况。 根据DGA结果，可以运用多种方法和标准对变压器的状态进行评估，如Roger标准、Duval三角法、IEC标准等。这些评估方法可以将溶解气体数据转化为对变压器内部故障的定量分析，帮助工程师准确地判断变压器是否存在潜在故障，并采取相应的措施。 此外，通过长期收集和分析变压器的DGA数据，还可以观察到变压器运行状态随时间的变化趋势，从而进行故障预警和风险评估。通过对历年的数据进行比较，可以发现变压器性能的变化规律，为变压器的检修周期调整、备件更换计划制定以及维护策略的优化提供数据支持。 在数据集中，每一台变压器的DGA数据都应独立记录，并包含每次采样的具体时间点。这样的时间序列数据不仅有助于分析单台设备的状态，也可以用于整个电站变压器群体的健康监测。通过大数据分析手段，可以从中发现共性问题，为整个电力系统的安全性和可靠性提供保障。 本数据集为变压器运行和维护人员提供了一种强有力的工具，不仅有助于及时发现和处理变压器可能发生的故障，也为电力系统的长期规划和运行管理提供了重要的参考数据。通过科学合理的数据解析与应用，可以显著降低电力系统的故障率，提高供电质量和可靠性。

英国电站13台变压器冷却油中溶解气体分析记录文本数据（2010-2015）

英国电站13台变压器冷却油中溶解气体分析记录文本数据数（2010-2015）.zip

变压器冷却油中溶解气体故障诊断模型（数据+代码），其中包含变压器冷却油中溶解气体数据和神经网络模型代码，实现变压器故障的智能诊断。

英国电站13台变压器冷却油中溶解气体分析记录文本数据数（2010-2015）.zip

当前基于油中溶解气体分析(DGA)的变压器故障诊断方法往往仅考虑单一时刻数据点，容错性差，难以充分挖掘在线监测数据的时序信息。提出一种考虑变压器油特征参量序列间复杂关系的基于双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。首先构建了变压器油特征参量序列，基于序列数据构建了Bi-LSTM变压器故障诊断模型。工程实际中不同变压器油特征参量序列长短不一，需通过排序、分组填充对模型输入进行重构改进，然后对超参数进行优化。基于同一自建数据库对比所提方法与其他方法，结果表明：经过数据重构后所提方法的准确率可达91.9 %；当特征指标数量减少约2/3时，所提方法的准确率仅下降约1%，而其他方法的准确率平均下降约6 %；当采样数据存在10%的随机错误时，所提方法诊断准确率仅下降2%~6 %，且通过改变隐藏层的数量可得到改善。

应用灰色关联度分析方法确定了与待预测状态量关联度较高的因素，并利用熵理论建立了具有客观权重的组合预测模型。预测区间可有效量化由不确定因素引起的油中溶解气体浓度波动，应用比例系数法和粒子群优化算法建立了一定置信水平下油中溶解气体浓度的区间预测模型，且不受传统区间预测方法中必须服从正态分布的限制。实例结果验证了所提模型的有效性。

GBT7252-2001 变压器油中溶解气体分析与判断导则.pdf

GB 7252-2001 IEC60599变压器油中溶解气体分析和判别导则

基于深度自编码网络（DAEN），构建了分类深度自编码网络（CDAEN）模型。结合电力变压器在线监测油中溶解气体分析（DGA）数据，提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练，优化模型参数，并利用少量有标签样本进行微调。实例分析表明，与基于反向传播神经网络（BPNN）、支持向量机（SVM）的故障诊断方法相比，所提方法的诊断正确率更高。