基于VMD与优化SVM的变压器绕组松动缺陷振动信号诊断方法

随着电力系统中变压器容量的不断增加，变压器绕组松动缺陷引起的影响也愈发严重，故需进行故障诊断。针对利用振动信号进行变压器绕组松动缺陷诊断问题，提出基于变分模态分解（VMD）排列熵（PE）的变压器振动信号特征提取方法与天牛须搜索（BAS）优化支持向量机（SVM）的变压器绕组松动缺陷诊断方法。首先对一台实际110 kV变压器设置不同松动状态，采集绕组正常与不同松动程度状态下振动信号；其次，采用变分模态分解结合排列熵进行变压器绕组松动缺陷特征提取；再次，采用天牛须搜索优化支持向量机算法进行绕组松动状态模式识别。最后将该方法与传统方法进行对比，结果表明，VMD分解效果优于当前主要采用的经验模态分解，排列熵量化故障特征效果优于多尺度排列熵、近似熵等时间序列复杂度计算指标，BAS-SVM运算时间及诊断正确率优于网格搜索优化SVM、遗传算法优化SVM等优化算法；所提方法在所进行的60%～110%额定电流状态试验下变压器绕组松动故障诊断准确率达到98.7%以上。     

基于RF特征选择的BAS-SVM变压器DGA故障诊断技术研究

针对变压器故障诊断多特征量输入时产生的冗余信息以及支持向量机核函数与惩罚因子优化对分类器产生的影响的问题,建立一种基于随机森林（random forest,RF）的特征选择,结合天牛须搜索算法（beetle antennae search,BAS）优化支持向量机的变压器油中溶解气体分析（dissolved gas analysis,DGA）故障诊断方法。该方法选择常见的5种油中溶解气体生成22维待选特征向量,通过RF算法对待选特征集进行重要度排序并消除冗余信息,得到最终的10维输入量,最后利用BAS算法对SVM中的惩罚因子及核函数进行寻优改进,对输入特征量进行故障诊断。仿真结果表明：相比PSO-SVM和ABC-SVM,BAS-SVM故障诊断模型故障诊断准确率分别高出6.83%和10.1%,诊断用时减少3.64 s和1.62 s,验证了所用方法的有效性和可行性。     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

基于 HHO参数优化的SVM 变压器故障诊断方法研究∗

为了提高变电信息系统中变压器故障诊断的准确率,针对变压器故障样本较少,采用类内类间距离的可分性测度和相关性分析法确定关键特征向量,将特征向量作为支持向量机的输入样本,建立 SVM 故障分类模型.分析了哈里斯鹰优化算法 (HHO)和粒子群算法 (PSO)的优缺点,提出了基于哈里斯鹰优化算法 HHO 优化支持向量机 SVM 模型的参数.最后,通过真实变压器故障数据进行实验仿真,结果表明所提出的变电站故障诊断方法能够有效识别故障类型,具有较高的准确率和收敛速度.     

基于ReliefF-mRMR与IAO-SVM的变压器故障诊断

为进一步提高变压器故障诊断准确率，提出一种基于ReliefF-mRMR与IAO-SVM结合的变压器故障诊断模型。采用ReliefF和最大相关最小冗余(mRMR)算法对变压器故障数据进行特征优选；引入混沌反向学习和自适应混合变异策略改进天鹰优化算法，并对最优特征集合和支持向量机(SVM)参数联合寻优，构建最佳故障诊断模型；利用已有变压器故障数据对所提模型仿真实验，并与常用故障诊断模型灰狼算法支持向量机(GWO-SVM)、天鹰优化算法支持向量机(AO-SVM)相比较,准确率分别提高了10.76%和6.15%，高达95.38%，结果表明所提模型能有效提高变压器故障诊断精度。     

基于ST-SVD与WOA-SVM模型的变压器绕组松动故障诊断方法

为了深入研究变压器振动信号包含的大量故障信息,提出了一种基于S变换奇异值分解(ST-SVD)与鲸鱼优化支持向量机(WOA-SVM)模型的变压器绕组松动故障诊断方法。首先,基于变压器故障模拟试验平台采集变压器绕组处于不同状态下的振动信号。其次,对变压器振动信号进行S变换获取其时频矩阵。再次,计算出时频矩阵对应的幅值矩阵进行SVD,并定义特征向量。最后,采用鲸鱼优化算法优化SVM模型参数,并输入特征向量完成故障诊断。试验结果表明,所提方法故障识别准确率高于传统方法模型,适用于变压器绕组松动故障诊断。     

综合三比值特征量与帝国竞争优化支持向量机的变压器故障诊断模型

为了提高变压器故障诊断准确率,提出了一种综合三比值特征量与帝国竞争优化(ICA)支持向量机(SVM)的变压器故障诊断模型。该模型将三比值特征量作为输入,采用基于"留一法"的平均分类准确率构建目标函数,通过ICA优化SVM对变压器进行故障诊断。实例分析结果显示:该模型相比标准SVM法和BP神经网络法,准确率提高了6%～34%,其训练样本平均准确率和测试样本平均准确率分别达到了91.5%和86.7%。     

模糊支持向量机在变压器故障诊断中的应用

为了解决在变压器故障诊断时复杂难辨的问题,提出了利用模糊支持向量机构建变压器故障诊断模型的方法。该方法是在支持向量机(SVM)的基础上引入模糊度隶属函数,从而有效消除噪声和野点对诊断结果的影响。通过模糊C均值算法(FCM)求取模糊支持向量机的隶属度,对所得样本进行预处理,然后利用交叉验证和网格搜索相结合的方法对支持向量机进行参数寻优。实验表明,该方法比改良IEC比值法和传统支持向量机法具有更高的准确率,更适用于变压器故障诊断。     

基于ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型

针对单一的特征气体或特征气体比值作为DGA特征量无法全面反映变压器故障分类的问题,本文从混合DGA特征量中优选出一组DGA新特征组合为输入,建立改进磷虾群(Improved Krill Herd,IKH)算法优化支持向量机(Support vector machine,SVM)的变压器故障诊断模型进行故障诊断。将SVM的c和s与11种候选特征量进行二进制编码,利用遗传算法结合支持向量机对DGA特征量进行优选,得到一组最优DGA新特征组合;利用IKH算法对SVM的参数进行优化,同时结合交叉验证原理构建IKH算法优化SVM的变压器故障诊断模型。基于IEC TC 10的诊断结果表明：与DGA全数据、三比值特征量相比,新DGA特征组合的故障诊断准确率分别高出10.14%和30.2%;IKHSVM准确率也要高于标准SVM和GASVM(分别为73.87%、81.13%和86.27%),说明该方法能有效诊断变压器故障。     

基于回归算法的变压器故障检测方法研究

为了克服变压器定期维护检查成本高、难度大,实现对变压器的故障检测,保证变压器长期处于正常的运行状态,提出了一种简单的在线监测算法。首先,对变压器热点温度模型进行了研究,并通过仿真验证了模型的准确性;其次,从理论上分析了变压器故障检测的回归算法,并利用变压器上的真实数据对此算法进行了仿真验证。仿真结果表明,该算法在变压器故障时所关注的几个参数有明显变化,而变压器负载缓慢变化或突然变化时这些参数基本保持不变,从而验证了所提出的算法能有效识别出变压器故障。     

基于特征量优选与ICA-SVM的变压器故障诊断模型

为了弥补现有变压器故障诊断方法在油中气体分析(DGA)特征量选取和诊断模型方面的不足,采用IEC三比值法中的3种气体比值作为变压器故障诊断的特征量。同时从含有8种油中溶解气体中任意3种及以上的共254种气体组合中筛选出准确率最高的3组最优DGA特征气体组合,将其作为对照组特征量。然后采用帝国竞争算法(ICA)优化支持向量机的变压器故障诊断模型(ICA-SVM),与标准支持向量机(SVM)法、粒子群优化向量机(PSO-SVM)以及IEC三比值法进行对比。实例结果表明:三气体比值特征量相比3组最优DGA气体组合,故障识别准确率提高了10%左右;ICA-SVM故障诊断模型相比标准SVM法、PSO-SVM和IEC三比值法故障识别准确率提高了7%～35%;综合三比值特征量与ICA-SVM故障诊断模型的准确率为89.3%,相较其他几种方法准确率提升了7%～35%。结果验证了该方法的有效性和准确性。     

基于广域同步数据的就地化保护在线分析方法

为了及时准确识别就地化系统中进行误操作的保护装置,以保障电力系统运行安全,提出了一种基于广域同步数据的就地化保护决策实时分析方法。根据网络拓扑结构选定测量节点并对就地化保护同步信号进行检测,基于广域同步数据计算保护指标,针对过电流保护、距离保护和方向保护建立故障识别函数。基于EMTP对一个38节点系统进行仿真,针对四类故障情况计算故障分析函数,并通过函数计算结果验证保护决策正确性。结果表明,基于广域同步数据的就地化保护在线分析方法是有效和实用的。该方法能准确识别保护方案中的决策错误。     

逆变侧换流变压器网侧接地故障对差动保护影响分析

特高压直流输电系统逆变侧换流变网侧单相接地故障后,网侧电压跌落可能会引发直流系统换相失败,有直流分量流入换流变压器绕组,使变压器铁芯磁通发生偏移,引起换流变饱和,产生故障性涌流,进而影响其安全稳定运行。针对逆变侧换流变网侧单相接地故障产生的故障性涌流问题,通过开关函数理论讨论了换流阀正常换相以及换相失败两种情况下网侧故障电流特征,分析了逆变侧网侧单相接地故障后换流变磁通的变化情况。在此基础上,研究了电流互感器饱和对换流变差动保护的影响。结果表明,换流变网侧区内故障情况下,网侧电流互感器饱和,使得换流变差动电流二次谐波含量超过门槛值,导致差动保护误闭锁。最后通过PSCAD/EMTDC仿真验证了分析的正确性。     

基于多分类相关向量机的MMC多相故障诊断关键技术

模块化多电平转换器拓扑结构复杂,当不同相子模块发生故障时,传统诊断方法只检测单个子模块故障,无法识别多相子模块故障。提出了一种多分类相关向量机算法用于模块化多电平换流器的多相故障诊断,对三相电压的时频数据进行傅立叶变换,以获取三相电压的频域数据,使用频域中的典型低次谐波分量作为故障特征量,采用多分类相关向量机算法进行故障分类。通过与传统故障诊断方法的仿真比较,验证了该方法的有效性和准确性。仿真结果表明,该方法在训练精度和测试精度上均优于传统的故障诊断方法,训练精度达到99.2%,测试精度达到99.4%,具有一定的应用价值。     

基于分层定位模型的含DG配电网故障定位方法研究

针对现有配电网故障定位算法在含DG的故障定位中存在耗时长、准确率低等问题,提出了一种将分层模型与改进免疫算法相结合用于含DG的配电网故障定位方法。简化配电网模型,使用改进的免疫算法定位故障区域,并使用改进的免疫算法对故障区域进行二次定位。通过试验对单点故障和多点故障进行分析,验证了所提方法的优越性。试验结果表明,相比于传统的故障定位方法,所提方法引入了分层理论,有效降低了故障节点的搜索维数,在保证速度的情况下,具有较高的故障定位精度。     

基于故障全景信息的电力系统暂态稳定分析方法

为了准确判断电力系统在故障后的暂态稳定状态,提出一种基于故障全景信息的电力系统暂态稳定分析方法。首先对影响系统暂态稳定的因素进行了分析,构建了以故障时间、故障位置、故障类型及接地电阻等信息为要素的故障全景信息。然后通过两次收缩系统导纳矩阵将故障全景信息融合到最终导纳阵中,从理论上推导了故障全景信息对发电机电磁功率的影响。在此基础上利用扩展等面积法形成不同故障场景下系统暂态稳定裕度的三维曲面,通过提取该曲面与零裕度平面的交线得到系统的暂态稳定边界。最后,分别利用IEEE 3机9节点系统和新英格兰10机39节点系统进行了仿真验证。结果表明,所提方法有利于提高系统在各种类型故障下暂态稳定判断的准确度。     

基于缺失数据修复的变压器在线故障诊断方法

数据质量是影响变压器故障诊断正确率的重要因素。为了解决变压器油色谱在线监测数据缺失问题,提出了一种基于缺失数据修复的变压器在线故障诊断方法,利用改进k-最邻近和多分类SVM的循环迭代实现基于缺失数据的变压器故障诊断。在k-最邻近方法中,提出以相关系数的负指数为权值的曼哈顿距离来度量样本间距离。一方面用以突出强相关指标对缺失信息的影响,提高数据修复的准确性。另一方面改进的曼哈顿距离适用于基于k-d树的高效搜索策略,可以实现针对海量历史数据的快速搜索,满足在线诊断对算法实时性的需求。实例诊断的结果表明,该方法可以有效降低数据缺失对变压器故障诊断正确率的影响,有利于实现变压器故障的准确、高效在线诊断。     

基于聚类和时间序列分析的变压器状态评价方法

传统的电力变压器DGA故障诊断方法,仅能二值化地判断设备处于健康或故障状态,无法表征变压器的潜在故障情况,也无法确定变压器向故障状态转化的趋势。对此,提出了一种基于聚类和时间序列分析的变压器状态评价方法。首先,基于点密度判据进行数据预处理,消除噪声影响。其次,基于大数据聚类思想,计算采样数据和历史故障数据簇的相对邻近度,根据计算结果将设备状态划分为健康、潜伏故障或故障。在此基础上判断故障设备的故障类型,基于故障类型关联权重计算健康设备的健康得分,通过时间序列相似性分析方法获取潜伏故障设备的预测故障发展时间。算例分析验证了该方法的可行性与有效性。