变压器油色谱在线监测系统

主要介绍了变压器油中溶解气体色谱分析的在线监测方法，以油中溶解气体为反映故障的特征量，进行油气分离后，根据不同气体的含量来判断变压器的故障，利用单片机与计算机控制系统实现油色谱的定时在线智能化监测与故障诊断。     

变压器油中溶解气体分析和故障诊断研究

在电力系统中,变压器的运行优劣直接影响电力生产的安全和稳定。为了确保变压器运行始终保持良好状态,对变压器油中溶解气体进行分析是一种操作简单且无须停电的风险隐患和故障排查方法。本文对此进行了研究,首先概述了变压器故障的主要类型,然后分析了变压器油中溶解气体分析方法和故障诊断方法,最后论述了变压器故障诊断的步骤,供相关人士参考。     

基于遗传算法的电力变压器故障诊断研究

详细设计了一种电力变压器自动检测方法。首先研究了电力变压器故障分层诊断模型,然后阐述了基于油中溶解气体分析的变压器故障诊断国内外研究现状,最后就基于遗传算法和线性决策树的变压器绝缘故障诊断模型进行了深入的探讨,具有一定的参考价值。     

基于MATLAB的BP网络变压器故障诊断仿真

基于油中溶解气体分析针变压器故障诊断的对传统方法,在诊断过程中各存在不同程度的诊断缺陷。导致输出的诊断结果不准确、不能真实、全面反映变压器的真实故障状态。将人工网络算法应用到电力变压器故障诊断中。搭建了BP网络诊断模型,实现对不同类型、不同程度故障的诊断。并运用MATLAB神经网络工具箱进行仿真实验,较传统的变压器故障诊断的方法明显的提高了故障诊断准确率。     

基于改进小波神经网络算法的电力变压器故障诊断方法

大型电力变压器作为电力系统的枢纽设备,其运行可靠性直接关系到电力系统的安全与稳定.针对基于BP算法的小波神经网络存在收敛速度慢、搜索空间局部极小及易引起振荡等不足,本文以变压器油中溶解气体为分析对象,提出采用动量项和变学习率改进小波神经网络的变压器故障诊断算法.选择400组油中溶解气体含量作为小波神经网络训练及故障识别样本,对训练过程和仿真结果进行对比分析.实验结果表明:较之比值法,改进的小波神经网络故障诊断算法在故障识别准确率和收敛时间方面表现更优.     

变压器油中溶解气体含量突增故障诊断探讨

从分析变压器油中溶解气体的主要来源入手,介绍了变压器故障诊断中的油色谱分析法,在此基础上通过两则实例,对变压器油中溶解气体含量突增故障诊断进行了探讨,期望能对提升变压器运行的稳定性有所帮助。     

主变轻瓦斯动作告警分析与处理

简单介绍了某110kV主变压器轻瓦斯动作告警情况,并根据油中溶解气体组分含量的分析,对主变压器内部故障作出了合理的诊断,结合主变压器电气试验数据确定了故障部位,进行了故障消除和处理。     

变压器油中溶解气体特性分析与故障判断

为保证变压器安全运行，监视和分析变压器油中溶解的气体含量和组份是其中一种最有效措施。文中根据变压器油中溶解的气体含量和组份特性，结合设备运行检修历史、电气试验等工程实例，对故障诊断和注意事项进行了阐述讨论，论述其对监视变压器安全运行的重要性。     

一种新型变压器油中溶解气体在线监测仪的研究

研究提出了一种基于固体氧化物燃料电池(SOFC)技术的微量可燃气体检测新方法,该方法只需要一种载气就能够完成变压器油中溶解气体的检测.利用从四大守恒定律出发建立的管式SOFC数学模型,得到了可燃气体含量与SOFC输出电压的关系,进而通过优化参数并结合色谱分析技术设计了一套变压器油中气体在线监测仪.该测量仪以嵌入式PC104为核心,具有油中气体含量的实时LCD显示,并通过与上位机的串行通信实现气体含量数据的后台存储.实验与现场投运的结果表明该技术满足电力变压器在线监测与故障诊断的需求,具有线性度好、精度高、方便、清洁和自动化程度高等优点.     

变压器潜伏性故障的色谱分析

变压器油中溶解气体的色谱分析法能早期发现充油电气设备内部存在的潜伏性故障。本文从比较油中溶解的特征气体含量分析数据与注意值、故障点的产气速率、三比值法、故障程度与发展趋势、国内常用测定仪器及其特点五方面阐述了采用色谱分析法判断变压器内部故障的方法;进而从变压器遭雷击前后的各项实验分析及其内部放电两方面,列举了采用色谱分析判断变压器故障的工程实例,并指出色谱分析法判断故障的不足。     

变压器油中气体拉曼光谱检测及信号处理方法

准确检测变压器油中溶解故障特征气体是诊断变压器运行状态的重要技术手段之一。论文基于拉曼光谱和腔长调制频率锁定原理,搭建了变压器故障特征气体频率锁定腔增强拉曼光检测平台,实现了H_2、CH_4、C_2H_2、C_2H_4、C_2H_6、CO、CO_2等七种故障特征气体的同时检测;1atm时,H_2、CH_4、C_2H_2、C_2H_4、C_2H_6、CO、CO_2的最小检测浓度实验值分别达到106、25、45、73、41、170、126(ppm)。频率锁定增强腔技术使最小检测浓度提高了约68倍。运用小波模极大值法对H_2的拉曼光谱检测信号进行了去噪处理,提出了基于包络线迭代法的光谱基线校正方法,校正后的光谱荧光背景残留减少,使气体拉曼光谱检测准确度提高了约2.95%,为变压器油中溶解故障气体同时准确检测提出了一种新方法。     

基于重构贡献和灰关联熵的变压器诊断方法

提出了一种基于重构贡献和灰关联熵相结合的变压器故障诊断新方法.该方法在利用油中溶解气体分析数据建立主元模型后,基于故障重构的思想,计算样本各变量重构贡献率作为特征量,规格化处理来提取变压器油中溶解气体的故障特征信息.为了克服单一灰关联分析中易造成局部关联及信息损失等缺陷,采用灰关联熵方法进行变压器故障类型诊断.实例研究结果表明,该方法具有良好的故障识别能力,提高了故障诊断的准确性.     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

基于信号共振稀疏分解的转子早期碰摩故障诊断方法

提出了基于信号共振稀疏分解的转子早期碰摩故障诊断方法,该方法用信号共振稀疏分解从转子系统振动信号中提取早期碰摩冲击信号。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现早期碰摩故障时,振动信号由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。利用信号共振稀疏分解方法从转子早期碰摩信号中提取冲击成分,根据冲击的周期可进行转子早期碰摩故障诊断。算法仿真和应用实例验证了该方法从转子系统中提取早期碰摩冲击信号的有效性。
     

Hybrid modified evolutionary particle swarm optimisation-time varying acceleration coefficient-artificial neural network for power transformer fault diagnosis

In power transformer fault diagnosis, dissolved gas analysis (DGA) has been widely used to identify the type of the fault. The common methods of DGA are IEC 60599 method, Doenenberg’s ratio method and Roger’s ratio method. The accuracy of the DGA diagnosis will determine the cost, duration and workload of the maintenance since it can influence the error in the maintenance. Although DGA methods have been used widely, sometimes they still yield incorrect diagnosis results. Thus, many works on transformer fault diagnosis have been proposed previously, which include artificial intelligence methods, to improve the accuracy of transformer fault diagnosis. However, the accuracy of the previously reported works is believed to have rooms for improvement. Therefore, in this work, hybrid modified evolutionary particle swarm optimisation-time varying acceleration coefficient (MEPSO-TVAC)-artificial neural network (ANN) was proposed for transformer fault diagnosis based on dissolved gas data. This is due to these two methods have never been proposed for transformer fault diagnosis in the past. The performance of the ANN was optimised through the proposed MEPSO-TVAC. The superiority of the proposed method was demonstrated through comparison with the existing DGA methods, unoptimised ANN and previously reported methods in literatures. The comparison shows that the proposed hybrid MEPSO-TVAC-ANN obtained the highest accuracy among all methods, which can then be used for power transformer fault diagnosis.     

光电子电离质谱在线监测SF_6气体分解物

电气设备内部放电故障的原因与其中SF6杂质气体的种类和含量相关。本工作设计了一套基于光电子电离飞行时间质谱的在线监测系统,通过对电气设备腔体内SF6气体组分的实时监测,实现电气设备放电故障的诊断。同时,结合实验室研制的SF6气体低压放电系统,研究了不同掺杂气的SF6气体放电产物谱图和动力学监测曲线,初步探讨了不同条件下SF6放电产物的产生机理。该技术有望实现在线质谱分析技术进入电力生产现场和及时监控SF6电气设备内部故障情况。     

基于PNN的电力变压器故障诊断方法

对油中溶解气体进行深入分析后,以改良的三比值法为基础,提出一种基于概率神经网络(PNN)的变压器故障诊断方法。该方法利用PNN的强大的非线性分类能力,将故障样本空间映射到故障模式空间中,可形成一个具有较强容错能力和结构自适应能力的诊断网络系统,从而提高故障诊断的准确率。仿真结果表明,实际案例数据验证了此方法准确率高,是一种有效的故障诊断方法。     

基于单电流检测的电动变桨系统容错控制

针对电动变桨系统中常见的电流传感器故障,提出一种基于单电流检测的电动变桨系统变论域模糊容错控制方法。当变桨系统发生单个或两个电流传感器故障时,该方法利用直流母线电流传感器对所缺失的电流信息进行重构,保证三相电流能在任意两个相邻采样周期内得到及时更新,确保闭环系统稳定,并通过自适应阈值故障判断法完成故障相电流传感器的切换及容错。针对调制法引起的重构信号误差及电动变桨系统的主要控制目标,将变论域模糊控制方法应用于速度环,以改善系统抗负载扰动能力,提高容错系统鲁棒性。结果表明,该容错控制方法使得变桨系统在传感器故障情况下,牺牲部分系统性能后依然具有较理想的控制特性,并且该方法的正确性也得到了验证。     

基于VMD和LSTM模型的航空液压管路卡箍故障诊断

航空发动机液压管路-卡箍系统中卡箍振动信号具有非线性和非平稳性的特点,难以从卡箍故障信号中准确识别出其故障类型。针对该问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)-长短时记忆(Long Short-Term Memory,LSTM)神经网络模型的智能故障诊断方法。首先,利用遗传算法对VMD的模态分量k值和惩罚因子α进行参数优化;然后,将优化后的VMD对卡箍故障振动信号进行分解处理;最后,将分解后的模态分量输入LSTM网络中进行特征学习,从而实现卡箍故障的识别。实验表明:该方法实现了对卡箍螺栓松动状态、根部断裂状态、衬垫磨损等3种典型故障的精准识别,故障总体识别准确率能够达到98.5%以上,有效地提高了航空液压管路卡箍故障识别的准确率。     

IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究

针对滚动轴承的故障特点,提出了一种将IMF能量与RBF神经网络相结合的方法用于故障诊断.该方法首先利用经验模态分解(EMD)方法,把振动信号分解为若干个IMF分量,再用重要的IMF分量求得IMF能量特征向量,最后将特征向量输入RBF神经网络进行故障模式分类.通过对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.