基于小波理论的电力变压器振动信号特征研究

通过监测电力变压器的器身振动信号预估变压器机械故障的振动法的关键在于如何从振动信号中提取有效特征。为有效诊断铁心和绕组的机械状态,利用小波变换对变压器振动信号进行时域与频域综合分析,提出基于频段—能量分布的变压器铁心和绕组机械故障诊断新方法。试验结果表明,小波变换能够有效地提取振动信号的特征,得到实时振动信号各频段上的能量分布状态,据此可有效在线诊断变压器机械故障。     

变压器绕组多故障条件下的振动信号特征提取

针对变压器绕组多种故障并发的工况,在分析变压器绕组振动机理的基础上,提出一种基于集合经验模式分解(EEMD)的振动信号特征提取方法。采用EEMD方法对变压器绕组振动信号进行分解得到各阶本征模函数(IMF),利用IMF能量和2范数构造特征矢量,将该特征矢量作为变压器绕组状态识别的判据。利用Fisher判别法对所提方法的有效性进行验证。试验结果表明,利用所提方法提取的各状态特征矢量区别明显,与快速傅里叶变换(FFT)方法相比,所提方法可准确识别出变压器绕组的混合故障状态。     

变压器油箱壁振动信号诊断绕组变形技术研究

文章对S11-M-500/35kV变压器A相绕组进行连续5次短路冲击试验(B、C两相未单独进行冲击试验),使A相绕组产生较其他两相更严重的形变,获取短路冲击前后变压器A相绕组对应油箱壁的振动数据。通过变压器油箱壁振动信号分析变压器绕组的变形程度,利用小波包分解原理,将振动信号分解到不同频段中,计算各频段的能量熵值,得出不同程度的绕组形变对能量熵值变化的影响。试验结果表明:与离线短路电抗法判断绕组形变相比,振动分析法小波包能量熵特征提取方法不但具有在线诊断绕组故障的优点,且更灵敏的体现出绕组状态变化,对及时反映绕组形变,对带电或在线监测判断绕组变形故障具有重要意义。     

基于VMD的变压器绕组松动故障分析与诊断

为了及时有效地诊断变压器绕组松动故障,针对变压器空载合闸振动信号,提出了一种基于变分模态分解(VMD)的分析方法。首先运用VMD对绕组松动前后变压器表面合闸振动信号进行最优模态分解,建立信息熵—峭度—相关系数综合评价模型,并运用熵权—TOPSIS法提取特征模态分量;通过计算变压器振动信号能量熵进一步判定绕组状态;最后搭建测试平台进行实验验证。结果表明,绕组松动和正常状态下变压器振动信号在特征频率和能量分布上均存在明显差异,该方法为变压器绕组松动故障诊断提供了新的思路。     

基于振动信号统计特性的变压器绕组状态监测

运行中的变压器振动信号与其绕组状态密切相关,为深入挖掘变压器振动信号的变化规律,实现绕组状态的准确监测,本文从在运变压器的振动监测信号特性出发,通过对预处理后的变压器振动信号进行系统聚类,得到了变压器绕组振动特征曲线,进而根据变压器振动信号的统计特性即T2控制图对绕组状态进行监测分析。对某500k V变压器振动在线监测信号的分析结果表明,所提出的系统聚类方法能够有效地提取变压器振动信号的特征,依据振动信号的T~2控制图可以准确地判断变压器的绕组状态。研究结果可为基于振动信号的变压器绕组状态监测提供重要依据。     

基于改进凝聚层次聚类算法的变压器绕组及铁心故障诊断研究

为实现振动响应法在线诊断变压器绕组及铁心故障,提出一种基于改进凝聚层次聚类算法的变压器故障诊断方法。首先,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法对变压器振动信号进行特征值提取,得到变压器振动信号的特征向量。然后,应用凝聚层次聚类算法对测试变压器振动信号的特征向量进行层次分类,分类得到变压器正常、绕组轴向变形、绕组径向变形、铁心故障4种状态。同时,为克服凝聚层次聚类算法计算量大的缺点,对该算法进行了改进,从而提高了变压器状态分类的速度。最终,经实例测试,结果证明该改进方法能有效快速地识别出变压器所处的状态,实现变压器绕组及铁芯的在线监测与故障诊断。     

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。     

基于小波包和模糊自适应共振神经网络的变压器绕组状态识别

变压器振动信号中包含了大量状态信息,但难以从中提取有效特征进行绕组松动状态识别。为此,提出了基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy-ART)的变压器绕组松动状态识别方法。首先,设置9种绕组松动状态并进行短路实验,测取油箱表面振动信号;然后对振动信号进行4层小波包变换,提取有效测点状态特征频带的小波包能量构成特征向量;最后将特征向量作为Fuzzy-ART神经网络的输入,对不同绕组松动状态进行识别。实验结果表明,基于小波包的Fuzzy-ART神经网络能对绕组松动状态进行快速、稳定分类,可用于变压器绕组松动状态的在线监测与诊断。     

基于DSP的变压器振动信号的小波能量谱熵提取

变压器器身的振动信号含有丰富的故障信息,利用振动法进行变压器运行状况的在线监测已经成为变压器故障诊断的研究重点之一。结合小波变换与信息熵的理论,采用变压器振动信号的小波能量谱熵作为故障诊断的特征信号,同时利用DSP芯片TMS320F2812作为核心芯片,设计并完成对变压器振动信号的采集和小波能量谱熵的提取。结果表明,变压器正常运行与故障运行时的小波包能量谱熵存在差异。因此,该方法能够有效提取变压器振动信号的特征值,为后续故障诊断提供有力的依据。     

基于小波包能量熵的变压器振动信号特征研究

利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,最后根据该能量熵值来对变压器绕组进行故障诊断。试验结果表明,该方法能够突显变压器绕组的故障特征信息,为变压器绕组的早期故障的诊断奠定了坚实的基础。