共查询到20条相似文献,搜索用时 156 毫秒
1.
2.
3.
4.
5.
6.
7.
对变压器绕组变形短路应力进行了分析,介绍了变压器绕组变形的诊断方法,针对短路电动力引起变压器绕组变形的原因与特点,具体提出了降低短路事故率所应采取的技术改进策略及减少短路事故的措施,以提高变压器安全运行的水平。 相似文献
8.
9.
10.
11.
针对变压器绕组变形、轻微匝间短路故障诊断准确率低的问题,提出一种变压器绕组早期故障诊断方法。首先,利用ANSYS仿真软件建立与实验变压器相关参数一致的有限元模型,分析变压器在绕组发生各种故障的漏磁场分布规律,并根据这些规律选取合适的故障特征以及光纤漏磁场传感器安装位置。然后,通过改进长鼻浣熊优化算法(improved coati optimization algorithm, ICOA)寻找残差神经网络(ResNet)的最优超参数,以此参数构建ICOA-ResNet模型,将所得故障特征量输入模型进行故障诊断。最后,通过仿真数据和动模实验验证所提出的变压器绕组早期故障诊断模型的可行性。所提模型与支持向量机等4种模型相比,在绕组早期故障诊断上有更高的准确率,表明所提方法对变压器绕组变形、匝间短路故障诊断的有效性。 相似文献
12.
13.
14.
绕组变形是变压器内部的主要故障类型之一,严重威胁电力系统正常运行。为有效提高绕组变形在线检测的准确性,结合变压器在运行中遭受暂态过电压冲击的特性,提出基于暂态过电压下行波分析的变压器绕组变形在线故障定位方法。当暂态过电压信号侵入变压器绕组时,在绕组末端获取电压行波信号,采用具有自适应白噪声的完整集成经验模态分解方法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对其进行分解,得到本征模态分量(Intrinsic Mode Function,IMF),计算各IMF分量下的相关系数,对比分析后选取一些IMF的相关系数作为绕组变形的故障特征量,最后结合BP神经网络构建故障特征和故障点的映射关系,实现绕组变形的在线故障定位。仿真结果验证了本方法的可行性。 相似文献
15.
频率响应分析法一直以来被认为是诊断电力变压器绕组变形故障最具潜力的方式,然而,现有频率响应分析法大多仅利用频率响应的幅值信息,而忽略了其相位变化的特性,针对某些故障类型,例如绕组的微小辐向变形故障,仅利用幅值信息的方法,故障诊断的灵敏度并不高。因此,文中提出一种新的极坐标图像法,利用频率响应构造极坐标图像,进而辅助诊断绕组变形故障。通过开展绕组等效电路模型的算例分析,结论证实在传统频率响应分析法不能反映绕组微小辐向变形故障时,此提出的方法可能更有效地检测出绕组故障,极坐标图像法具有更高的诊断灵敏度。 相似文献
16.
为了准确地判断变压器绕组是否出现故障,保证变压器供电的可靠性,提出了一种基于天牛须搜索算法优化支持向量机(BAS-SVM)的变压器绕组故障诊断方法。采用支持向量机(SVM)作为变压器绕组形变程度的分类器,并应用天牛须算法对SVM的核函数和惩罚因子进行优化,通过人工经验训练BAS-SVM,使其具有很高的故障诊断精度。为了比较BAS-SVM算法在变压器绕组故障诊断的优越性,采用改进的粒子群优化算法(MPSO)优化SVM。通过仿真验证,BAS-SVM算法的故障诊断准确率比MPSO-SVM算法的故障诊断准确率高10%。最后通过实例验证了BAS-SVM算法对变压器绕组故障诊断的可行性。 相似文献
17.
针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场(GAF)和深度残差网络(ResNet)进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。 相似文献
18.
19.
变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。 相似文献