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。     

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。     

小波包分析和BP神经网络在滚动轴承故障模式识别中的应用

根据滚动轴承振动信号的不同故障模式在频域能量分布中的差异性,提出了基于小波包分解与重构和BP神经网络的轴承故障模式识别技术。论文首先对轴承振动信号进行小波包三层分解,完成了振动信号在空间的完整拆分,同时得到了第三层由低频到高频的小波包分解系数,再依据小波包分解系数分别重构各频段的信号,并提取信号各频段的能量。然后利用信号各频段的能量组成的特征矢量作为BP神经网络的输入样本,对BP神经网络进行训练,获得不同故障模式识别网络模型,最后利用测试数据对建立起来的BP神经网络模型进行检验,通过BP神经网络判别滚动轴承的故障类型。实验结果证明,采用小波包分解与重构和BP神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

基于振动信号特征分析的变压器绕组故障检测

变压器运行中油箱表面振动信号与其绕组的机械状况密切相关。通过分析变压器油箱外壁的振动信号来检测变压器绕组机械故障,关键在于从振动信号中提取反映故障前后变化的特征信息量。通过试验得到同一型号试验变压器绕组正常运行、短路冲击后运行和模拟故障运行时变压器油箱外壁的振动信号,运用小波包分析对振动信号进行特征提取,提出基于频段-能量-欧式距离的方法来检测变压器绕组机械故障。试验分析结果表明,变压器油箱外壁的振动信号能够反映出绕组内部结构的特性,通过对振动信号的分析能够有效地诊断变压器绕组故障。     

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。     

变压器振动信号模态特征提取及分析

针对变压器故障情况下振动信号具有非平稳、非线性的特点,提出了利用集合经验模态分解(ensemble empirical mode decomposition method,EEMD)变压器振动信号进而选择有效本征模式函数(intrinsic mode function,IMF)的方法。该方法通过计算变压器原振动信号与分解后的本征模式函数的归一化相关系数来选取有效分量。再利用筛选出的本征模式函数构造特征矢量,将其作为变压器绕组状态识别的依据。实验结果证明了该方法可准确诊断变压器绕组的故障。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

基于奇异谱熵和支持向量机的变压器绕组松动识别及定位

绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 kV变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解提取重构空间的最优特征序列,结合信息熵得出绕组松动的特征量——奇异谱熵,并作为诊断模型的输入,利用粒子群算法对多分类支持向量机进行参数优化。并将其测试结果与BP和PNN神经网络的诊断效果进行对比。实验结果证明,该方法能有效地判断绕组是否发生松动并正确识别绕组松动相,验证了上述方法的可行性和准确性。     

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。     

基于多传感信息融合的电力变压器绕组故障诊断方法

传统电力变压器绕组故障诊断方法直接对变压器绕组故障进行诊断,未对振动信号进行特征提取,造成诊断精准度低。为此,提出基于多传感信息融合的电力变压器绕组故障诊断方法。在故障诊断之前采集绕组振动信号,在采集绕组振动信号的基础上,重点对变压器绕组振动特征进行提取,通过提取的特征利用多传感信息融合算法对变压器绕组变形故障进行故障诊断。设计对比实验,实验结果证明该方法在不同数据预处理下的故障诊断精准度高于传统方法,有一定的研究价值。     

基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

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。     

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

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。     

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。     

基于两轴振动和多传感器融合的变压器绕组机械故障诊断

针对传统变压器绕组机械故障诊断方法中，仅考虑绕组单一方向振动信号且特征参数提取复杂、识别准确率低的问题。本文提出了一种基于两轴振动和多传感器融合的变压器绕组机械故障诊断方法。首先从绕组轴向、辐向振动相关性角度提出两轴振动关系图形作为特征图像；然后采用轻量级卷积神经网络MobileNet V2对不同传感器获得的图像数据进行训练；最后利用D-S证据理论对多维信息源识别结果进行融合，并做出最终决策。实验结果表明所提方法故障诊断准确率可达99.4%,与传统故障诊断方法相比，简化特征提取步骤，诊断准确率提高了6.2%以上，为变压器绕组机械故障诊断提供一种可行方案。     

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。     

基于广义回归神经网络的变压器振动信号预测

变压器箱壁的振动信号与绕组和铁芯的运行状态密切相关。在对变压器振动机理进行分析的基础上,提出使用广义回归神经网络获取变压器电压电流信号与振动信号100Hz分量的对应关系,据此对变压器振动信号进行预测。使用模型变压器试验平台获取的电压电流和振动信号对广义回归神经网络进行训练,并把训练好的神经网络用于振动信号的预测。预测信号与实测信号的良好吻合说明了文中所提出的方法的有效性,据此可对变压器运行状态进行在线监测。     

栈式降噪自编码网络在变压器故障诊断中的应用

为提高变压器故障诊断的准确率,提出了一种新型的变压器故障诊断网络,该网络以基于栈式降噪自编码网络为基础,把深度学习用在诊断变压器设备故障方面,建立深层网络模型,采取逐层贪婪编码的方式进行自适应的非监督式预训练,实现高维深层故障特征的自适应提取和挖掘,进而使用反向传播算法对模型进行监督式微调。最后利用Softmax分类器,对故障进行分类输出。最后通过实例验证表明,提出的栈式降噪自编码网络能准确、有效地对变压器进行故障诊断,与传统方法相比,该方法提高了变压器故障诊断的准确率。     

基于改进粒子群优化神经网络的电力变压器故障诊断

为了提高电力变压器故障诊断的准确性,采用了一种自适应变异粒子群优化神经网络的方法,用于BP网络的权值优化。并根据变压器的故障特征,用优化好的BP网络进行故障诊断。该算法修正了粒子个体行动,克服了标准粒子群和BP网络易陷入局部极小的问题。实例仿真结果表明,该方法具有较好的分类效果,具有一定的实用性。