基于最小二乘支持矢量机的异步电机转子故障诊断研究

提出了一种采用最小二乘支持矢量机构造异步电机转子多故障分类模型的方法.首先通过对采样的定子电流进行快速傅里叶变换,所得频谱经一致化处理后作为支持矢量机的输入参数,然后利用1对1策略构造了转子多故障分类器,经训练后可以对四种不同转子故障进行识别.文中还分析了惩罚因子、核函数和子分类器输出融合策略对分类准确性的影响,指出高斯径向基函数和混合矩阵融合策略可以提高诊断精度.实验结果表明,该模型具有很好的分类精度和泛化能力.     

电缆护层电压补偿与护层电流抑制技术

金属护层中产生感应电压是电力电缆的普遍现象,电缆敷设时常采用三段换位的方法以降低护层电压,但随着城市建设发展的加快,电缆线路的改造也越来越多,电力电缆线路改造时往往造成换位的电缆三段不等长,从而引起护层电压不平衡,产生护层环流。文中通过对电缆护层电压的理论分析,推导了电缆任意排列方式下的护层感应电压的计算模型;提出了在电缆终端加补偿装置的方法来平衡护层电压,抑制护层电流。其基本原理是将该补偿装置套装于电缆上,电缆中通过电流时,补偿装置产生感应电动势,利用该感应电势来抵消电缆护层电压。导出了补偿电感的计算模型,根据模型进行仿真计算,研制了电缆护层电压补偿装置,并在电力公司进行大量的现场实测,其实测结果与仿真计算基本一致。结果表明,基于所提出的方法可以有效地减小电缆护层的感应电压,从而减小护层环流,显著减小电缆损耗。     

电力电缆护层电压补偿装置研究

电力电缆线路改造时容易造成换位的电缆三段不等长,从而引起护层电压不平衡,产生护层环流。在对电缆护层电压理论分析的基础上,推导了电缆几种主要排列方式下的护层感应电压数学模型;提出了电缆护层电压的补偿方法。该方法是在电缆终端增加一补偿电感,即在铁芯上绕制线圈,此线圈一端接电缆金属护层末端,另一端接地,基于这一补偿方法开发了补偿装置计算的软件包,并进行仿真计算,在此基础上研制了补偿装置。通过改变该补偿装置的气隙和匝数,可以对电缆护层电压进行有效补偿,使补偿后电缆护层的总电压大为减小,有效地抑制了护层环流,可大幅度降低电缆损耗,提高电缆传输容量。     

定向识别航拍绝缘子及其缺陷检测方法研究

针对现有绝缘子检测算法无法定向检测绝缘子及其缺陷的问题，提出了一种改进YOLOv5(you only look once v5,YOLOv5)算法的航拍绝缘子识别及其缺陷检测方法。通过定向标注航拍绝缘子图片，形成航拍绝缘子数据集和缺陷绝缘子数据集；在YOLOv5的主干特征提取网络引入轻量化注意力机制模块、在特征融合阶段使用改进的空间金字塔池化结构；通过改进YOLOv5网络的头部结构使其可以对绝缘子进行定向识别，并对损失函数添加角度损失分类。实验结果表明在检测时间由单张0.044 s到单张0.049 s并无显著增长的前提下，改进后的算法在测试集上的mAP(mean average precision)的值为95.00%,实现了定向识别绝缘子及其漏帽缺陷，还可应用到绝缘子视频流检测。为后续的绝缘子精确定位以及进一步故障检测打下良好基础。     

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。     

电力变压器振动特性分析与固有频率识别北大核心CSCD

文章提出了基于合闸振动信号的变压器振动固有频率识别方法,可以据此来实现对变压器机械状态的评估。首先,文章建立了变压器多自由度非线性轴向振动模型,通过计算得出变压器在发生故障时其固有频率将会发生变化,而振动固有频率可以从变压器的合闸振动信号中提取得到,基于此文章提出了基于变分模态分解和特征系统实现算法结合的变压器固有频率识别方法,并根据固有模态分量的统计特性,提出了基于延时峭度法的模态识别方法,最后通过仿真与实验证明所提方法较传统方法而言可以有效的降低谐波模态的干扰,提高固有频率的识别精度。     

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。     

基于交叉小波变换的高压并联电抗器故障诊断方法

为了实现高压并联电抗器智能化诊断,提出一种基于交叉小波变换的电抗器故障诊断方法.搭建振动信号测试平台,采集不同条件下的电抗器振动信号,对比分析了电抗器三种状态下的交叉小波功率谱,通过图谱中颜色、显著性水平曲线与相角变化对电抗器故障进行定性分析;确定了信号的特征频段,提取特征频段中RGB参数与相角信息构造特征矩阵;采用矩...