基于短路阻抗及ΔU-I1轨迹特征联合分析的变压器绕组变形故障在线检测方法

为解决短路阻抗法不能进行故障类型识别及其与ΔU-I1轨迹法均易受设备测量误差干扰的问题,提出了基于短路电抗及ΔU-I1轨迹特征联合分析的绕组变形在线检测方法.介绍了在线短路阻抗法的原理,并根据互感器测量误差的短时不变性提出了减小测量误差的计算方法.介绍了ΔU-I1轨迹法的原理,然后给出基于短路阻抗及ΔU-I1轨迹特征联合分析的变压器绕组变形在线检测步骤和判据.通过建立变压器的仿真模型,对所提方法的有效性及考虑测量误差时的准确性进行了验证.结果表明,所提方法能在考虑测量误差时准确识别变压器的绕组变形故障,具有工频带电监测和故障类型识别的优点,提高了绕组变形故障识别的精度.     

基于GA-BP神经网络的变压器绕组热点温度预测研究

变压器是电网核心设备之一,保障其安全稳定运行具有重要意义.针对现有变压器绕组热点温度预测方法中存在的问题,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型.利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2?05％和0?21,优于其他方法,验证了该方法的正确性.     

基于GA-BP神经网络的变压器绕组热点温度预测

本文针对现有变压器绕组热点温度预测方法中存在的不足,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型。利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21。     

基于五项Rife-Vincent(I)窗的四谱线插值FFT谐波分析方法

目前,在电力谐波分析中快速傅里叶变换(FFT)应用得最为广泛,但是在非同步采样时,应用该变换容易产生频谱泄漏,出现栅栏效应。为减小非同步采样对FFT的影响,对旁瓣峰值电平小且下降速率快的五项Rife-Vincent(I)窗进行了分析并将它应用于FFT算法中,提出了基于五项Rife-Vincent(I)窗的四谱线插值FFT谐波检测算法。经过多项式函数的拟合,得到了简单实用的四谱线插值修正公式,使计算过程更为简单。结果表明,与Hanning窗、Nuttall窗和四项Rife-Vincent(I)窗插值FFT相比,相同条件下,五项Rife-Vincent(I)窗具有更高的准确度,其幅值相对误差≤6.52434E-5%,相位相对误差≤7.75054E-3%。