基于改进MFCC和3D-CNN的变压器铁心松动故障声纹识别模型

为了准确提取变压器铁心松动故障时的声纹特征,提出一种基于改进的梅尔频率倒谱系数(MFCC)和三维卷积神经网络(3D-CNN)的变压器声纹识别模型。首先对变压器噪声信号进行分帧加窗处理,提取梅尔频率倒谱系数(MFCC);然后运用局部线性嵌入算法(LLE)对现有的MFCC特征向量降维改进;最后使用三维卷积神经网络对变压器铁心松动故障进行识别。以某10 kV变压器为对象进行空载试验,采集铁心在不同松动程度下的声纹信号。计算结果表明,使用改进后的MFCC特征向量提取算法及3D-CNN模型具有良好的识别效果,准确率可达到98.33%,且平均迭代的时间可降至8.511 26 s。最终研究结果可为变压器的噪声治理提供依据。     

基于特征筛选和改进深度森林的变压器内部机械状态声纹识别

变压器声纹信号包含大量反映内部机械状态的有效信息。为实现变压器内部机械状态不停电检测,提出一种基于特征筛选和改进深度森林的变压器机械状态声纹识别方法。首先,利用自适应噪声完备集合经验模态分解(CEEMDAN)声纹信号得到本征模态函数(IMF),并通过频谱分析和皮尔逊相关系数对IMF分量进行筛选,得到包含故障信息的IMF分量。其次,利用各IMF分量在频段上的分布情况进行高、低频段划分,依据高、低频段IMF分量的差异性,将高频段IMF分量的时频能量和低频段IMF分量的幅值特性作为特征指标,构成特征向量,输入改进后的深度森林模型,得到10种机械松动状态的声纹识别结果。最后,通过现场试验验证了该方法的有效性。研究结果表明：所提方法对10种机械松动状态的平均识别准确率达99.2%。与传统变压器声纹特征相比,所提声纹特征区分度更高;与传统识别模型相比,所提改进深度森林识别模型复杂度更低,训练速度更快,识别准确率更高。     

基于重复模式提取与高斯混合模型的变压器故障声纹识别

变电站存在大量干扰声音,高噪声环境会降低声纹识别的准确率。为此,提出一种基于重复模式提取(repeating pattern extraction technique, REPET)和高斯混合模型(Gaussian mixture model, GMM)的变压器故障声纹识别方法。首先,在真实的变压器油箱中模拟不同类型放电和机械故障声音。其次,针对变电站内非平稳性干扰声音,采用基于REPET的盲源分离算法将非稳定干扰声音从混合声音中分离。最后,针对主要由变压器冷却风扇声造成的持续性干扰声音,采用梅尔频率倒谱系数和基于GMM的声纹识别算法来降低风扇噪声对声纹识别系统的影响,并通过实验数据对该方法进行验证,实验室条件下对含噪声音的识别率可达100%。另外,GMM训练所需声音数据量少,针对实际变压器故障声音难以获取的情况,具有一定实用价值。     

基于声纹识别的变压器局部放电在线监测系统

本文提出了基于声纹识别的变压器局部放电的在线监测和诊断方法。通过在变压器上安装4个磁吸式声纹采集装置获得变压器声纹信号,采用基于负熵的FastICA对采集得到的数据进行处理,分离变压器的本体运行声纹信号和故障声纹信号。接着,采用梅尔对数频谱特征分析方法提取之前分离所得的故障声纹信号的特征值,特征值作为输入量经训练好了的卷积神经网络（CNN）模型预测得到变压器故障类型。通过设计放电试验,对故障声纹的识别准确率超过90%,验证了系统的有效性。本文充分利用变压器声纹信号,通过卷积神经网络算法实现变压器局部放电诊断,能够有效发现变压器内部绝缘的初期故障,提高了设备供电可靠性。     

基于改进谱减法和MFCC的电机异常噪声识别方法

为提高车窗电机异常噪声识别的准确性,提出一种以改进的谱减法为基础、以优化的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)为特征值的电机异常噪声辨识方法。结合电机声音信号和工厂背景噪声信号特点,通过优化的谱减法进行消噪处理。针对频谱泄漏,用汉宁自卷积窗代替汉宁窗,获得优化的MFCC。实验结果表明,该方法能够有效判别电机是否存在异响,准确率达到91%。     

基于区间权重和改进云模型的变压器状态评估

针对变压器状态等级边界信息随机性和模糊性的问题,提出建立基于正态云理论的变压器状态评估模型。考虑变压器状态评估数据的有限性,提出对变压器少数运行数据进行正态云处理。对于变压器等级边界模糊性问题,提出对变压器各等级进行适度扩展,建立变压器指标等级正态云。根据不同云滴在数据正态云出现的不同概率,计算变压器数据正态云云滴与各评估指标等级正态云之间的关联度,得到评判矩阵。其次,对变压器运行数据进行区间表示。针对各指标区间数据的波动性,计算区间数据的方差和平均差,进而赋予指标不同的权重,在此基础上进行变压器状态评估。通过分析某台变压器运行数据,验证了该方法应用于变压器状态评估中的有效性。     

基于云模型和改进D-S证据理论的变压器故障诊断

为了进一步提高变压器故障诊断精度,提出基于云模型与改进D-S证据理论的变压器故障诊断方法。首先,利用油中溶解气故障样本建立各类型故障的标准云模型,并计算待测样本与故障标准云间的隶属度值;其次,根据隶属度确定不同故障下的基本概率分配;然后,利用Pignistic概率距离构建相似度并对基本概率分配进行修正,再引入平均支持度加权优化证据融合规则;最后,使用基于云模型和改进证据理论建立的诊断模型对实际案例进行测试与诊断分析。实验结果表明：基于云模型和改进D-S证据理论建立的模型故障诊断精度达88.4±2.8%,较支持向量机、K最近邻分类算法和灰色关联分析法的识别率分别提高了7.8%、3.8%、15.7%,验证了所建模型具有更优越的故障诊断性能。     

基于改进GSA-SVM模型的电力变压器故障诊断

准确评估输变电设备运行状态是电力企业生产技术工作的核心内容。为提高电力变压器故障诊断精度,避免传统引力搜索算法（GSA）自身收敛速度慢且易陷入局部最优区等不足,提出一种利用混沌序列改进GSA的支持向量机（SVM）模型,用于电力变压器故障诊断中。首先利用混沌序列来增加重力粒子的多样性,目的是避免在其训练时陷入局部最优区;然后利用改进的GSA算法来优化SVM模型自身的参数,从而提升该模型的预测准确率;最后将预测结果与其他3种传统诊断模型的预测结果进行了对比分析,结果表明利用混沌序列改进的GSA-SVM模型有着更好的泛化能力以及更高的分类准确率。     

基于50 Hz倍频小波时频熵和RUSBoost的变压器绕组松动声纹识别

变压器绕组松动故障给电力系统安全稳定埋下巨大隐患,目前缺乏切实有效的诊断方法。因此提出一种基于50 Hz倍频小波时频熵和RUSBoost的变压器绕组松动声纹识别方法。首先,针对变压器声纹特点提出50 Hz倍频小波时频熵,用于声纹信号特征提取。然后,针对变压器故障样本较少导致的样本不平衡的问题,提出基于RUSBoost模型的模式识别。最后,在现场实测数据的基础上验证了该方法的有效性。研究结果表明,所提方法对变压器绕组不同松动程度的故障均能实现可靠诊断,平均识别准确率达到了98.9%。样本较少的75%松动和100%松动的识别准确率也分别高达97.2%和94.6%。相较于RF、DT、KNN以及SVM等传统模型,总体识别准确率至少提高3.3%,样本较少的75%松动和100%松动的识别准确率至少提高了2.8%和2.5%。     

基于实际工程的变压器改进J-A模型研究

为了能够深入开展励磁涌流对直流输电系统影响的机理性研究,提出了一种基于PSCAD/EMTDC仿真软件的考虑磁滞特性的变压器模型建模方法,该建模方法采用改进J-A模型来描述变压器磁滞特性,具有物理意义清晰、参数较少等优势。介绍了常用的变压器电磁仿真模型建模方法,并给出了所提建模方法的详细步骤和算法设计。在PSCAD/EMTDC仿真平台上建立了牛从直流输电系统的仿真模型,并结合牛从直流的实际录波波形进行了参数辨识,最终利用PSCAD复现了牛从直流乙线换流变压器空充过程中甲线直流电流的录波波形,验证了所建模型的合理性和有效性。     

基于模型的变压器保护判据分析与改进

对基于模型的变压器保护原理作了分析并提出了新判据。电流暂态波形波动较大时,用差分代替微分会造成很大误差,可能造成保护误动。利用积分法构成了新型的保护判据,给出了新判据的计算公式并讨论了定值的选取。变压器在正常运行、外部故障、空载合闸、内部故障、带内部故障空载合闸等工况下的数字仿真结果表明,新判据不易受电压、电流波形波动的影响,计算简单,可以可靠、快速识别变压器内部故障。     

基于理想变压器的耦合电感和实际变压器模型

理想变压器、电感、电抗器、耦合电感、实际变压器与互感器等是一系列相关又有区别的元器件,但其知识却呈现碎片化状态.分析总结了理想变压器的特性,阐述了理想变压器的归一化原理,提出了电磁元器件的电路集总参数外析方法,统一了耦合电感两种去耦方式,得到了电抗器与耦合电感、实际变压器及互感器的结构化电路模型.分析了耦合电感与实际变压器的关系,厘清了电磁元器件的分类,梳理了从实际变压器到耦合电感再到理想变压器乃至隔离器的演变过程,从而形成了较清晰和较完整的电路局部知识体系.     

基于变压器模型的新型变压器保护原理和判据

现有的基于变压器模型的保护原理摆脱了励磁涌流的影响,但由于没有全面考虑各种因素而引起的误差可能会使保护误动.文章以双绕组单相变压器为对象讨论了各种误差因素对保护动作特性的影响,进而提出了基于变压器模型的新型保护原理和判据,并指出了参数整定的指导原则.通过对变压器的多种运行状态进行仿真计算验证了该保护原理和整定原则的正确性.     

基于FCM和改进PCA的变压器故障诊断

为了进一步提高基于油中溶解气分析的变压器故障诊断准确率,提出了一种基于模糊聚类和主成分分析的故障诊断方法。该方法首先利用模糊C均值聚类方法对搜集的DGA样本集进行聚类分析,将聚类中心矩阵作为标准故障谱。然后采用改进型主成分分析方法精简样本矩阵信息,通过计算样本主成分间欧拉距离确定故障类型。通过实例验证证明本文方法能有效识别故障类型,且较IEC比值法、改良三比值法等具有更高的准确率。该方法为变压器故障诊断提供了新思路,具有一定的实际应用价值。     

基于改进秃鹰搜索算法的变压器J-A模型参数辨识

在对变压器的精确建模中,铁磁材料特性的表示是一大关键点.J-A磁滞模型具有参数较少、物理意义清晰等优点,在研究中得到广泛应用.针对现有J-A模型参数辨识所使用的优化算法存在精度低、耗时久等问题,本文提出了一种基于改进秃鹰搜索算法,以实现对J-A磁滞模型参数的快速、精确辨识.该方法融合混沌映射、精英反向学习及自适应权重,...     

基于改进PSO-LSSVM模型的变压器绕组热点温度预测

针对现有变压器绕组热点温度预测方法中存在的不足,采用收缩因子对粒子速度更新方式进行改进,保证PSO算法前期的全局搜索能力和后期的局部寻优能力,提高了算法的收敛性能;利用改进PSO对LSSVM参数进行寻优,建立基于改进PSO-LSSVM的变压器绕组热点温度预测模型.利用实际监测数据进行仿真分析,改进PSO-LSSVM的变...     

计及铁心损耗和磁滞效应改进的变压器模型

分析电力系统暂态过程或铁磁谐振等问题时,建立变压器精确的等效非线性模型非常关键。基于变压器的空载实验,利用非线性电阻和考虑磁滞效应的非线性电感的并联来等效变压器铁心励磁支路,并给出了变压器的等效电路模型和励磁支路参数特性的计算方法。在工频条件下,分别建立了模型变压器和单相三柱变压器JMB-500的等效模型,计算结果与测量结果吻合很好。最后,建立了模型变压器在不同频率下的等效模型,该文的计算结果与测量结果也同样吻合,证明了该文方法的有效性和准确性。     

基于改进配电变压器截波过电压暂态模型的仿真

为了加强配电变压器运行的安全性,避免避雷器动作后造成的截波过电压对配电变压器造成损害,建立了描述配电变压器绕组暂态过程的时域等值电路,并根据所给的技术参数,计算出了配电变压器时域等值电路中参数值。建立了基于MATLAB语言下的改进配电变压器截波过电压暂态仿真模块,对加入防雷电抗器前后配电变压器绕组的暂态过程进行了仿真,绘制出了一次、二次绕组的电流、电压波形。仿真结果表明,配电变压器加入防雷电抗器后,变压器绕组上的电压、电流幅值和陡度均有明显下降,验证了新型防雷电抗器的理论可行性,能够有效降低配电变压器截波过电压[1-3]。     

基于改进K-means聚类的变压器异常状态识别模型

为有效利用变压器历史正常数据识别变压器是否异常,文章提出了基于改进K-means聚类的变压器异常状态识别模型。针对变压器绝大部分运行数据为正常数据,且正常数据逐渐按一定的趋势变化以及异常状态数据变化急剧等特点,基于历史正常数据与K-means算法建立变压器异常状态识别模型。根据对正常数据聚类的结果确定用于识别新数据的各个阈值,通过计算新数据到各聚类中心的距离并与各阈值对比确认变压器是否异常。同时针对传统K-means算法的缺点,对K-means算法进行基于密度与距离选择K值与初始聚类中心的改进,使K-means算法有稳定的K值与聚类中心,聚类过程更加快速、稳定、有效,从而使识别模型计算得到的阈值更可靠。实例分析表明,模型能有效对变压器的异常状态进行快速、准确的识别,为变压器状态评估提供一种新思路。