基于多特征声纹图谱的变压器绕组松动在线故障诊断方法

绕组松动故障是变压器安全稳定运行中的巨大隐患,目前尚缺乏有效的在线诊断方法。变压器运行产生的声音信号蕴含着大量反映设备状态的有效信息,依据声音信号的特征图谱对松动故障实现在线诊断。首先,构建4种特征图谱,包括通过格拉米角场构建时域特征图谱、通过傅里叶变化和马尔可夫变迁场构建频域特征图谱、通过小波变换构建时频域特征图谱、通过递归分析构建混沌特征图谱;然后,建立轻量化卷积神经网络模型,以4种特征图谱作为输入,通过卷积、池化等一系列操作提取有效故障特征;最后,利用分类器直接输出绕组松动的故障程度。实验结果表明,所提方法对25%、50%、75%及100%的松动程度均能实现可靠诊断,平均准确率为99.6%,对最为轻微的25%松动程度,准确率仍达98%。与仅采用单一特征的诊断相比,所提方法的准确率提升了9.9%;与采用AlexNet、MobileNetV2、GoogleNet、ShuffleNet、ResNet等经典神经网络的诊断相比,所提方法的准确率提升了18.1%,同时训练速度提高37%,占用内存减少20%。     

基于声纹及振动的变压器故障诊断技术研究

噪声和振动包含了变压器机械状态的大量信息。基于噪声声纹成像和振动信号的分析方法是变压器机械状况带电检测的有效手段,分析声纹成像及振动信号测试结果,对变压器故障诊断具有重要意义。文中基于变压器铁心及绕组噪声及振动机理,建立振动噪声测量系统,并对1台110 kV变压器进行测量。根据声纹成像噪声源定位和振动信号特征值测试分析结果,判定该主变C相高压套管升高座存在故障,验证了该诊断技术的有效性。     

基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法

为了实现变压器设备声学指纹的不停电检测,提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯声纹识别模型。首先,通过铁芯模型振动与噪声试验平台,研究铁芯在不同工况下的振动声信号,将采集到的振动与声音数据进行了关联性分析和比对,验证了声信号同振动信号一样均能够有效反映铁芯的运行状态;然后,对采集到的声音数据进行Mel时频谱预处理降维,并将降维结果作为深度学习的数据集;最后构建了Mel时频谱-卷积神经网络变压器铁芯声纹模式识别模型,通过超参数调整和网络结构优化设计,实现不同运行工况声信号的准确识别。研究结果表明:该文提出的Mel时频谱-CNN识别模型对3种不同工况的声信号识别率达到了99.71%。论文研究可为电网主设备的数据深度挖掘提供参考。     

基于局部放电图像特征的换流变压器油纸绝缘缺陷诊断方法

油纸绝缘缺陷问题直接影响换流变压器的运行安全,而实现换流变压器的绝缘诊断对保证直流输电系统正常运行具有重要意义,但由于换流变压器内部同时存在着交流和直流的叠加电场,放电特征与交流电压单独作用时具有明显区别,因此交流变压器缺陷诊断方法不一定适用于换流变压器,基于局部放电的n-q-?谱图信息,构建了灰度图像,提出了基于图像特征的换流变压器缺陷诊断方法,提取属于图像本身的颜色特征、形状特征及纹理特征构成原始特征空间,采用粗糙集理论对特征空间进行优化,通过人工神经网络分类器实现缺陷模式识别。同时搭建了交直流复合电压下5种油纸绝缘典型缺陷放电检测平台,获取不同缺陷放电n-q-?谱图,并构建识别图像,验证了基于图像特征的缺陷诊断方法在换流变压器交直流复合电压下的使用效果,并发现该方法可以有效实现换流变压器缺陷诊断。     

特高压变压器油纸绝缘典型缺陷局部放电特征

变压器绝缘在制造及运行过程中难免产生缺陷,本文针对特高压变压器典型夹持结构进行了典型含缺陷油纸绝缘局部放电特性分析。根据特高压变压器夹持结构绝缘建立了实验室研究模型,用以模拟绝缘含空腔及金属异物等典型绝缘故障模型。采用脉冲电流法对缺陷试样进行了局部放电特性测试,获得了局部放电起始电压、放电量q-相位φ、放电次数n-相位φ、放电次数n-放电量q等特征参数,提取出峭度K_u、偏斜度S_k、相位中值μ、不对称度Q等统计算子特征参数,对比了局部放电不同阶段下各绝缘缺陷的放电特征图谱。结果表明,含有空腔及金属杂质的缺陷对油纸绝缘局部放电影响明显,其中金属杂质影响最严重。通过对比不同试样的平均放电量相位分布图谱H_qn(φ)与放电次数相位分布图谱H_n(q)可有效对局部放电原因进行分类。     

基于分布油色谱和超声技术的换流变压器放电缺陷定位

针对超声波法在换流变等大尺寸设备中局部放电检测的不足,提出一种基于油中溶解气体分析与超声波检测及定位相结合的定位技术。首先利用分布式油中溶解气体分析法实现缺陷粗定位;然后在此基础上,确定合理的超声波传感器布置方案;再使用超声波定位算法以及优化传播路径搜索算法准确定位;最后,通过现场测试并综合设备内检结果进行验证,表明了所提检测方法的实用性和有效性。     

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。     

局放试验判断变压器内部缺陷实例分析

通过对局部放试验的实例分析，阐述正确而灵活地依据相关试验标准综合判定高压电气设备内部缺陷的意义。     

陕西电网330kV变压器现场局部放电试验中检出的缺陷和故障

陕西电网通过变压器现场局部放电试验,检测出十余台330 kV变压器的缺陷和故障,并及时进行了检查处理,防止了大型变压器运行中发生设备损坏事故.     

基于深度置信网络和多维信息融合的变压器故障诊断方法

为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。     

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。     

基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

多Agent在变压器故障诊断中的研究

提出一种基于多Agent的变压器故障诊断模型,该模型包含3个诊断Agent、1个管理Agent和1个融合Agent.各诊断Agent的建立以NB、SB和TAN 3种贝叶斯分类器算法为基础,以所获取的变压器油中溶解气体数据为依据.由管理Agent调节和控制,达到各诊断Agent协商诊断的效果.由融合Agent根据管理Ag...     

改进证据理论与神经网络集成的变压器故障诊断

针对变压器故障类型的多样性以及故障信息的不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为实现Dempster合成规则在强冲突证据间信息融合后可信度分配的合理赋值,引入了信任系数的概念,对融合结果进行修正,并应用于最大-最小蚂蚁系统与神经网络算法所形成证据体的合成之中。实验仿真结果表明,该方法可以在初级诊断模块的判断结果出现严重分歧的情况下,仍得到较好的符合性判定结论,从而实现对变压器故障的有效诊断。     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强.提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法,并建立了变压器选择性贝叶斯故障诊断模型.详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构...     

基于深度特征融合网络的风电机组行星齿轮箱故障诊断方法

行星齿轮箱是风电机组中的重要部件,对风电机组的安全可靠运行具有重要意义。为此,提出一种基于深度特征融合网络的行星齿轮箱故障诊断方法,用于实现变速工况、样本不足和强噪声场景下的故障诊断。首先将原始信号扩展到多个特征域。其次利用多维堆栈稀疏自编码器提取各域特征。最后针对传统Softmax分类器对融合信息分类能力不足的问题,提出基于竞争粒子群算法优化的回声状态网络进行特征融合并输出诊断结果。经多场景不同故障诊断方法对比实验,所提方法在行星齿轮箱变速工况下分类效果良好,并对训练样本的减少和外界噪声有很强的鲁棒性。     

基于BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器（SSDAE）的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络（BPNN）和支持向量机（SVM）法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。