基于混沌理论和KPCM聚类的变压器绕组松动状态监测

运行中的变压器会产生持续振动,通过振动的变化可以判断变压器内部运行状态。变压器振动信号中包含了大量状态信息,难以从中提取有效特征来监测绕组松动状态。为此,提出了基于混沌理论和核可能性聚类算法KPCM的变压器绕组松动状态监测方法。首先,从振动信号的混沌动力学特性出发,通过选择最佳嵌入维数和时间延迟,对实测变压器振动信号进行相空间重构。然后,针对重构信号的高维空间分布,使用KPCM聚类方法对分布模式进行识别,据此对绕组松动状态进行监测。现场实测数据的计算结果表明,使用Wolf法计算得到的最大李雅普诺夫指数为正,证实了变压器振动信号的混沌特性,基于KPCM聚类分析得到的聚类中心位移矢量的变化能够有效识别出绕组松动的机械故障隐患。研究结果为从混沌动力学角度监测变压器绕组的松动状态提供了理论依据。     

异步电机的失电残余电压研究

对异步电机失电残余电压的产生进行分析；建立了异步电机失电残余电压仿真计算模型，并进行仿真计算；定量分析异步电机失电残余电压的幅值、频率及其随时间变化的关系，并进行实验研究。异步电机失压后，残余电压的频率将突变，且不断减小，其大小由转子的转速决定；失电残压的幅值与失电时刻电源的相位及电机参数等有关，并随时间衰减。仿真计算与实验测试结果一致。     

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。     

GIL中金属颗粒污染物运动行为与放电特性研究

针对气体绝缘金属封闭输电线路内部金属颗粒污染物运动与异常放电引起的绝缘裂化问题,首先建立理论模型,对金属颗粒运动进行仿真分析,其次搭建GIL金属颗粒运动与放电实验观测平台,通过实验设计与超声间隔频率统计方案对极-地距离变化对金属颗粒运动行为与放电特性的影响进行分析,利用PRPD放电谱图对单个和多个金属颗粒放电行为进行分...     

特高压变压器调压补偿方法对比分析

目前特高压变压器采用中性点变磁通的调压模式,虽然采用中性点调压方式会造成低压侧电压的变化,但通过补偿绕组及电压负反馈回路的选择,可以很好地满足调压要求。为比较目前2种常用调压补偿方式变压器的运行特点,首先对特高压变压器常用的2种调压补偿原理进行了介绍,分别给出了2种采用不同补偿方法变压器各个绕组的电磁关系,并对2种调压补偿方式变压器电压调节的差别进行了分析比较。结果表明,采用完全补偿方式时,低压侧电压波动比采用非完全补偿方式时要小,调压效果较好。     

电厂开关柜局部放电振动信号降噪方法研究

针对电厂开关柜运行环境复杂,振动干扰较强,又需要保留振动干扰、分析振动干扰特征的问题,将基于相空间重构的ICA降噪方法应用到电厂开关柜局放振动信号中,进行信噪分离。首先依据相空间重构,在不破坏信号本身动力学特征的情况下构造高维相空间矩阵。然后利用独立分量分析方法进行信噪分离,提取有用振动信号。仿真信号和实际检测数据的应用表明,所提方法与小波法降噪能力相当,甚至更优;且不需要考虑最优小波基和最佳分解层数,自适应强,易于实现;且适用于电厂开关柜局放振动信号降噪。     

基于加窗离散傅里叶算法的谐波分析初始相位敏感性研究

分析了初始相位敏感性产生的根源及影响初始相位敏感性大小的因素,并提出减小初始相位敏感性的方法以提高加窗离散傅里叶变换(DFT)算法的稳定性。理论分析和数值结果表明:初始相位的随机性会引入谐波幅值计算误差,但并不是所有的加窗DFT算法谐波分析都需要考虑相位敏感性;频率偏差一定条件下,初始相位敏感性大小由窗函数的旁瓣峰值电平决定,旁瓣峰值电平越低,初始相位敏感性越小,旁瓣峰值电平-58dB可以作为衡量窗函数是否需要考虑初始相位敏感性的参考值。实际工程中,可以通过增加采样长度的方法减小初始相位敏感性的影响。     

基于LVQ神经网络的高压断路器机械故障诊断方法

高压断路器作为电力系统的开关及保护设备,其可靠地工作对整个电力系统的安全运行具有很大的意义。为了迅速、精确地诊断高压断路器故障,提出一种基于学习向量量化(LVQ)网络的高压断路器机械故障诊断方法。首先,模拟高压断路器灭弧室机械故障状态,采集断路器的机械振动信号;其次,提取高压断路器机械故障振动信号的小波包能量作为特征量,建立基于LVQ网络的高压断路器机械故障诊断模型;最后,将LVQ网络、思维进化优化(MEA)的LVQ网络、BP网络和RBF网络在网络迭代步数、网络误差以及预测置信度方面进行比较。结果表明,提出的基于LVQ神经网络的高压断路器机械故障诊断方法相比较于其他诊断方法具有一定的快速性,并具有较高的置信度。     

基于EWT及多尺度形态谱的高压并联电抗器故障诊断研究

针对高压并联电抗器故障诊断问题,提出一种基于经验小波变换(EWT)、多尺度数学形态谱进行特征提取,采用KernelK-means聚类进行故障模式识别的诊断新方法。首先,将实测三种工况下的电抗器振动信号经EWT分解得到数个模态分量。然后分别计算每个模态分量与原信号的相关系数并按系数大小降序排列,取前4个模态分量构成有效分量向量。再利用多尺度形态谱对有效分量向量进行分析计算,构成一个四维特征向量。最后利用KernelK-means聚类对样本特征集进行分类识别。实验验证,该方法能有效提取电抗器振动信号特征量,能正确识别电抗器所属的不同工况。     

基于振动信号的高压并联电抗器故障诊断方法与监测系统研制

通过研究高压并联电抗器表面振动信号的幅频与分布特性,结合斯皮尔曼相关性分析,寻找并验证能够表征高压并联电抗器机械故障状态的特征参数,将振动信号的分段离散功率谱、主成分系数等参数组成特征向量,综合K-临近算法、支持向量、神经网络等多种机器学习方法实现对高压并联电抗器机械故障的诊断。在此基础上研发了一套在线监测系统,具有信号采集分析、故障诊断预警、数据智能采样存储、特征观察分析等功能。经实验测试表明,该系统诊断准确、性能稳定、方便智能,具有一定的实用价值。