基于振动信号特征分析的变压器绕组故障检测

变压器运行中油箱表面振动信号与其绕组的机械状况密切相关。通过分析变压器油箱外壁的振动信号来检测变压器绕组机械故障,关键在于从振动信号中提取反映故障前后变化的特征信息量。通过试验得到同一型号试验变压器绕组正常运行、短路冲击后运行和模拟故障运行时变压器油箱外壁的振动信号,运用小波包分析对振动信号进行特征提取,提出基于频段-能量-欧式距离的方法来检测变压器绕组机械故障。试验分析结果表明,变压器油箱外壁的振动信号能够反映出绕组内部结构的特性,通过对振动信号的分析能够有效地诊断变压器绕组故障。     

基于空载合闸振动信号的变压器绕组松动诊断

针对变压器空载合闸机械振动特性,采用小波包变换对其振动信号进行分析。在实验中,模拟了变压器正常和绕组松动2种状态,对其空载合闸时的振动信号进行采集,并采用小波包-能量谱分析得到各个尺度上能量的百分比作为特征量对2种状态下的振动信号进行特征提取和对比分析。实验结果表明,故障前后的振动信号的能量分布特征有明显的差异,该方法可以有效地提取不同状态下合闸振动信号特征量,应用于空载合闸振动信号的变压器绕组松动诊断。     

变压器绕组短路振动信号的高低频能量分析

该文对变压器振动情况进行理论分析,设置绕组短路故障,在正常和故障两种状态下进行多次实验,测量正常和故障两种状态下的振动信号。提出一种基于小波-高低频包络谱能量分布提取振动信号特征并确定绕组匝间短路故障阈值的新方法。首先应用小波变换对振动信号进行降噪处理,然后与希尔伯特变换结合,提取振动信号的低频和高频包络,最后对包络信号进行谱分析和能量特征提取,比较正常运行状态和短路故障状态下的能量分布。通过实验得到了故障阈值,表明能量法可用于故障的监测和诊断。     

基于小波包和模糊自适应共振神经网络的变压器绕组状态识别

变压器振动信号中包含了大量状态信息,但难以从中提取有效特征进行绕组松动状态识别。为此,提出了基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy-ART)的变压器绕组松动状态识别方法。首先,设置9种绕组松动状态并进行短路实验,测取油箱表面振动信号;然后对振动信号进行4层小波包变换,提取有效测点状态特征频带的小波包能量构成特征向量;最后将特征向量作为Fuzzy-ART神经网络的输入,对不同绕组松动状态进行识别。实验结果表明,基于小波包的Fuzzy-ART神经网络能对绕组松动状态进行快速、稳定分类,可用于变压器绕组松动状态的在线监测与诊断。     

基于典型振动规律的干式变压器机械状态诊断

干式变压器在运行中受到电、热、机械等应力的共同作用,可能导致铁心松动和绕组变形等异常故障。振动分析法可以灵敏地反映铁心和绕组的机械状态,适用于干式变压器机械故障的检测。文中构建了干式变压器的有限元模型,仿真探究了干式变压器的振动机理与振动特性,发现干式变压器的绕组振动远小于铁心振动,正常运行状态下振动主要来源于铁心的磁致伸缩效应。文中搭建了干式变压器实验平台,采集并对比分析了正常工况和铁心松动状态下干式变压器表面的振动信号。发现随着铁心逐渐饱和,振动信号不再随电压平方呈线性关系增长,总振动信号峰值增长变快,基频振动信号幅值增长变慢。根据实验得到不同工况下干式变压器的振动信号频谱,发现可将振动信号的基频占比、高低频比作为诊断干式变压器机械状态的特征参量。     

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。     

基于BP神经网络的变压器振动信号分离方法

电力变压器是电力系统中最重要的电力设备之一,其运行可靠性关系到电力系统的安全稳定运行,因此变压器故障诊断一直备受研究人员关注。基于油箱表面振动信号的机械故障诊断方法,因其测量系统与变压器没有直接电气连接,抗干扰能力强而受到广泛研究。传统的振动信号分析法一般分析变压器油箱表面的混叠信号,无法有效分别评估绕组与铁心的机械状态,因此,开展变压器油箱表面振动信号分离技术的研究具有重要意义。提出基于BP神经网络的变压器油箱表面振动信号分离技术,分离得到的铁心振动信号波形相似系数平均值为0.813,绕组振动信号波形相似系数平均值为0.834,效果理想,为有效评估绕组和铁心机械状态提供了重要的技术手段。     

EEMD能量熵在配电变压器绕组状态监测中的应用

利用振动法在线监测配电变压器绕组的状态关键在于如何从振动信号中提取有效的特征。为了更有效地监测与诊断变压器绕组的状态,搭建了某配电变压器多次短路冲击试验及负载试验时的振动信号监测平台,利用总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)对变压器绕组的振动信号进行分析并求解其能量熵值,提出一种基于EEMD能量熵的配电变压器绕组状态监测与故障诊断的方法。实验结果表明,EEMD能够有效地提取配电变压器绕组振动信号的特征,得到振动信号各频带内的能量分布状态,可准确地在线监测与诊断配电变压器绕组故障。     

基于优化TQWT和LE的变压器绕组状态检测

为实现短路冲击下变压器绕组状态的准确检测,提出了优化可调品质因子小波变换(TQWT)和拉普拉斯特征映射(LE)相结合的方法对变压器短路冲击下的振动信号进行分析。提出归一化奇异值熵作为TQWT分解过程中关键特征参数的选取准则,然后对TQWT分解后的振动信号子带能量序列进行LE,用以获取表征绕组状态的振动信号敏感特征。对某110 kV变压器短路冲击试验下振动信号的计算结果表明：优化TQWT算法可有效提高短路暂态振动信号分解的准确性,经LE获取的振动信号敏感特征可更加清晰地反映变压器绕组机械状态的劣化过程。当特征向量距离的变化超过3倍时,需要重点关注变压器绕组状态,从而为变压器绕组状态检修策略的制定提供依据。     

基于电力变压器振动信息的绕组形变诊断方法

变压器绕组的机械形变为变压器安全运行埋下事故隐患,为此,提出一种基于振动法的变压器绕组机械状态诊断方法.诊断过程中,通过负载电流与振动信号基频进行拟合匹配初步判定绕组状态;采用小波包变换对变压器绕组不同状态下振动信号进行分析,以振动信号能谱熵作为特征输入向量;利用改进后的多分类支持向量机对特征向量进行训练与测试,实现了变压器绕组不同状态的分类诊断.通过对S 11-M-500/35型实际变压器绕组不同状态下进行负载试验,采集对应机械及电气参量数据,用所提出诊断方法对变压器绕组机械状态进行诊断,结果表明:在准确判断绕组正常及故障状态的同时,故障类型诊断结果准确率达到96.78％以上,从而验证所提出诊断方法应用于变压器绕组故障诊断的有效性和准确性.     

基于振动信号的变压器铁心与绕组故障区分方法

针对变压器铁心、绕组由于机械结构相连,铁心故障与绕组故障区分困难的问题,提出采用基于振动信号的变压器铁心与绕组故障的区分方法,通过对比分析铁磁材料磁致伸缩和绝缘垫块弹性形变的非线性特性差异,结合实验分别获取变压器铁心、绕组振动信号,在频域研究了变压器铁心、绕组振动信号的非线性特性,通过分析不同条件下振动信号高次谐波能量占比,提出采用振动信号基频与高次谐波幅值的变化规律来区分铁心故障和绕组故障.研究表明,变压器运行中振动信号基频分量由铁心和绕组振动共同决定,高次谐波分量主要来源于铁心振动.当变压器绕组故障时,仅振动信号基频幅值发生突增;铁心故障时基频和高次谐波分量幅值均发生突增,可以有效区分铁心和绕组故障.     

运行中电力变压器表面三维振动信号小波分析

理论和实践表明根据电力变压器表面振动信号可以分析判断其绕组和铁芯的工作状态。表面振动信号特征分析是振动法分析电力变压器状态的一个重要基础。应用小波多分辨率技术,分析了现场采集的电力变压器表面三维振动信号,并基于帕赛瓦尔定理计算比较了X、Y、Z三个方向振动信号的频段-能量分布特征,为振动法分析电力变压器运行状态提供参考。     

基于经验小波变换的变压器振动信号特征提取

为有效提取变压器振动信号特征,提出了一种基于经验小波变换(EWT)的信号特征提取方法。首先利用EWT方法将不同工况的变压器振动信号分别分解为若干经验小波函数(EWF)分量;然后计算各分量Hilbert谱,通过时频表示直观反映不同工况变压器振动信号的频率特征信息;最后计算不同工况振动信号各EWF分量与原信号的相关系数,并提取相关度高的分量,根据其能量构建信号的特征矢量,实现对不同工况变压器振动信号特征提取的量化处理。仿真试验表明,该方法能有效提取变压器振动信号特征,且根据提取的特征矢量能够正确识别变压器绕组所属的不同工况。     

振动频谱特征值在诊断变压器故障中的应用研究

<正>常运行中的电力变压器的振动主要来自于变压器铁心和绕组的振动,振动信号中包含了丰富的能够表征变压器状态的信息。文章在1台10/0.4 k V三相双绕组电力变压器中设铁心松动、绕组松动、绕组幅向错位故障,利用基频、幅值、主频率、频率比重以及频谱复杂度等振动特征量,研究了变压器绕组在上述故障条件下油箱表面的振动变化规律。研究结果表明,三种故障条件下的频谱复杂度均会降低,绕组松动和铁心松动中的振动基频会升高,绕组错位中的基频振动会降低。文中的结论对基于振动信号分析法的电力变压器诊断具有借鉴意义。     

基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场(GAF)和深度残差网络(ResNet)进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。     

基于DSP的变压器振动信号的小波能量谱熵提取

变压器器身的振动信号含有丰富的故障信息,利用振动法进行变压器运行状况的在线监测已经成为变压器故障诊断的研究重点之一。结合小波变换与信息熵的理论,采用变压器振动信号的小波能量谱熵作为故障诊断的特征信号,同时利用DSP芯片TMS320F2812作为核心芯片,设计并完成对变压器振动信号的采集和小波能量谱熵的提取。结果表明,变压器正常运行与故障运行时的小波包能量谱熵存在差异。因此,该方法能够有效提取变压器振动信号的特征值,为后续故障诊断提供有力的依据。     

电力变压器铁心振动特性分析

作为电力变压器的主要部件,变压器铁心的振动信号主要与铁心紧固状况、绝缘程度密切相关,具有较强的非线性非平稳特性。本文以电力变压器铁心为研究对象,将希尔伯特黄变换(HHT)时频分析方法引入变压器铁心非线性振动信号分析领域,并结合传统频谱分析法对六种不同型号的电力变压器铁心振动信号进行了分析及实验研究,从时域、频域及时-频域等几个角度分析了铁心本体振动特性、油箱表面空载时振动特性及负载时绕组振动对铁心振动的影响。该研究分析结果为电力变压器的状态检测与故障诊断提供了一个良好的基础。