基于Matlab的变压器内部故障及差动保护仿真

变压器内部故障主要包括各相绕组之间相间短路和单相绕组的匝间短路。基于Matlab/Simulink建立变压器内部故障仿真模型,并搭建了具有制动特性的差动保护模块。仿真结果表明,该模型能够有效进行变压器内部故障的仿真和继电保护研究。     

接地变压器故障仿真分析

解决现有接地变压器仿真技术的难题,分析接地变压器的特殊结构原理,建立接地变压器的数学模型,并对接地变压器外部故障及内部绕组故障进行理论分析;在此基础上,提出一种在MATLAB仿真平台中利用3个单相5绕组变压器模块搭建接地变压器模型的方法,实现接地变压器引出线故障、内部绕组任一点接地故障和匝间短路故障的仿真,可以应用于接地变压器的保护设计.仿真结果与理论分析结果吻合,证明了所提出的模型正确、合理.     

基于多回路理论的发电机励磁绕组匝间短路故障时励磁电流谐波分析

本文分析了发生转子绕组匝间短路故障,发电机的电磁特性及励磁电流的变化,针对SDF-9型故障模拟实验机组,采用多回路模型建立了励磁绕组匝间短路故障情况下的转子电感参数模型和定转子互感参数模型。对励磁绕组匝间短路的短路匝数与励磁电流的谐波关系进行了定量计算。分析得到转子绕组匝间短路故障的特征,为故障检测提供依据。     

一种VFTO作用下变压器绕组的高频无源电路模型

为了研究气体绝缘变电站内的开关操作产生的陡波前过电压(VFTO)对变压器的影响,需要建立变压器绕组的高频电路模型。提出一种基于黑盒原理的变压器绕组高频电路模型的建立方法。该方法首先由测量得到的变压器绕组的散射参数计算转化成导纳参数,并应用矢量匹配法对其进行有理函数逼近;为了保证电路模型仿真计算的稳定性,应用序列二次规划法对导纳参数的有理函数进行优化,实现了电路模型的无源性;最后应用福斯特电路综合方法建立了其π型等值电路。该电路模型仅由参数值为正值的RLCG元件组成,可以进行稳定准确的仿真计算。变压器绕组测量与仿真实例验证了该方法的有效性。     

基于PSpice的变压器绕组变形参数仿真与分析

针对变压器绕组等效模型电路,基于PSpice仿真软件使用频率响应法对绕组等效参数进行了仿真分析。对改变单一参数和同时改变多参数这两种情况下的频响曲线及统计数据分别进行了分析研究,得出各参数变化对绕组频率响应曲线各频段的影响情况。结合不同类型变压器绕组故障对应的等效参数的变化规律,可以得出频率响应曲线与变压器绕组故障类型的对应关系。测试结果表明,仿真结论对分析和诊断变压器绕组变形故障具有一定的参考价值。     

分裂变压器平衡绕组结构分析

计算了带有平衡绕组的轴向分裂变压器发生短路故障时,短路电流及并联绕组电流的分配;分析了平衡绕组结构的改进措施,并对结构改进前后各绕组受力进行了计算比较。结果表明,结构改进后,当低压绕组发生突发短路故障时,短路绕组所受到的电磁力降低了。     

同步发电机定子绕组匝间短路故障诊断研究

在对同步发电机定子绕组匝间短路故障负序电流分量产生机理进行分析的基础上,提出了以负序电流作为故障特征量,对同步发电机定子内部短路故障进行监测和诊断的方法。基于电路与电磁场有限元理论,建立同步发电机场路耦合数学模型,对半载运行下的同步发电机发生定子绕组匝间短路故障进行仿真,计算出故障发生前后三相电流相角差与幅值以及负序电流分量,并通过一台功率为24 kW的同步发电机实验数据验证了模型的精度与理论分析的合理性。同时,仿真分析了同一支路短路故障与不同支路短路故障等情况下对负序电流大小的影响,该结果对同步发电机定子绕组匝间短路故障的监测与诊断具有理论意义。     

电力变压器内部故障简便仿真模型

建立一种简便的电力变压器内部故障仿真模型,对变压器的励磁涌流和内部故障短路电流进行仿真及分析。仿真结果表明与原有仿真模型和动模试验相吻合。     

大型感应电机定子绕组故障建模与仿真

介绍一种分析三相感应电机定子绕组故障的新模型,该模型由原始的相轴线模型经过变换得来,可应用于电机定子三相参数不对称的状态,编写适合三相感应电动机定子对称与不对称运行状态的仿真计算程序,通过实例对感应电动机的定子匝间短路和单相短路时的运行过程进行仿真计算,并对仿真结果进行分析.     

一种变压器绕组形变故障在线诊断技术

文章研究了一种基于短路电抗与振动分析相结合的绕组形变故障在线诊断方法。应用了一种只需在线测量出变压器高、低压侧绕组电压、电流向量的短路电抗在线监测算法对短路电抗进行在线监测,采用一种基于小波包能量熵的振动信号处理方法对振动信号进行分析。通过对S11-M-500/35变压器进行绕组形变下的模拟负载试验和短路冲击试验,得出绕组不同程度形变下变压器短路电抗和振动信号的变化特点。试验结果表明:当绕组产生较严重形变时,短路电抗法可及时反映出绕组的形变故障;当绕组产生轻微形变时,振动分析法可作为短路电抗法的有效补充,及时对绕组的微小形变进行反映。采用二者相结合的诊断方法,对及时判断变压器绕组形变故障具有重要意义。     

基于磁通频域特征的变压器励磁涌流识别新方法

基于变压器在空投或故障情况下磁通频域特征的不同,提出一种利用磁通对电流导数中偶次谐波制动比和基频幅值大小来判别励磁涌流和故障电流的新方法.通过推导发现故障时磁通对电流导数中偶次谐波成分明显高于奇次谐波成分,而涌流时则没有此特征.在此基础上,给出了两个判据并分别定义两个逻辑变量M和N,根据两个逻辑变量的乘积来判断变压器是...     

基于 ANN 状态识别系统的变压器故障检测方法

提出基于ＡＮＮ状态识别系统的变压器故障检测方法。该系统主要由ＡＮＮ变压器一次电压非线性估计器、比较器、计数器等构成。它通过比较一次电压实际值与估计值的大小,识别变压器内部是否发生故障。关于ＡＮＮ状态识别系统在检测变压器故障中的正确性及快速性,通过数字仿真得到验证。     

故障电力变压器油中气体的B型灰色关联度诊断法

在分析灰色关联度应用于故障诊断的基础上，提出了电力变压器故障的灰色关联度诊断法，从变压器的油中气体中提取特征参数，讨论了特征参数的无量纲化处理方法。通过仿真实验表明该方法具有良好的诊断果果。     

结合N-W方法的L-M算法在变压器故障诊断中的应用

在分析Levenberg-Marquardt(L-M)算法和Nguyen-Widrow(N-W)方法原理的基础上,提出了一种多层前馈神经网络训练算法,该算法在使用N—W方法初始化神经网络可变参数的基础上使用L-M算法训练多层前馈神经网络。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,使用了标准BP算法、加动量项BP算法和结合N-W方法的L-M算法训练该网络,结果表明算法收敛速度快、不容易陷入局部极小点。将训练所得网络用于变压器油中溶解气体分析故障诊断,诊断结果验证了该方法的有效性。     

基于模糊神经网络的变压器励磁涌流鉴别的研究

针对目前研究领域中基于神经网络的变压器励磁涌流鉴别方法存在着的误判现象,提出利用高木- 关野模糊神经网络来实现鉴别的新方案。经仿真实验表明:该方案能更准确地判别出变压器内部故障和励磁涌流,具有很高的可靠性。     

非典型变压器故障时溶解气体异常的案例分析

通过分析几起非典型变压器故障的案例,得出了变压器运行时油中溶解气体的某些变化与变压器内部过热和放电故障并不存在必然联系的结论,同时指出了气体发生变化的原因,并提出了处理的方法.     

面向电力变压器油中溶解气体的卷积神经网络诊断方法

油中溶解气体分析法（Dissolved Gas Analysis,DGA）是判断变压器内部故障的重要方法之一。针对传统基于浅层的机器学习方法在变压器故障诊断中存在的特征提取和泛化能力方面的不足,提出了一种基于卷积神经网络的变压器故障诊断方法。利用网络中的卷积层对油中溶解气体进行特征转换,结合池化层强化重要特征的能力,对故障敏感特征进行提取。通过实验研究了卷积核数目、卷积核大小、池化层、网络深度对模型诊断性能的影响。通过混淆矩阵、ROC曲线和PR曲线对比分析了卷积神经网络模型、支持向量机(Support Vector Machine,SVM) 模型、BP神经网络(Back Propagation Neural Network,BPNN)模型。实验结果表明,卷积神经网络模型的诊断性能更为优秀。     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

一种基于粗糙集理论的变压器故障多变量决策树诊断方法

本文介绍了一种基于粗糙集理论来构建变压器故障诊断多变量决策树的算法。该方法选择变压器故障决策表的相对于决策属性的范化作为决策树的根节点,再选择粗糙度最小的条件属性作为下一个分枝节点的检验属性,形成结构更为简洁合理的变压器故障诊断多变量决策树。通过实例比较验证了该方法的有效性。     

改进PSO-BPNN的电力变压器故障诊断与模式识别

为了优化反向传播网络相关学习参数,提出一种粒子群优化辅助BP神经网络(BPNN)的新方法.以变压器油中气体体积分数百分比构造故障特征,将BP网络的初始权值和阈值进行实数编码,以对应PSO中的粒子,实现BP网络的离线训练与在线分析,对变压器故障模式做出判断.结果表明,该算法更合理地更新了粒子的位置和速度,最优地设置了全局极值,有效克服了粒子的早熟收敛,获得的故障诊断准确率高达91%,并大大提升了BP网络的收敛速度.该算法为此类设计提供了有效的模型参考.