电力变压器振动信号分离方法研究

以独立成分分析(ICA)为代表的主流盲分离技术对信号独立性要求较高,难以分离具有高度相关性的变压器铁芯与绕组振动信号。为了分离变压器铁芯和绕组振动信号,建立了变压器振动信号混合模型,在该模型基础上提出了一种基于时频比盲源分离算法(TIFORM-BSS)的变压器振动信号分离方法。将该方法分别应用于分离人工混合后的110 k V三相变压器油箱壁信号和实际运行中的500 k V单相变压器油箱壁振动信号,结果表明该方法能够有效分离具有强相关性的变压器绕组和铁芯振动信号。     

运行中大型变压器油箱表面振动特性研究

针对大型变压器铁心与绕组故障多发的情况,以2台220 kV变压器为例,对变压器油箱表面振动信号进行测量,从而判断铁心与绕组运行状态,分析油箱表面不同位置处振动信号的特性,并提出了振动测量抗干扰措施。     

振动分析法中混合信号分离算法的研究

振动分析法是电力变压器故障在线测量的一个有效手段,但混合振动信号分离则为一个难题。为解决变压器振动频响法,各振动源信号不易分离的问题,采用盲源分离算法对上述问题进行处理。首先介绍了盲源分离法的基本概念,包括fastICA与SDICA算法。然后对这两种算法在变压器振动信号分离中的适用性进行了分析。最后基于实验测得的实验信号,使用仿真手段分别对SDICA与ICA算法的影响因素和分离效果进行了研究。     

基于JADE算法的变压器振动信号分离的研究

为了实现变压器绕组和铁心振动信号的分离,从而达到对绕组与铁心运行状态监测的目的,文章利用独立分量分析理论(ICA)与联合近似对角化算法(JADE),将变压器铁心、绕组的振动信号从传感器监测到的混合信号中分离出来,并根据各个部件振动信号与数据库原始信号中的频率特性对比分析,判断变压器的故障隐患。采用LabVIEW与MATLAB混合编程技术对JADE算法进行编程,由仿真结果可知:在信号源和混合参数未知的情况下,JADE算法能根据观测信号以及源信号统计独立的假设对源信号进行可靠分离。     

运行中的电力变压器油箱表面振动信号的研究

变压器绕组和铁心是发生故障较多的部件。通过对电力变压器空载试验及负载试验时分别测量油箱表面的振动信号,从而得到铁心及绕组的振动信号,为开展变压器绕组及铁心监测与诊断方法的研究提供了十分重要的依据。本文提出了对实际运行的电力变压器油箱表面的振动信号进行测量,比较分析变压器型号、传感器测量位置等对测得的振动信号的影响;当缺乏历史数据时,可以通过和同型号变压器或上下对称位置处的振动信号比较来判断绕组或铁心状况;并且通过对传感器安装位置发生偏离时测得信号的比较分析,提出了测点的布置与以往数据相比,相差半径范围不应超过5 cm的结论。     

运行中的电力变压器油箱表面振动信号的研究

变压器绕组和铁心是发生故障较多的部件。通过对电力变压器空载试验及负载试验时分别测量油箱表面的振动信号，从而得到铁心及绕组的振动信号，为开展变压器绕组及铁心监测与诊断方法的研究提供了十分重要的依据。本文提出了对实际运行的电力变压器油箱表面的振动信号进行测量，比较分析变压器型号、传感器测量位置等对测得的振动信号的影响；当缺乏历史数据时，可以通过和同型号变压器或上下对称位置处的振动信号比较来判断绕组或铁心状况；并且通过对传感器安装位置发生偏离时测得信号的比较分析，提出了测点的布置与以往数据相比，相差半径范围不应超过5cm的结论。     

基于经验模态分解的变压器振动信号盲源分离

从变压器所采集的振动信号是铁心、绕组振动信号的混叠信号,因此提出一种基于经验模态分解(empirical mode decomposition,EMD)的盲源分离方法,对混叠信号进行分离,以利于变压器故障诊断。首先将信号进行EMD,然后提取最不相关本征模态函数分量,最后通过fast ICA算法进行分离矩阵的求解。将该方法运用到实验模拟信号中,证实了该方法的可行性。将该方法运用到运行的500 kV变压器中,所得铁心和绕组振动分离信号的频谱特性与正常状态一致,说明该方法可以分离铁心与绕组振动信号,且效果良好。     

电力变压器故障诊断

振动频响法是一种有效检测变压器故障方法,通过振动信号判断变压器故障的前提是需对混合振动信号进行分离。首先介绍了盲源分离法的基本原理,然后对基于盲源分离法的一种改进算法SDICA进行研究,明确算法振动频响法混合信号分离中的适用性。最后以实际的变压器为研究对象,将此算法用于混合信号分离。通过现场试验表明此算法在振动频响法中混合信号分离时的有效性与适用性。     

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。     

基于振动特征的变压器绕组与铁心故障诊断方法

<正>变压器运行状态与变压器油箱表面振动特征密切相关。应用变压器绕组与铁心信号分离技术,提出一种基于振动特征的变压器绕组与铁心故障诊断方法。通过计算变压器绕组与铁心实时振动信号与原始振动信号相关系数与幅值系数。实现对变压器运行状态的实时监测。试验结果显示,该方法能对绕组及铁心的运行状况作出有效判断,为变压器运行故障诊断提供重要理论依据。     

基于EEMD和负熵准则的变压器振动信号盲分离

变压器油箱表面测得的振动信号是各个振源的混合信号,直接加以分析,不能确定不同部件的运行状况。而传统盲源分离方法难以解决信号分析中相关源信号盲分离、欠定盲分离等问题。鉴于此,提出基于集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与负熵准则的欠定盲源分离算法。首先,利用EEMD方法对变压器振动信号进行分解,得到若干本征模态函数(Intrinsic Mode Function,IMF),并采用邻近奇异值差值法估计混合信号中源信号个数;然后,根据负熵准则选取独立性较好的IMF分量,组成新的测量信号;最后,对新的测量信号进行盲分离。利用实测变压器振动信号对该算法进行了验证。     

基于振动信号的变压器绕组松动实验研究

为分析和判断变压器绕组松动的严重程度,对油箱表面测得的振动信号进行研究。首先对变压器油箱表面振动测点的选择进行实验分析,得出振动测点布放原则。之后根据选择的合理测点,设计变压器绕组松动实验,通过对绕组松动前后的振动信号进行研究得出：观察变压器油箱表面测得的振动信号特征频率分量幅值变化,可以判断变压器绕组是否发生松动。该研究为基于振动法在线监测变压器状态提供参考。     

基于RBF神经网络的变压器绕组及铁心振动信号分离研究

对变压器油箱表面混合的绕组和铁心振动信号进行分离,可以提高利用振动信号诊断内部机械状态的准确程度。文中利用径向基(radial basis function,RBF)神经网络以任意精度逼近非线性函数的优点,建立了以混合振动信号频域特征为输入,铁心、绕组源信号频域特征为输出的分离模型,将采集到的振动信号分为训练集和验证集,用训练集对网络进行训练,验证集进行验证,设定训练误差的目标值,当网络迭代到训练误差达到指定精度时,网络训练完成,从而可以利用该网络实现铁心、绕组振动信号的分离。波形相似系数的计算结果表明,分离信号与振动源信号的相似系数高于0.7,分离效果理想。与传统的盲源分离方法相比,基于RBF神经网络的分离方法克服了前者的两个局限性:一个是源信号排列顺序的不确定性,即分离出的铁心和绕组振动信号的排序无法确定;另一个是信号幅值的不确定性,即分离得到信号与源信号波形相似而幅值差距较大。此方法能够更准确地获得绕组和铁心的振动信号,实现对绕组、铁心机械状态的诊断。     

运行中电力变压器油箱表面振动特性的研究

电力变压器油箱表面的振动信号与变压器绕组及铁心的压紧状况、位移及变形状态密切相关.因此,振动信号分析法是监测电力变压器绕组和铁心状况的有效方法之一.本文利用组建起的变压器振动测量系统,对现场正在运行中的电力变压器油箱表面的振动信号进行了测量,分析了变压器型号、传感器安装位置对所测得的振动信号的影响,结果表明:同型号变压器油箱表面的振动特性相似;油箱表面上下对称位置处的振动特性相差不大,而其它各个位置处的振动信号都没有可比性.最后,本文研究了传感器的安装位置略有变化时,所测得的振动信号的变化情况,提出了应对传感器安装位置进行标记,在进行下次测量时,传感器安装位置最好在标记点处或偏离不超过5 cm.本文的研究成果对于振动信号分析法的实际应用具有一定的指导意义.     

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.     

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。     

电力变压器振动频谱特征值在绕组变形检测中的应用

变压器油箱表面的振动信号与铁心和绕组的机械状况有着密切的关系,通过在2台10/0.4kV单相双绕组电力变压器中设置绕组鼓包以及绕组翘曲故障,利用基频、幅值、频率比重以及频谱复杂度等振动频谱特征量,研究了变压器绕组在上述两种故障条件下,油箱表面的振动信号的变化规律。研究表明在绕组鼓包和翘曲故障下,振动信号的基频及其比重均会下降,而频谱复杂度则会上升。     

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。     

变压器绕组及铁心振动监测方法研究

变压器油箱表面的振动主要是由变压器绕组及铁心振动引起的,通过测量油箱表面的振动信号可以反映绕组及铁心的振动情况,从而判断其绝缘状况.根据变压器的结构,通过理论分析和试验研究了变压器绕组及铁心振动信号的特点,探索出了一些能判断绕组和铁心压紧状态的方法,同时提出了在非空载条件下提取铁心振动信号的方法,解决了绕组发生轻微变形时难以测量的问题.     

用振动信号分析法监测电力变压器状况时传感器安装位置研究

电力变压器油箱表面的振动与变压器绕组及铁心的压紧状况、位移及变形状态密切相关。因此,振动信号分析法是监测电力变压器绕组和铁芯状况的有效方法之一。文章利用组建起的变压器振动测量系统,对现场正在运行中的电力变压器油箱表面的振动信号进行了测量,研究了对于某一固定位置来说,当传感器的安装位置有所改变时,所测得的振动信号的变化情况,结果表明,传感器位置变动在5cm的范围内时,测得的振动信号变化不明显,不会对变压器绕组或铁芯状况的判断造成影响;而传感器位置变动在10cm时,振动信号在某些频率上幅值变化很大,可能引起误判。据此,文章提出了应对传感器安装位置进行标记,在进行下次测量时,传感器安装位置最好在标记点处或偏离不超过5cm。本文的研究成果对于振动信号分析法的实际应用是具有一定的指导意义的。