特高压变压器模型漏感参数的稳态识别方法

针对变压器参数辨识算法在系统稳态运行时变压器绕组参数具有不可辨识性的特殊问题,本文提出了全新的参数辨识算法模型和基于自相关函数统计量的参数辨识结果判别标准。并使用EMTP仿真工具,依据动模实验室特高压输电系统,搭建了特高压输电系统仿真模型,分别仿真了特高压变压器空载投入、区外故障、区内故障和正常运行时的各种运行状态,验证了在各种工况下,基于新模型的参数辨识算法都能够精确辨识出变压器绕组参数的真实值。     

电力变压器内部故障的非线性仿真模型

针对电力变压器内部故障分析和继电保护的需要,分析了现有变压器线性仿真模型中确定电感参数存在的问题。指出问题的关键是没有考虑发生内部短路故障后,变压器内部的磁场发生了变化,而且铁心存在饱和的非线性特征,因而用变压器的线性模型模拟和计算其电感参数是不准确的。为此,文中利用有限元分析法,提出了一种变压器内部故障的非线性仿真模型。该模型利用有限元分析法计算变压器内部故障后的参数,根据这些参数形成等值电路模型,并得到了需要研究的电流和电压值。为验证非线性模型的正确性,将1台模拟变压器的内部故障试验仿真数据与动模试验数据进行了比较。结果表明文中提出的变压器内部故障非线性模型是正确的。     

基于漏磁场和ICOA-ResNet的变压器绕组早期故障诊断

针对变压器绕组变形、轻微匝间短路故障诊断准确率低的问题,提出一种变压器绕组早期故障诊断方法。首先,利用ANSYS仿真软件建立与实验变压器相关参数一致的有限元模型,分析变压器在绕组发生各种故障的漏磁场分布规律,并根据这些规律选取合适的故障特征以及光纤漏磁场传感器安装位置。然后,通过改进长鼻浣熊优化算法(improved coati optimization algorithm, ICOA)寻找残差神经网络(ResNet)的最优超参数,以此参数构建ICOA-ResNet模型,将所得故障特征量输入模型进行故障诊断。最后,通过仿真数据和动模实验验证所提出的变压器绕组早期故障诊断模型的可行性。所提模型与支持向量机等4种模型相比,在绕组早期故障诊断上有更高的准确率,表明所提方法对变压器绕组变形、匝间短路故障诊断的有效性。     

变压器内部故障仿真模型的设计

为研究变压器内部故障时电气量的变化规律,提出了改进的变压器内部故障模型,该模型考虑了线圈的不均匀分布特性,并对变压器内部故障进行了仿真实验.内部故障试验结果与仿真实验结果比较吻合,从而验证了改进模型的正确性.     

基于循环神经网络和蝙蝠算法的变压器故障诊断

进行变压器故障诊断时,电力变压器的故障类型和故障特征往往存在着强非线性的函数关系。然而,基于循环神经网络的电力变压器故障诊断模型一般会出现故障类型诊断不清晰、收敛速度慢等问题。针对上述问题,本文提出一种采用循环神经网络和蝙蝠算法相结合的电力变压器故障诊断模型。该模型通过循环神经网络首先建立初步的故障诊断模型,然后基于蝙蝠算法优化循环神经网络的参数。通过仿真验证,基于循环神经网络和蝙蝠算法的变压器故障诊断模型具备收敛性好、故障诊断准确率高等特点。     

基于数字孪生模型电流动态时间规整差异度的变压器早期故障辨识

现有的早期故障辨识方法对于程度较为轻微的故障灵敏度低,且辨识方法多为离线检测。结合数字孪生技术建立了三相三柱式变压器内部无故障的孪生模型,基于动态时间规整算法提出新的故障特征量,提出早期故障保护方案。首先,利用实体设备的结构参数与实时的电气量,建立不同运行工况下的状态空间模型。然后,通过实际数据对孪生模型进行修正,使虚拟世界与物理世界实现同步,综合使用离散迭代法和Z变换法求解模型。其次,利用动态时间规整算法量化预测量与实测量的差异,以此作为故障特征量,并设计新型的故障保护方案,提高故障辨识的灵敏度。最后以三相三柱式变压器为例,通过ANSYS仿真和动模实验验证了所建模型的正确性,通过多次实验结果证实所提故障判据的有效性。     

基于ReliefF-mRMR与IAO-SVM的变压器故障诊断

为进一步提高变压器故障诊断准确率，提出一种基于ReliefF-mRMR与IAO-SVM结合的变压器故障诊断模型。采用ReliefF和最大相关最小冗余(mRMR)算法对变压器故障数据进行特征优选；引入混沌反向学习和自适应混合变异策略改进天鹰优化算法，并对最优特征集合和支持向量机(SVM)参数联合寻优，构建最佳故障诊断模型；利用已有变压器故障数据对所提模型仿真实验，并与常用故障诊断模型灰狼算法支持向量机(GWO-SVM)、天鹰优化算法支持向量机(AO-SVM)相比较,准确率分别提高了10.76%和6.15%，高达95.38%，结果表明所提模型能有效提高变压器故障诊断精度。     

基于SOGI的变压器短路阻抗参数在线辨识方法

电力变压器在运行过程中发生绕组变形导致的内部故障,已经严重危害电网安全。为了及时发现变压器绕组变形故障,文中以变压器回路方程为基本模型,提出了一种变压器绕组参数在线辨识方法。通过分析变压器暂态和稳态两种运行状态,建立不同的参数辨识模型,推导了不同状态下变压器绕组参数辨识方程。利用二阶广义积分器提取变压器原、副边电压电流信号基波和各次谐波分量,判断变压器的运行状态,通过最小二乘算法进行实时辨识,实现对变压器绕组变形的监测。建立了变压器绕组变形的仿真模型,通过仿真模型及动模试验验证了变压器参数辨识在线监测系统的可行性。     

变压器绕组参数在线计算方法

在变压器等值回路方程的基础上,提出一种新的变压器绕组匝数比和漏电感参数的计算模型,该模型以回路方程差值最小为目标。采用现代内点算法求解各参数并利用MATLAB编程实现。该方法仅需利用变压器正常运行时的电压、电流信息,不用获取变压器绕组结构参数以及有载调压分接开关位置信息,易于实现。利用ATP软件建立变压器仿真系统,模拟变压器各种正常运行状态,并利用动模实验数据对所提方法进行验证。仿真实验结果表明,所提方法不受变压器运行状态及其三相参数不平衡的影响,具有较高的计算精度。     

涌流引起换流变压器零序过电流保护误动的机理分析及对策

针对高压直流输电工程中换流变压器空载合闸及外部故障切除引起零序过电流保护误动的案例,分析了换流变压器空投和外部故障切除时励磁涌流及恢复性涌流的变化特点及其对零序电流的影响机理。采用基于工程实际参数的高压直流输电的仿真模型,对高压换流站换流变压器空投及外部故障切除导致中性线零序电流幅值较大且衰减缓慢的现象进行了仿真分析,揭示了换流变压器零序过电流保护误动的原因。利用相空间重构技术提出了基于零序电流相空间分布重心幅值变化特征的换流变压器零序过电流保护闭锁新判据,并通过仿真验证了该方案的有效性。     

基于细菌觅食算法优化的电力变压器故障诊断技术

针对支持向量机(SVM)分类性能受参数影响,且最优参数难以获取这一问题,提出一种基于细菌觅食算法(BFA)的电力变压器故障诊断模型的参数寻优方法。该方法以电力变压器油中特征气体含量作为状态评价样本,通过BFA寻找全局最优SVM参数解,构建k-折平均分类准确率目标函数,建立变压器故障诊断模型。仿真结果表明,BFA对SVM最优参数的选取较遗传算法(GA)、粒子群算法(PSO)更迅速,且优化后的SVM电力变压器故障诊断模型具有更高的精确度;利用BFA优化方法建立的SVM电力变压器状态诊断模型,对IEC三比值法中无法判断的数据也可进行精确诊断。最后,通过实例分析,验证了方法的有效性。     

改进支持向量机在电力变压器故障诊断中的应用研究

针对电力变压器故障诊断中状态量判断指标过于绝对、智能算法准确率受参数影响等问题,在分析电力变压器故障的基础上,提出将支持向量机(Support Vector Machine,SVM)和细菌觅食算法(Bacterial Foraging Algorithm,BFA)相结合用于电力变压器的故障诊断方法。通过细菌觅食算法的寻优能力找到最优的支持向量机惩罚因子和核参数,提高了故障诊断能力。通过仿真和实例进行对比分析,验证了该方法的优越性。结果表明,相比于粒子群优化,细菌觅食算法具有更好的寻优能力。基于BFA-SVM的故障诊断模型,相比于改进前,具有更高的准确性、鲁棒性和寻优能力,故障诊断准确率相比于粒子群优化提高了7.50%,具有一定的实用价值。     

基于ST-SVD与WOA-SVM模型的变压器绕组松动故障诊断方法

为了深入研究变压器振动信号包含的大量故障信息,提出了一种基于S变换奇异值分解(ST-SVD)与鲸鱼优化支持向量机(WOA-SVM)模型的变压器绕组松动故障诊断方法。首先,基于变压器故障模拟试验平台采集变压器绕组处于不同状态下的振动信号。其次,对变压器振动信号进行S变换获取其时频矩阵。再次,计算出时频矩阵对应的幅值矩阵进行SVD,并定义特征向量。最后,采用鲸鱼优化算法优化SVM模型参数,并输入特征向量完成故障诊断。试验结果表明,所提方法故障识别准确率高于传统方法模型,适用于变压器绕组松动故障诊断。     

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。     

基于振荡波多特征融合的变压器绕组故障诊断方法

为了获取更多变压器绕组的状态信息,提高绕组故障诊断的准确性,提出了一种基于振荡波多特征融合的变压器绕组故障诊断方法,该方法联合波形特征和小波包时频图的颜色特征判断故障类型、故障程度和故障位置,结合粒子群优化-支持向量机(PSO-SVM)算法实现变压器绕组状态的智能识别。最后搭建变压器故障模拟试验平台验证方法可行性。结果表明：波形特征、颜色矩、颜色聚合向量特征分别针对故障类型、故障程度及故障位置的空间分布具有分离和聚类特性,且通过PSO-SVM识别的准确率高达95 % 以上,故所提方法能够准确辨识变压器绕组的状态,为现场变压器绕组状态检测提供参考。     

基于混合采样与 IHBA-SVM 的变压器故障辨识方法

针对变压器故障数据的不平衡性弱化故障分类能力的问题,提出混合采样与改进蜜獾算法( IHBA)优化支持向量机 (SVM)的变压器故障诊断方法。 首先采用 K 近邻去噪、K 均值聚类(K-means)与合成少数类过采样(SMOTE)对数据进行混合 采样处理,以缓解诊断结果向多数类的偏移;然后使用 Tent 映射、轮盘赌随机搜索机制和最优个体扰动策略对传统蜜獾算法 (HBA)进行改进,并使用 IHBA 优化 SVM 参数,以进一步提升变压器故障辨识能力;最后对所提方法进行算例仿真,结果显示, 相较于传统的变压器故障辨识方法,采用 K 近邻去噪、K-means、SMOTE 混合采样与 IHBA-SVM 相结合的故障诊断模型获得了 最高的宏 F1 和微 F1 值,分别达到 0. 877 和 0. 886,表明提出模型不仅具有更高的整体分类能力,且更能兼顾对少数类故障的 辨识。     

改进秃鹰搜索算法优化SVM的变压器故障诊断研究

支持向量机(support vector machine, SVM)用于变压器故障诊断时,其核函数参数g和c的最优值难以根据人工经验选取,故障诊断准确率较低;而秃鹰搜索算法(bald eagle search, BES)存在易陷入局部最优和收敛精度低的缺陷。针对以上问题,提出一种改进秃鹰搜索算法(Ct-GBES)优化SVM参数g和c的变压器故障诊断模型。采用tent混沌映射、自适应t-分布及动态选择、黄金正弦算法对BES的3个阶段进行改进和优化,以提高算法的收敛速度和搜索能力。通过与原始BES、布谷鸟算法(cuckoo search, CS)和萤火虫算法(firefly algorithm, FA)的寻优对比测试,验证了Ct-GBES算法的优越性。将Ct-GBES-SVM模型与SVM、FA-SVM、CS-SVM模型进行故障诊断实验对比,并与BES-SVM模型进行稳定性实验对比。结果表明,所提模型准确率更高、稳定性更好、运行时间更短,其故障诊断效果更好。     

基于天牛须搜索优化支持向量机的变压器故障诊断研究

为了准确地判断变压器绕组是否出现故障,保证变压器供电的可靠性,提出了一种基于天牛须搜索算法优化支持向量机(BAS-SVM)的变压器绕组故障诊断方法。采用支持向量机(SVM)作为变压器绕组形变程度的分类器,并应用天牛须算法对SVM的核函数和惩罚因子进行优化,通过人工经验训练BAS-SVM,使其具有很高的故障诊断精度。为了比较BAS-SVM算法在变压器绕组故障诊断的优越性,采用改进的粒子群优化算法(MPSO)优化SVM。通过仿真验证,BAS-SVM算法的故障诊断准确率比MPSO-SVM算法的故障诊断准确率高10%。最后通过实例验证了BAS-SVM算法对变压器绕组故障诊断的可行性。