A novel algorithm for discrimination between inrush current and internal faults in power transformer differential protection based on discrete wavelet transform

This paper proposes a novel methodology for transformer differential protection, based on wave shape recognition of the discriminating criterion extracted of the instantaneous differential currents. Discrete wavelet transform has been applied to the differential currents due to internal fault and inrush currents. The diagnosis criterion is based on median absolute deviation (MAD) of wavelet coefficients over a specified frequency band. The proposed algorithm is examined using various simulated inrush and internal fault current cases on a power transformer that has been modeled using electromagnetic transients program EMTDC software. Results of evaluation study show that, proposed wavelet based differential protection scheme can discriminate internal faults from inrush currents.     

电力变压器励磁涌流判别的自适应小波神经网络方法

励磁涌流识别一直是电力变压器差动保护中比较关注的问题。文中提出了一种基于自适应小波神经网络实现变压器励磁涌流判别的新方法。结合励磁涌流和内部故障电流的特点，构建了一个四层的自适应小波神经网络模型，并对其具体的实现方法进行了详细的分析；利用ATP—EMTP程序进行仿真计算生成训练样本和测试样本，对所构建的网络进行了训练和测试，结果表明自适应小波神经网络能准确、可靠地识别出变压器的励磁涌流状态。     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

基于振动信号和小波神经网络的变压器故障诊断

提出一种基于振动信号和小波神经网络的电力变压器故障诊断方法.采用变压器油箱表面的振动信号作为采样信号进行频谱分析提取特征频率信号,并以此特征频率信号乘以电流标么值的平方作为训练样本进行小波神经网络训练,小波神经网络输出量能够反映出频谱特征向量和变压器故障类型之间的映射关系,从而实现变压器的故障诊断.实验结果表明,使用该方法能够有效地对变压器进行故障分类及其诊断,并且小波神经网络具有很好的泛化能力.     

基于小波包分析与神经网络的变压器区内外故障判断方法

作为变压器主保护的瓦斯保护经常在发生变压器区外故障时误动作,严重影响了变压器和电力系统运行的安全性和可靠水平,准确识别区内外故障是解决瓦斯保护误动作的重要前提。研究了适用于区内故障仿真的变压器PSCAD模型,验证了该仿真模型与原有模型的一致性。设计了基于小波包分析的变压器区内外故障特征量提取方法,通过不同小波包能量的对比,分析了区内外故障时差动电流的特征。基于小波包能量差异性,提出了利用神经网络进行区内外故障识别的方法。通过具体算例验证了方法的正确性和有效性。     

基于MODWT的变压器绕组轻微故障检测及分类研究

本文基于变压器在不同运行工况下的等效瞬时励磁电感的差异,利用最大重叠离散小波变换 (MODWT) 提取有效故障特征参数,实现对变压器绕组轻微匝间故障以及匝间电弧放电故障的检测。首先提取变压器在各种工况下的电气量,求取等效瞬时励磁电感,选取基于db4小波函数的最大重叠离散小波变换进行分析,提取特征量。将故障特征量作为决策树的训练集和测试集,从而实现变压器绕组轻微故障的识别以及分类。最后通过仿真证明,所提出的算法能够准确检测以及区分励磁涌流、轻微匝间短路故障以及匝间电弧放电故障。     

A discrete wavelet transform approach to discriminating among inrush current,external fault,and internal fault in power transformer using low‐frequency components differential current only

This paper proposes an algorithm based on discrete wavelet transform (DWT) for discriminating among inrush current, internal fault, and external fault in power transformers. Fault conditions are simulated using the Alternative Transients Program/Electromagnetic Transients Program (ATP/EMTP). Daubechies4 (db4) is employed as the mother wavelet to decompose low‐frequency components from fault signals. The ratio between per unit (p.u.) differential current and p.u. time is suggested as an index. The numerator of the ratio is the difference between the maximum differential current and the minimum differential current in terms of p.u. with a base value selected at the transformer‐rated current. The ratio is calculated for all three phases, and from a trial and error process the indices for the separation among the internal fault condition, the external fault condition, and inrush condition are defined. The results obtained from the proposed technique show good accuracy for discriminating faults in the considered system. In addition, the proposed algorithm uses data of the differential current with a time of quarter cycle under the analysis. © 2014 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Power Transformer Differential Protection Based On Optimal Probabilistic Neural Network

In this paper, the optimal probabilistic neural network (PNN) is proposed as the core classifier to discriminate between the magnetizing inrush and the internal fault of a power transformer. The particle swarm optimization is used to obtain an optimal smoothing factor of PNN which is a crucial parameter for PNN. An algorithm has been developed around the theme of the conventional differential protection of the transformer. It makes use of the ratio of voltage-to-frequency and amplitude of differential current for the determination of operating condition of the transformer. The performance of the proposed heteroscedastic-type PNN is investigated with the conventional homoscedastic-type PNN, feedforward back propagation (FFBP) neural network, and the conventional harmonic restraint method. To evaluate the developed algorithm, relaying signals for various operating condition of the transformer, including internal and external faults, are obtained by modeling the transformer in PSCAD/EMTDC. The protection algorithm is implemented by using MATLAB.     

小波模糊神经网络应用于配电网输电线的故障测距

在小电流接地系统单相接地故障特征分析的基础上，提出了一种基于故障后稳态及暂态电气量的小波模糊神经网络的故障测距方法。单相接地故障时的暂态分量故障特征非常明显，且故障暂态高频分量受故障前负荷的影响较少，故可以采用故障暂态分量描述故障模式特征并进行故障定位，鉴于已有的小波神经网络模型不适合于故障测距，作者从广义的小波神经网络概念出发，结合模糊控制理论，提出了适合于电力系统故障暂态和稳态信号分析的小波模糊神经网络方法，并将该方法应用于小电流接地系统直配输电线路的故障测距。理论分析及大量的EMTP仿真结果表明：本文所提出的小波模糊神经网络理论，模型及算法具有较好的故障测距性能，并可应用于电力系统的故障分析。     

运用模糊神经网络来区分变压器励磁涌流和内部故障

变压器励磁涌流和内部故障的鉴别一直是变压器差动保护中的一个热点问题。在几种传统的识别励磁涌流方法的基础上 ,结合模糊神经网络这一新型的人工智能技术 ,综合利用这几种原理对电气量的采样值分别提取形成网络的特征输入量 ,并采用了Simpson模糊极小 -极大神经网络来形成区分励磁涌流和内部故障的模糊模式分类器。运用EMTP程序通过大量的仿真计算获取网络的训练和测试样本 ,结果表明 ,训练后的网络能快速地区分变压器各种运行工况下的励磁涌流和内部故障 ,对测试样本的正确率达到 10 0 %。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

基于波形记忆和模糊极小--极大神经网络的变压器励磁涌流和内部短路的鉴别

传统的区分变压器励磁涌流和内部短路的各种方法存在原理性缺陷，不能满足现代超高压电力系统的要求，此文根据内部故障和单纯涌流这两种情况下波形的不同，提出了波形记忆的原理并采用了一种模糊神经网络模型——模糊极小-极大神经网络来对这两种波形进行记忆和鉴别。运用EMTP程序对变压器各种内部故障或涌流的情况进行较为全面的仿真的以形成网络的训练样本，通过学习和测试，表明该网络所形成的新算法能够正确鉴别变压器各咱运行工况下的励磁涌流和内部短路，所需的鉴别时间小于20ms。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

基于小波分析的变压器转换性故障快速识别方法

当变压器发生区外故障时,会出现因电流传感器饱和而导致差动保护误动的问题。为解决这一问题,文中提出了基于小波分析的时差法,作为变压器差动保护判断区内、外故障的判据。首先,分析了电流互感器的饱和对变压器差动保护产生的影响;其次,利用模极大值原理研究了小波用于信号奇异性检测的方法,并选取合适的阈值规则对含噪声信号进行了消噪处理;然后,利用小波模极大值原理确定故障开始和差流出现的时刻;最后,提出了一种基于综合负序分量的变压器区外转区内故障时解除差动保护闭锁的新判据,并仿真验证了该方法的有效性。     

基于邻域粒子群优化神经网络的变压器故障诊断

为了提高变压器故障诊断正判率,提出了一种邻域粒子群算法优化BP神经网络的电力变压器油中气体分析(DGA)方法,即通过相关统计分析和数据的预处理,选择变压器油中典型气体作为神经网络的输入,然后利用训练好的邻域粒子群算法优化后的神经网络进行变压器故障类型诊断。试验结果表明,该类方法具有很好的分类效果,较好地解决了变压器放电和过热共存时故障的难分辨问题,对故障类型的正判率较高。     

边缘检测在HVDC系统故障诊断中的应用

为了及时分辨HVDC系统故障类型并快速恢复,对直流输电标准测试系统在各种故障,包括交流系统发生故障、逆变换相失败故障以及直流线路故障下的典型响应特性进行了分析。采用劋trous小波方法将行波信号分解成不同尺度下的小波面,其中包含了该尺度下细节信息,实现对故障的边缘检测;提出了3种故障判别准则,推出了模极大值能量的概念,并利用反射行波信号的小波变换模极大值的幅值、极性及模极大值能量等变化规律对不同HVDC系统故障进行诊断,实现逆变器换相失败和交流系统单相故障的识别。MATLAB仿真结果表明提出的方法能很好地完成HVDC系统的故障诊断。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断

为有效提取变压器声音信号中的机械状态信息并识别其典型机械故障,依据人类听觉系统优异的声音识别能力,提出了一种基于Gammatone滤波器倒谱系数(GFCC)和鲸鱼算法优化随机森林(WA-RF)的变压器机械故障声音诊断方法。首先计算了变压器声音信号的GFCC,引入信息熵提取了GFCC中的主要声音特征信息。采用鲸鱼算法通过优化随机森林中决策树基分类器的规模和特征子集,构造了基于优化随机森林的变压器典型机械故障分类模型。对以某10 kV干式变压器正常与典型机械故障下声音信号的计算结果表明,所构建的基于GFCC主要特征参数和鲸鱼算法优化随机森林的变压器典型机械故障模型具有较好的识别效果,准确率可达95%以上,且具有优良的抗噪性能和鲁棒性。     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

Application of Haar functions for transmission line and transformer differential protection

The development of algorithms, based on Haar functions, for extracting the desired frequency components from transient power-system relaying signals is presented. The applications of these algorithms to impedance detection in transmission line protection and to harmonic restraint in transformer differential protection are discussed. For transmission line protection, three modes of application of the Haar algorithms are described: a full-cycle window algorithm, an approximate full-cycle window algorithm, and a half-cycle window algorithm. For power transformer differential protection, the combined second and fifth harmonic magnitude of the differential current is compared with that of fundamental to arrive at a trip decision. The proposed line protection algorithms are evaluated, under different fault conditions, using realistic relaying signals obtained from transient analysis conducted on a model 400 kV, 3-phase system. The transformer differential protection algorithms are also evaluated using a variety of simulated inrush and internal fault signals.