基于二维主成分分析法的变压器声纹特征参数融合方法

运行中的变压器声信号以其非接触式测量、高灵敏度和强时效性等优点逐渐成为基于数据驱动模型的变压器状态监测领域的关注热点,如何从非平稳的声信号中获取合理有效及区分度高的声纹特征参数是变压器状态监测的关键。对此,在分别计算变压器声信号Mel频率倒谱系数和常Q倒谱系数特征参数的基础上,引入二维主成分分析法对这2种声纹特征参数进行融合降维,旨在降低数据维数的同时获取主要声纹特征,并以平均类间区分度表征声纹特征参数的区分度。某变压器不同直流偏磁状态下声信号的计算结果表明,所提出的变压器声信号特征参数表征方法更加全面高效且区分度高,可为变压器运行状态声信号监测技术提供重要参考。     

基于代价敏感相关向量机的变压器绝缘状态评估

变压器是电力系统中重要的电气设备,其运行状态对系统安全运行起着重要作用,将代价敏感学习机制引入相关向量机,提出了代价敏感相关向量机(Cost-Sensitive Relevance Vector Machine,CS-RVM)。该算法以误诊损失代价最小为目标,按贝叶斯风险理论预测新样本的故障类别。用典型算例验证了CS-RVM具有较高的诊断正确率,同时可在一定程度上避免故障漏诊、高危故障误诊为低危故障。在此基础上,文章尝试将其应用于变压器绝缘状态评估,提出了基于CS-RVM的油浸式电力变压器故障诊断方法,以克服现有变压器故障诊断方法未考虑误诊代价差异的问题,并采用基于DGA数据的变压器故障诊断实例对该诊断方法的有效性进行了验证。     

基于特征筛选和改进深度森林的变压器内部机械状态声纹识别

变压器声纹信号包含大量反映内部机械状态的有效信息。为实现变压器内部机械状态不停电检测,提出一种基于特征筛选和改进深度森林的变压器机械状态声纹识别方法。首先,利用自适应噪声完备集合经验模态分解(CEEMDAN)声纹信号得到本征模态函数(IMF),并通过频谱分析和皮尔逊相关系数对IMF分量进行筛选,得到包含故障信息的IMF分量。其次,利用各IMF分量在频段上的分布情况进行高、低频段划分,依据高、低频段IMF分量的差异性,将高频段IMF分量的时频能量和低频段IMF分量的幅值特性作为特征指标,构成特征向量,输入改进后的深度森林模型,得到10种机械松动状态的声纹识别结果。最后,通过现场试验验证了该方法的有效性。研究结果表明：所提方法对10种机械松动状态的平均识别准确率达99.2%。与传统变压器声纹特征相比,所提声纹特征区分度更高;与传统识别模型相比,所提改进深度森林识别模型复杂度更低,训练速度更快,识别准确率更高。     

基于声纹特征和集成学习的变压器缺陷诊断方法

变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。     

结合载纤绕组形变测量法的大型变压器绕组多次短路冲击暂态声纹特征

电力变压器遭受短路冲击的暂态声音信号包含变压器绕组状态信息。为探究短路冲击声信号与变压器绕组形变之间的关系,该文首先对载纤改造后的110kV变压器开展多次短路冲击试验,并采集短路瞬间声纹。然后,构建占比时频谱熵与频谱成分欧氏距离2种短路冲击暂态声纹特征,用于表征绕组变形情况。最后,提出基于占比时频谱熵与频谱成分欧氏距离2种声纹特征的联合判定流程,并利用光纤应变量与短路电抗值验证该方法的有效性。结果表明,该方法能够对抗短路能力出现明显下降瞬间的声信号进行大致判别,在绕组状态的初期诊断工作中具有一定的价值。     

基于等效源法的变压器瞬态声场重构与声学监测测点位置定量评价方法

电力变压器运行中的声纹信号包含本体的状态信息,可通过部署声纹传感装置对其进行在线监测。为了探究变压器近声场的分布规律、优化声纹监测点的位置,首先采集油箱表面声信号,构成变压器等效声源;然后使用间断伽辽金有限元法(discontinuous Galerkin finite element method,DGFEM)对变压器进行近声场瞬态重构,用于分析声场内声压随时间变化规律;最后构建Pearson均衡相似系数,用于计算备选测点处声纹与等效声源之间的频谱相似度,实现声纹监测位置的定量评估。结果表明,该方法能够评价传感器处于不同位置时对变压器整体声纹状态的感知能力,对变压器声纹在线监测装置部署工作具有一定参考价值。     

220kV自耦变压器声纹测试分析

自耦变压器声纹特性与运行工况密切相关。为了对自耦变压器运行过程中的声纹特性深入研究，在搭建声纹数据采集平台的基础之上，采集变压器五种工况下的声纹数据，从时域、频域以及时频域三个角度进行研究分析。结果表明，变压器稳态时的声纹主频为100 Hz,暂态时的声纹主要集中于300 Hz、400 Hz等频段，奇次谐波、高频分量以及时频熵等特征在不同运行工况下有较大区别。研究结果为基于声纹的电力变压器状态监测和故障诊断测提供支撑。     

基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法

为了实现变压器设备声学指纹的不停电检测,提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯声纹识别模型。首先,通过铁芯模型振动与噪声试验平台,研究铁芯在不同工况下的振动声信号,将采集到的振动与声音数据进行了关联性分析和比对,验证了声信号同振动信号一样均能够有效反映铁芯的运行状态;然后,对采集到的声音数据进行Mel时频谱预处理降维,并将降维结果作为深度学习的数据集;最后构建了Mel时频谱-卷积神经网络变压器铁芯声纹模式识别模型,通过超参数调整和网络结构优化设计,实现不同运行工况声信号的准确识别。研究结果表明:该文提出的Mel时频谱-CNN识别模型对3种不同工况的声信号识别率达到了99.71%。论文研究可为电网主设备的数据深度挖掘提供参考。     

基于二维特征提取方法与混合神经网络的接触式采集110 kV三相三绕组变压器无载调压异常

异常放电是电力变压器中一种潜在的危险故障,若未及时检测可能导致严重的安全事故。采用接触式拾音器收集变压器箱体内异常放电声纹信号,并提出了一种特征提取方法和一个深度神经网络结构,以实现对变压器异常放电的高效识别。首先,设计了一种结合梅尔频率提取和关键频率提取的二维声纹特征提取方法。其次,提出了一种基于卷积神经网络和Transformer网络的混合二维特征识别模型,能够在确保识别速度的同时准确辨识异常放电声纹信号。通过对110 kV三相三绕组变压器无载调压试验过程中采集的放电数据进行试验分析,所提方法相较于ResNet50识别速度增加约0.16秒/样本,同时识别效果提升了4.5%。     

变压器不平衡样本故障诊断的过采样和代价敏感算法北大核心CSCD

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。     

超声波法进行变压器局部放电模式识别的研究

在线识别局部放电模式可以有效地判断局部放电对变压器绝缘的危害程度。文中根据局部放电超声波信号存在的非线性和非平稳特性，提出利用分形理论对局部放电超声波信号的时域脉冲形进行分析，对分形理论及其参数计算方法进行了简单的介绍，在自制的几种典型变压器局部放电模型上进行实验，计算了所得到的局部放电超声波信号的分型参数（分维数和空缺率），得到不同放电形式的分形特征，利用人工神经网络对所得到的分形特征进行模式识别，结果表明利用超声波信号可以有效地判断变压器局部放电模式，为变压器局部放电信号的特征提取和模式识别提供了一种新的研究方法。     

再论模式识别法在油中放电超声定位中的研究

在电力变压器的局部放电在线检测中,放电点定位是一个非常重要的环节。由于在检测过程中各种干扰的存在,通常所得到的放电点到达超声传感器的时间或时延和实际结果有一定的误差,所以,定位算法是决定定位结果是否成功的关键。针对模式识别算法在变压器超声定位中存在的某些缺陷,提出了新的改进算法,在模式识别的逼近过程中增加了扰动这个中间环节作为跳出局部最优的手段。算例表明,和传统的模式识别相比,改进算法除了能够大大提高运算程度以外,还能够有效地取得全局最优点。     

基于GLCM和LBP的局部放电灰度图像特征提取

针对变压器局部放电模式识别中传统统计谱图特征提取维数高、识别率差等问题,提出基于灰度共生矩阵和局部二值模式的局部放电灰度图像纹理特征提取方法。该方法从宏观角度将灰度图像转化为灰度共生矩阵并获取其8维特征,从微观角度计算邻域像素相对灰度响应并获取其10维特征量。搭建四种局部放电实验模型,通过脉冲电流法采集局部放电信号;结合两类特征,以支持向量机作为分类器来识别放电类型并用传统特征提取方法作为对比。结果表明利用该方法提取灰度图像特征在避免特征灾难的同时仍有较高识别率,能有效识别四种放电模型,验证了该方法的有效性。     

基于LSTM神经网络的油浸式变压器异常声纹诊断方法研究

利用声音信号对电力变压器进行状态诊断是一种不停机、无接触的设备维护方法,可以诊断变压器异常状态类型。提出了一种基于LSTM神经网络的电力变压器异常诊断的方法,采集电力变压器在正常状态、过载和放电3种运行状态下发出的声音信号,将声音信号进行预处理并提取声音信号的MFCC特征,再将其通过一、二阶差分组合成一组声音特征的矢量,输入LSTM神经网络中进行训练。训练结果表明,将LSTM神经网络应用在电力变压器状态声音诊断上对3种状态的识别均能达到99%以上的准确率。     

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。     

基于相关系数矩阵和概率神经网络的局部放电模式识别

针对变压器局部放电模式分类过程中特征参数维数过高的问题,提出了一种基于相关系数矩阵的参数降维方法。利用提取出的变压器局部放电信号的特征参数构造相关系数矩阵,通过分析放电信号18个特征参数间的相关性,删除具有相似分类能力的特征参数,之后引入分离度指标来衡量特征向量的分类能力大小,提取出6个具有较高分类能力的特征向量,最后通过概率神经网络进行模式识别。结果表明该降维方法有效降低了特征参数的维数,简化了分类器结构,在小样本情况下对于概率神经网络模式分类器具有较高的识别率,识别效果优于传统BP神经网络。     

SVM classification of contaminating particles in liquid dielectrics using higher order statistics of electrical and acoustic PD measurements

Electrical and acoustic partial discharge (PD) measurement and pattern recognition procedures are described for detecting and identifying contaminating particles in transformer mineral oils. This work introduces the use of support vector machines (SVM), a nonlinear non-parametric automatable machine learning algorithm, for the purpose of classifying the size and composition of such particles. The training and validation of acoustic and electrical PD measurement data, which are contaminated by time varying noise, are first filtered adaptively using wavelet decomposition. Statistics of a particle's impact upon collision with the walls of a tank, containing the electrode test assembly and the inter arrival time between collisions constitute the features for the SVM classifier. These statistics include higher order moments and the entropy of the estimated density function of the features. Results based on experimental training and testing data indicate that fusing of the acoustic and electric PD information at the features level provides a nearly perfect classification success rate. These observations demonstrate that, while electrical and acoustic PD data are correlated, they contain individually independent and complementary information regarding the state and condition of transformer type mineral oils.     

500 kV增城变电站变压器局部放电的声发射检测

介绍了运用声发射(AE)检测技术进行变压器局部放电(PD)检测的工作原理和基本方法,以及美国物理声学公司(PAC)声发射检测系统的特点。以增城变电站2台大型变压器的局部放电声发射检测试验为实例,介绍了变压器局部放电声发射检测的试验步骤和试验方法,并分析了试验数据,检测结果表明,AE检测结果与油色谱分析及常规高压PD试验的结果基本吻合,且能够对PD源进行区域定位和三维定位,声发射检测系统可有效应用于大型变压器PD的实时在线带电检测。     

变压器局部放电检测声阻抗匹配研究

局部放电检测技术是变压器绝缘诊断的重要手段之一,而外置式超声法是目前使用较多的超声检测法。针对当前外置式超声检测法灵敏度较低的问题,文中研究了声阻抗匹配提高变压器局部放电超声信号透射强度的可行性。经理论分析发现,通过在变压器油和外壳之间加入匹配层,且满足匹配层声阻抗介于变压器油和外壳的声阻抗之间,能增大超声波信号的透射系数,获得了透射系数随频率变化的规律及中心频率和匹配层厚度的关系。模拟试验表明,在变压器油与变压器外壳之间加入声阻抗匹配层后,测得的超声波信号幅值约为未设置声阻抗匹配层侧的2倍,超声波信号的透射系数得到了显著增强,试验结果验证了声阻抗匹配提高实测超声波信号强度的可行性。