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。     

基于多特征声纹图谱的变压器绕组松动在线故障诊断方法

绕组松动故障是变压器安全稳定运行中的巨大隐患,目前尚缺乏有效的在线诊断方法。变压器运行产生的声音信号蕴含着大量反映设备状态的有效信息,依据声音信号的特征图谱对松动故障实现在线诊断。首先,构建4种特征图谱,包括通过格拉米角场构建时域特征图谱、通过傅里叶变化和马尔可夫变迁场构建频域特征图谱、通过小波变换构建时频域特征图谱、通过递归分析构建混沌特征图谱;然后,建立轻量化卷积神经网络模型,以4种特征图谱作为输入,通过卷积、池化等一系列操作提取有效故障特征;最后,利用分类器直接输出绕组松动的故障程度。实验结果表明,所提方法对25%、50%、75%及100%的松动程度均能实现可靠诊断,平均准确率为99.6%,对最为轻微的25%松动程度,准确率仍达98%。与仅采用单一特征的诊断相比,所提方法的准确率提升了9.9%;与采用AlexNet、MobileNetV2、GoogleNet、ShuffleNet、ResNet等经典神经网络的诊断相比,所提方法的准确率提升了18.1%,同时训练速度提高37%,占用内存减少20%。     

代价敏感VBGP在变压器故障诊断中的应用

现有变压器诊断方法默认各种误诊代价相同,以全局误诊率最低为目标,而实际问题中误诊代价通常存在差异,不同类型的误诊造成的损失往往不同。针对此提出了代价敏感变分贝叶斯高斯过程(CS-VBGP),并将其应用于变压器故障诊断。该方法将代价敏感机制引入变分贝叶斯高斯过程,以误诊代价最小为目标,按贝叶斯风险理论预测新样本的类别,克服了仅追求低误诊率并不一定会带来符合实际意义的诊断结果的问题。变压器故障诊断实例分析表明,CS-VBGP有较高的诊断正确率,趋于提高高误诊代价类别的诊断正确率,具有代价敏感性,诊断速度足以满足变压器故障诊断的工程需求。     

基于变压器声纹Mel语谱图-ResNet的铁心松动故障诊断

为实现变压器铁心松动故障的识别,提出基于变压器声纹的ResNet卷积神经网络(CNN)用作铁心松动故障的识别,分别比较了相同卷积神经网络ResNet在交叉熵损失函数(SE-ResNet-Dense)和特征表达的角度空间中最大化分类界限的加性角度裕度损失函数(SE-ResNet-ArcLoss)不同表现效果。通过变压器空载试验采集变压器铁心在额定预紧力、松动20%、松动40%时的噪声信号,通过离散傅里叶变换将采集的声纹信号生成时频矩阵,并使用Mel滤波器对时频矩阵降维生成尺寸大大缩小的Mel-语谱图。将采集的噪声信号制作成数据集后输入到两种模型中训练,最终测试集在模型SE-ResNet-Dense上的预测结果为90.753%,在模型SE-ResNet-ArcLoss上的预测结果为97.541%。结果验证SE-ResNet-ArcLoss最适用于变压器铁心松动故障识别。     

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%。     

代价敏感相关向量机的研究及其在变压器故障诊断中的应用

实际中不同变压器故障类型的误分引发的危害程度往往不同,仅追求正确率并不一定会带来符合实际意义的分类结果。针对此,提出了代价敏感相关向量机(CS-RVM)。CS-RVM以误分代价最小为目标,按贝叶斯风险理论预测新样本类别。在用典型算例验证了CS-RVM具有代价敏感性的基础上,尝试将其应用于变压器故障诊断。基于溶解气体分析(DGA)数据的变压器故障诊断实例分析表明,CS-RVM全局诊断正确率略高于BP神经网络和支持向量机,略低于多分类相关向量机(M-RVM),但CS-RVM趋于提高误诊代价高的故障类型的诊断正确率,具有代价敏感性;CS-RVM的诊断速度足以满足变压器故障诊断的工程要求。     

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。     

基于声纹及振动的变压器故障诊断技术研究

噪声和振动包含了变压器机械状态的大量信息。基于噪声声纹成像和振动信号的分析方法是变压器机械状况带电检测的有效手段,分析声纹成像及振动信号测试结果,对变压器故障诊断具有重要意义。文中基于变压器铁心及绕组噪声及振动机理,建立振动噪声测量系统,并对1台110 kV变压器进行测量。根据声纹成像噪声源定位和振动信号特征值测试分析结果,判定该主变C相高压套管升高座存在故障,验证了该诊断技术的有效性。     

基于熵权层次法的油浸式变压器绝缘状态评价

为有效评估油浸式变压器的绝缘状态,文中提出一种综合主观专家经验和指标退化程度的熵权层次法。首先,基于油色谱、环境温度和缺陷信息等指标构建用于绝缘状态评价的层次结构,根据专家经验对各个指标进行主观权重分配;接着,采用组合权重的方法,在指标层权重分配上引入熵权权重,从而在保留专家经验对准则层判断的情况下,对底层权重进行动态调整,体现变压器运行过程中的差异性;然后,将变压器的绝缘状态从常见的4种扩展为5种,实现对绝缘状态更准确的感知;最后,4台500 kV变压器的实例分析表明,相较于仅采用主观权重或客观权重,文中提出的方法可以有效识别运行状态正常的变压器并甄别异常变压器。     

融合模糊K近邻及证据理论的变压器油纸绝缘状态评估方法

为实现“双碳”目标，构建新型电力系统已成为电网发展的必然趋势。在此背景下，保障电力变压器的可靠运行具有重要意义。鉴于此，提出融合模糊K近邻(fuzzy K-nearest neighbor, FKNN)及证据理论的变压器油纸绝缘状态评估方法。首先，构建基于回复电压法的多特征参量数据库，并基于数据库提出证据的基本概率分配方法。而后，采用组合赋权法综合特征参量的主观权重及客观权重，同时藉由证据折扣因子对证据基本概率进行再分配，避免D-S证据理论的冲突问题。最终，对各证据进行融合推理，获得绝缘状态命题的置信水平。利用提出的方法对变压器实测数据进行验证。结果表明，绝缘状态的置信分布式结果不仅能够准确反映变压器油纸绝缘状态，也能表征出变压器油纸绝缘的劣化趋势，为电力变压器检修策略制定提供了指导。     

基于回归算法的变压器故障检测方法研究

为了克服变压器定期维护检查成本高、难度大,实现对变压器的故障检测,保证变压器长期处于正常的运行状态,提出了一种简单的在线监测算法。首先,对变压器热点温度模型进行了研究,并通过仿真验证了模型的准确性;其次,从理论上分析了变压器故障检测的回归算法,并利用变压器上的真实数据对此算法进行了仿真验证。仿真结果表明,该算法在变压器故障时所关注的几个参数有明显变化,而变压器负载缓慢变化或突然变化时这些参数基本保持不变,从而验证了所提出的算法能有效识别出变压器故障。     

基于误差状态模糊分析的电容式电压互感器内绝缘状态评价方法

电容式电压互感器（CVT）的内绝缘状态是保证其计量准确性和运行稳定性的关键因素。然而,在长期运行过程中,电老化、热老化以及系统过电压等因素会导致CVT的内绝缘状态出现劣化。针对此问题,文中提出了一种数据驱动的CVT内绝缘状态评价方法。该方法利用高压CVT群体之间的电气连接关系构建CVT误差状态的特征参量,基于CVT误差状态与内绝缘状态的相关性,通过模糊分析方法匹配CVT的误差状态与内绝缘状态,实现了在线评价CVT异常内绝缘状态的异常程度和异常类型。     

基于准稳态灵敏度和校正成本最小化的过载线路 实时校正方法

对过载线路潮流进行实时安全校正,对提高电力系统的安全运行水平具有重要的意义。现有基于灵敏度的校正算法较少考虑发电机的校正成本,不能够保证校正方案的经济性,故提出了一种基于准稳态灵敏度和校正成本最小化的过载线路实时校正方法。首先,分析了发电量转移分布因子的不足及准稳态灵敏度的优势。接着,利用综合灵敏度反映节点注入功率对所有过载线路功率的综合影响,进而筛选出对消除线路过载最有效的控制发电机集合。最后,建立以校正经济成本最低及参与校正发电机数目最少为目标函数的优化模型,利用混合整数线性优化方法求解模型。得到的校正方案能够在消除线路过载的情况下保证发电机运行成本较低且参与校正发电机数量较少,实用性更强。用IEEE 39及IEEE 118节点系统进行仿真计算,结果表明算法的快速有效性。     

基于时间-电流曲线的变压器剩磁检测方法研究

文章从铁磁材料固有的磁滞现象角度分析了变压器剩磁产生的原因,提出了基于时间-电流曲线的变压器剩磁检测的方法。通过对电力变压器原边加载幅值相同的正负恒压源对变压器进行充放电,得到变压器的"时间-电流"曲线以判定变压器中有无剩磁及剩磁的极性。仿真及实验结果表明,基于时间-电流曲线的剩磁检测方法能够准确测量变压器是否存在剩磁及剩磁的极性,为变压器合理投切及抑制励磁涌流提供了参考依据。     

基于聚类和时间序列分析的变压器状态评价方法

传统的电力变压器DGA故障诊断方法,仅能二值化地判断设备处于健康或故障状态,无法表征变压器的潜在故障情况,也无法确定变压器向故障状态转化的趋势。对此,提出了一种基于聚类和时间序列分析的变压器状态评价方法。首先,基于点密度判据进行数据预处理,消除噪声影响。其次,基于大数据聚类思想,计算采样数据和历史故障数据簇的相对邻近度,根据计算结果将设备状态划分为健康、潜伏故障或故障。在此基础上判断故障设备的故障类型,基于故障类型关联权重计算健康设备的健康得分,通过时间序列相似性分析方法获取潜伏故障设备的预测故障发展时间。算例分析验证了该方法的可行性与有效性。     

基于Lagrange插值法的变压器励磁涌流评估与应用

二次谐波含量是作为判断变压器励磁涌流的主要特征之一。对于一台变压器,影响励磁涌流二次谐波含量因素中合闸角度、铁心磁通饱和点、变压器容量、变压器结构、变压器电压等级是确定的,唯一不确定的是剩磁的大小。将根据MATLAB建立的模型仿真出来的离散数据,通过Lagrange插值法得到高次非线性插值函数,并画出函数的图形,评估剩磁影响下变压器励磁涌流二次谐波含量的边界范围。基于一起事件案例,证实该方法的实用性和有效性。     

基于SMOTE和决策树算法的电力变压器状态评估知识获取方法

提出基于合成少数过采样技术(SMOTE)算法和决策树算法的电力变压器状态评估知识获取方法,首先针对变压器非正常状态样本数量较少的情况,采用SMOTE算法补充非正常状态样本数量,解决了变压器样本集类别不平衡问题。然后将变压器状态评估过程视为分类过程,利用决策树模型为白箱模型的特点,将变压器状态评估知识获取问题转化为构建决策树的问题。最后采用C4.5决策树算法构建决策树,从中提取变压器状态评估知识,得到关键变压器状态量和评估规则。以某地市级供电公司110 kV电压等级油浸式变压器实际数据开展实例分析,结果表明所提出的方法能实现状态评估知识的自动化获取,可以为该地区110 kV油浸式变压器的状态评估工作提供决策支持。