改进粒子群优化神经网络在变压器故障诊断中的应用

变压器绕组早期故障的诊断是实现安全生产、避免大事故的技术前提。由于变压器器身振动信号包含有丰富的信息,所以可以通过监测变压器振动信号来预估绕组的状况。笔者首先利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,并将其作为BP神经网络的输入向量,同时利用改进粒子群算法(IPSO)对BP神经网络进行优化。最后利用训练好的BP神经网络对变压器进行故障诊断。试验结果表明:与传统BP神经网络法和PSO-BP神经网络方法相比,该方法克服了BP神经网络的一些缺陷,具有较快的收敛速度和较高的诊断精度,对变压器绕组的早期故障具有良好的预测能力。     

小波包能量熵神经网络在电力系统故障诊断中的应用

提出了一种基于小波包能量熵神经网络的电力系统故障诊断方法。对采集到的故障后电压信号进行3层小波包分解,提取小波包能量熵,然后构造信号的小波包特征向量, 并以此向量作为故障样本对3层BP神经网络进行训练,实现智能化故障诊断。ATP和Matlab仿真结果表明该方法有效可行。     

基于小波包能量熵的变压器振动信号特征研究

利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,最后根据该能量熵值来对变压器绕组进行故障诊断。试验结果表明,该方法能够突显变压器绕组的故障特征信息,为变压器绕组的早期故障的诊断奠定了坚实的基础。     

变压器油箱壁振动信号诊断绕组变形技术研究

文章对S11-M-500/35kV变压器A相绕组进行连续5次短路冲击试验(B、C两相未单独进行冲击试验),使A相绕组产生较其他两相更严重的形变,获取短路冲击前后变压器A相绕组对应油箱壁的振动数据。通过变压器油箱壁振动信号分析变压器绕组的变形程度,利用小波包分解原理,将振动信号分解到不同频段中,计算各频段的能量熵值,得出不同程度的绕组形变对能量熵值变化的影响。试验结果表明:与离线短路电抗法判断绕组形变相比,振动分析法小波包能量熵特征提取方法不但具有在线诊断绕组故障的优点,且更灵敏的体现出绕组状态变化,对及时反映绕组形变,对带电或在线监测判断绕组变形故障具有重要意义。     

基于暂态过电压下行波分析的变压器绕组变形在线故障定位方法

绕组变形是变压器内部的主要故障类型之一,严重威胁电力系统正常运行。为有效提高绕组变形在线检测的准确性,结合变压器在运行中遭受暂态过电压冲击的特性,提出基于暂态过电压下行波分析的变压器绕组变形在线故障定位方法。当暂态过电压信号侵入变压器绕组时,在绕组末端获取电压行波信号,采用具有自适应白噪声的完整集成经验模态分解方法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对其进行分解,得到本征模态分量(Intrinsic Mode Function,IMF),计算各IMF分量下的相关系数,对比分析后选取一些IMF的相关系数作为绕组变形的故障特征量,最后结合BP神经网络构建故障特征和故障点的映射关系,实现绕组变形的在线故障定位。仿真结果验证了本方法的可行性。     

换流变压器阀侧绝缘承受电压类型及含量分析

换流变压器是直流输电工程中的关键设备,文中通过对单级12脉动换流变压器进行EMTDC建模,分析了其阀侧绕组绝缘承受的电压类型,研究结果表明阀侧绕组承受的是一种由直流电压分量、交流电压分量、谐波电压分量以及换相脉冲构成的复合电压.通过对换流变压器阀侧绕组承受的复合电压进行分析,对其各个分量的含量水平进行了分析计算.     

基于小波能量熵的配电网电压暂降源定位方法

电压暂降影响敏感性用电设备可靠运行,在生产中造成巨大经济损失,是最严重的电能质量问题之一,暂降源的准确定位对维护电网安全具有重要意义.不同于以往利用小波能量熵进行故障检测,文中创造性地提出了一种基于小波能量熵的电压暂降源定位方法.利用小波能量熵既对突变信号敏感,又可表征信号复杂程度的特点,确定系统中小波能量熵取得最大值...     

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。     

棒-板油纸复合绝缘的电场数值计算

换流变压器阀侧绕组端部属极不均匀场,承受交流电压、直流电压及极性反转等电压的作用。为此采用有限元仿真软件对棒-板油纸复合绝缘极不均匀场模型在不同参数情况时的直流场强分布、交流场强分布及极性反转场强分布进行了计算,绘制了绝缘油及绝缘纸板中最大场强与绝缘纸板厚度、纸板长度、棒直径等参数的关系曲线。棒-板油纸复合绝缘模型在交流电压及极性反转电压作用下的场强分布较为接近,但与直流电压下的场强分布有很大的不同。通过提高换流变压器阀侧绕组端部等效棒直径及油的电阻率,选择合理的油与纸空间相对位置及几何尺寸,可比较明显地提高换流变压器阀侧绕组绝缘特性。     

小波分析在变压器绕组故障识别中的应用

利用小波技术分析了绕组单点局部放电、2 点局部放电模式下绕组各分段检测到的电压波形特征,计算了故障电压信号分解重构后低频与高频部分的小波能量函数值。计算结果表明,小波分析所得到的能量函数能较好地提取绕组中局部放电故障的信号特征,可为绕组局部放电模式识别和故障定位提供指导。     

煤矿配电网电压暂降源辨识模型

针对煤矿配电网电压暂降信号特征提取困难和辨识准确率低的问题,应用小波熵结合支持向量机SVM(support vector machine)建立故障辨识模型,以故障信号的小波熵测度来表征故障特征,对电压暂降信号进行小波多分辨分析,选取采样序列的高频系数分量,计算其小波系数熵和小波时间熵,作为特征向量输入SVM,使故障信号特征更加明显,对故障源进行自动分类辨识。结果表明,与小波结合BP神经网络方法比较,无论在训练时间上还是在辨识准确率方面均有明显优势。     

基于小波熵和概率神经网络的配电网电压暂降源识别方法

分析了短路故障、感应电动机启动和变压器投运引起电压暂降的原理及各类电压暂降的特征,提出一种基于小波熵(wavelet entropy,WE)和概率神经网络(probability neural network,PNN)的电压暂降源识别方法。提取信号的小波能谱熵和小波系数熵特征向量,并将其输入概率神经网络,实现电压暂降源的自动识别。利用Matlab/Simulink建立简单配电网的仿真模型进行验证,结果表明,基于小波熵和概率神经网络的方法能很好地识别电压暂降源。     

混合三端直流输电线路故障测距方法研究

对混合三端直流输电系统而言,准确、可靠的故障测距方法可确保故障线路快速恢复,提高供电可靠性。为了解决混合三端直流输电系统结构复杂性强、线路故障定位难度大等问题,提出了小波包能量谱结合BP神经网络的测距方法。具体的定位方法实现步骤如下:首先在故障发生时快速进行故障选线。然后把发生故障时在测量点采集到的电压故障分量经过小波包分解重构得到小波包能量,并将其作为输入样本通过BP的非线性拟合能力进行训练。最后将反映故障位置的小波包能量代入即可输出相应的故障距离。仿真结果表明,该方法耐过渡电阻能力强,定位的准确度高。     

基于K近邻算法的换流变压器局部放电模式识别

提出了一种基于K近邻KNN(K-Nearest Neighbour)算法的换流变压器故障诊断方法。设计了4种人工油纸绝缘缺陷,采用超高频天线采集局部放电信号。通过对局部放电超高频信号进行小波包多尺度变换,计算其多尺度小波系数的能量系数。采用KNN算法对局部放电超高频信号能量特征参数进行识别。将反向传播神经网络和所提方法对局部放电超高频信号模式的识别结果进行了对比,结果表明所提出的方法更适用于换流变压器故障诊断。     

采用S变换相位差及能量相对熵的换流变零序差动保护新判据

针对换流变压器零序差动保护误动现象,提出一种采用S变换相位差及能量相对熵算法的换流变零序差动保护新判据。通过分析换流变压器区内各类故障、区外故障及外部故障切除时零序电流的特点,利用零序差动保护两侧自产零序电流和中性线上零序电流的相位和能量概率分布差异进行识别。当发生区外故障时,零序差动保护两侧零序电流的波形极为相似,其相位差和能量相对熵值都基本为0。当发生区内故障时,零序差动保护两侧零序电流相位相反且波形相似度小,其相位差接近180°且能量相对熵值增大。仿真验证表明,该判据可准确迅速识别区内与区外故障,其性能不受故障类型和过渡电阻的影响,且具有一定的抗电流互感器饱和的能力。     

温度对换流变压器绕组端部电场分布的影响研究

为研究温度对换流变压器绕组端部油纸复合绝缘系统电场分布的影响,首先测量获取了-40～+50℃范围变压器油和油浸纸板的相对介电常数、电导率;在此基础上利用有限元法研究了交流和直流试验电压作用下500 kV换流变压器端部电场分布的温度特性。研究结果表明:温度通过影响油纸绝缘的介电特性而影响换流变压器绕组端部电场分布特性;换流变压器的出厂试验需考虑实际运行条件下内部温度的变化范围做出适当的修正。     

基于时域脉冲特征量的神经网络方法在变压器局放模式识别中的应用

对电力变压器特高频局放单个时域脉冲信号做小波包分解,以其能量前三位和熵值前三位加上能量和熵值共8个特征量作为神经网络的输入特征量,分别研究了BP神经网络、Elman神经网络和PNN神经网络对4种典型变压器局部放电信号的模式识别效果。通过对实验室实测信号的识别,证明了采用此特征量的神经网络识别方法简单有效实用,从而为电力变压器局放信号的识别提供了有效的参考。     

基于改进BP神经网络的接地故障定位研究

考虑到经典的小波包频带能力特征提取方法不将频率时变特性进行考虑而统计全部的频带,而且经典的小波能量谱算法没有将每个分解频带的能量随着时间轴分布特性进行充分考虑,提出使用卷积小波包能量矩对单相接地故障信息的特征向量进行提取,从而为单相接地故障定位的判断提供依据。使用BP神经网络建立配电网单相接地故障的定位算法;由于常规BP神经网络容易陷入局部最小值,并且有算法收敛慢、训练时间长等问题,提出使用遗传算法对BP神经网络进行优化,同时为提高遗传算法优化效率,使用混合编码方式对遗传算法进行改进。最后通过实验验证所提出的改进型BP神经网络的接地故障定位算法的性能,结果表明,故障定位的精度有了较大的改善,验证了所提出方法的可行性。     

三常±500kV换流变压器不同工况下绕组电流仿真分析

在高压直流输电系统中,换流变压器作为高压直流输电系统的核心部分,实现由交流系统到直流系统再到交流系统的能量传递,它的运行状况直接影响整个直流输电系统甚至交流系统的安全性和稳定性。为具体研究±500 kV换流变压器不同工况下的谐波磁场和损耗,在PSCAD/EMTDC环境下搭建了三峡-常州直流输电工程仿真模型,首先仿真分析了额定运行时电压和电流,仿真结果与实际直流线路的电压电流值吻合较好,验证了仿真模型的有效性,然后调节参数模拟了换流变压器短时过负荷运行下网侧绕组和阀侧绕组的电流,并对额定运行和短时过负荷条件下的绕组电流的谐波分量进行了分析,所得数据为计算换流变压器谐波磁场和损耗提供了数据支持。     

800kV浙西特高压直流换流站暂态过电压研究

基于溪洛渡—浙西800 kV特高压直流输电工程,对浙西换流站的暂态过电压和各避雷器的负载进行详细仿真计算分析。在交流侧选取了交流母线三相接地、交流相间操作冲击和失交流电源3种典型故障工况;直流侧选取了最高端换流变Y/Y绕组阀侧单相接地、低压端换流变Y/Y绕组阀侧单相接地和全电压启动3种典型故障工况进行研究。分析结果表明:失交流电源是交流侧的最严酷工况,交流母线过电压771 kV,通过交流母线避雷器A的最大电流0.14 kA,最大能量2.07 MJ;最高端换流变Y/Y阀侧单相接地在换流阀两端产生过电压375 kV,通过阀避雷器V1最大电流2.32 kA,最大能量6.73 MJ;低压端换流变Y/Y阀侧单相接地,阀避雷器V3通过最大电流1.04 kA,最大能量2.84 MJ;全电压起动在直流极母线上产生1 330 kV的过电压,避雷器DB通过最大电流0.56 kA,最大能量4.35 MJ。