牵引变压器故障诊断方法综述

变压器作为牵引供变电系统的核心设备,变压器故障将影响轨道交通运行的安全稳定,因此及时发现潜在故障有利于降低故障成本,提高系统的可靠性.当前对变压器早期故障诊断的研究较多并主要集中在对监测量的应用,诊断与识别结果模糊.梳理了变压器故障诊断的技术方法,以及故障诊断过程用到的监测参量;针对变压器故障诊断模型方法和监测状态的不...     

基于MCPO模型的变压器故障诊断方法

针对传统的SVM方法在辨别故障特征不明确的样本时会出现误诊断的问题,提出一种基于多分类概率输出(Multi-classified Probability Output,MCPO)模型的变压器故障诊断方法。其在继承了SVM方法优点的基础上,利用Sigmoid函数实现SVM的二分类概率输出,进而综合多个二分类输出结果,将模型的求解转化为一个凸二次规划求解问题实现多分类概率输出,通过制定相关的评价指标利用故障概率信息能够有效的辨识故障特征不明确的样本。该方法对现有SVM误诊断的样本能够给出发生每类故障的概率估计,减少了对变压器故障的误判。仿真结果验证了基于MCPO模型的变压器故障诊断方法的正确性和有效性。     

配电网线路故障的基于模型诊断方法

现有配电网故障诊断系统大多是基于经验的专家系统,但专家系统难以诊断经验之外的故障,而且系统的移植和维护也非常困难。文中将模型诊断(MBD)方法应用于配电网故障诊断。介绍MBD理论的基本概念,给出了一个应用MBD理论的配电网线路故障诊断方案。以一个实际配电网为例,对故障诊断系统进行了建模和实验验证,结果表明该应用方案可行、有效。     

基于声音信号分析的牵引变压器故障诊断方法研究

研究了基于牵引变压器声音信号的故障诊断方案。通过音频装置采集的音频数据,采用小波变换提取音频信号的时域信息,对时域信息进行量化,形成特征向量,并基于BP神经网络算法,完成对音频信号的识别分类,可判断牵引变压器运行状态,识别变压器局部放电、过负荷运行和内部部件松动等故障情况。     

基于辨识模型的变压器故障诊断方法研究

提出了一种基于辨识模型的电力变压器绕组变形和铁心松动的故障检测方法。根据变压器的运行特点,结合其正常状态和故障状态下不同的振动特性,利用安装在变压器表面的振动传感器监测振动信号,对振动信号进行频谱分析,并根据振动特征频谱判定变压器中是否存在绕组变形和铁心松动故障,实例验证了该方法的正确性。     

基于SVM和Kriging模型的变压器故障诊断方法

为了保证变压器供电的可靠性,结合油中溶解气体分析法(DGA),提出了基于支持向量机(SVM)和Kriging模型的双级分类算法,实现变压器的潜伏性故障的预测。首先,以SVM作为初级分类器,将待测DGA数据分类为正常、放电故障或过热故障三种状态;其次,以Kriging模型作为次级分类器,对待测数据进行二次分类,完成精确诊断。为提高算法精度,应用改进的粒子群优化算法分别对SVM的核函数参数、惩罚系数以及Kriging模型的相关参数进行优化。所提方法集成了粒子群优化算法的快速寻优能力,SVM的分类能力与Kriging模型高精度拟合等优点,因此有效地提高了诊断精度。最后通过变压器故障诊断实例验证了文中方法的有效性。     

基于自适应深度学习模型的变压器故障诊断方法

为提高变压器故障诊断的准确率,提出一种基于自适应深度学习模型的变压器故障诊断方法。该方法采用油中溶解气体作为故障诊断特征量,基于深度学习理论构建诊断模型。为解决传统基于固定学习率的深度学习模型训练过程中收敛速度慢、收敛精度低的缺点,提出一种自适应深度学习模型构建方法,该方法可根据迭代进程变化特性对学习率进行自适应调整,有效提高了深度学习模型的训练精度及速度。基于实例确定了变压器故障诊断自适应深度学习模型隐层层数、学习率调整系数等参数。实验结果表明,该方法特征提取及分析能力强,具有更好的收敛速度及收敛精度,可有效提高变压器故障诊断的正确率。     

基于DGA的QPSO-BP模型变压器故障诊断方法研究

为了提高变压器故障诊断的准确率,提出一种基于量子粒子群优化BP神经网络(quantum particle swarm optimized BP neural network,QPSO-BP)的故障诊断模型。在该算法中,用量子位的概率幅表示种群中各粒子的当前位置,用量子旋转门实现粒子位置的移动,用量子非门进行变异操作,以获取BP神经网络的权、阈值优化参数,最终实现了变压器故障诊断模型的构建。对故障DGA样本的诊断实例表明,与粒子群优化BP网络(particle swarm optimized BP neural network,PSO-BP)法、BPNN法以及IEC三比值法相比,QPSO-BP算法具有更高的诊断正确率,从而实现了变压器故障模式的有效识别。     

基于组合神经网络模型的电力变压器故障诊断方法

对故障空间的划分以及组合神经网络的构造方式 ,是利用组合神经网络进行变压器故障识别的关键。在讨论变压器故障空间划分方法及其存在问题的基础上 ,针对已积累的故障变压器的大量溶解气体数据 ,考察了各类故障的气体特征及聚类分析结果 ,并在此基础上构造了组合神经网络分层结构模型 ,实现了对变压器故障由粗到细的逐级划分 ,以提高诊断的准确性 ,为制定维修策略提供了依据。最后 ,结果显示了该模型的有效性     

基于故障影响域和预想集的变电站综合诊断方法研究

由于智能变电站各个智能电子设备(IED)之间广泛采用光纤进行通信,根据变电站的层次结构和物理连接,建立了变电站物理链路网络节点模型,从该模型出发建立变电站虚实回路信息映射模型。根据链路各个故障环节的影响域不同,通过对告警信息的分析引入故障预想集,建立故障概率和故障影响域准确度两个指标进行故障集的评判,最终确定故障环节。以变电站结构和间隔告警信息为算例证实了该方法能够有效地进行变电站物理链路层的故障定位。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

基于分布参数模型的牵引网故障测距新算法

简单、快速、准确的故障测距是电气化铁道牵引网急需解决的问题,为此,提出一种利用线路单端电压及电流的测量值来进行精确故障定位的新算法,该算法采用分布参数模型,精确考虑了分布电容对测距算法的影响,大大提高了测距算法的精确度.针对牵引网供电臂距离较短的特点,对故障距离函数进行线性化处理,在保证精度的同时,提高了算法的简洁和快速性.通过电磁暂态仿真引擎(EMTDC)仿真验证,该算法基本不受过渡电阻、故障发生角等因素的影响,测距结果准确且鲁棒性强.     

基于DCAE-KSSELM的变压器故障诊断方法

为了充分利用变压器发生故障时产生的大量无标签样本,提高故障诊断精度,提出基于深度收缩自编码器(DCAE)与核半监督极限学习机(KSSELM)相结合的故障诊断方法。首先使用无标签样本对DCAE网络逐层训练,初始化网络参数,然后用有标签样本数据对网络参数进行微调,最后将有标签样本与无标签样本一起作为深度收缩自编码器与核半监督极限学习机(DCAE-KSSELM)混合网络的输入并完成故障诊断。实验结果表明,所提模型稳定性好,故障诊断精度高,鲁棒性强。     

基于可信度的故障区段诊断方法

针对非故障树干上可能存在反向馈电的问题,利用故障指示器的拒动率和误动率,提出了一种基于可信度的故障区段诊断方法.采用基于可辨识矩阵和逻辑运算的属性约简算法对原始决策表进行了约简,分析了满足约简决策表条件下的区段故障可信度特点,把确定最大可疑故障区段问题变成寻找区段故障可信度极大值和递推计算局部范围内区段故障可信度.同时,利用图形构件的拓扑关系,研究了故障模式和反向馈电概率的自动生成方法,使基于故障指示器的配电网故障寻址系统具有通用性.     

基于KPCA-ITSO-ELM-Adaboost的变压器故障诊断方法

针对传统变压器故障诊断方法诊断精度低,单一智能诊断方法在实际模型中不能准确分类的问题,建立了一种改进金枪鱼算法(ITSO)优化加权极限学习机(ELM)的变压器故障诊断模型。首先,使用核主成分分析算法(KPCA)对变压器故障数据进行降维处理,去除数据中的无用信息,提高模型的识别效率,然后,利用ITSO算法对ELM进行优化,建立ITSO-ELM变压器故障诊断模型,最后,使用Adaboost算法对ITSO-ELM模型进行增强。仿真实例表明,所提方法相比于与ELM-Adaboost、TSO-ELM、ITSO-ELM模型分别提高了11.6%、7.2%、4%,验证了所提模型的有效性。     

基于DBN-IFCM的变压器故障诊断方法

针对变压器故障边界划分的模糊性和传统模糊方法对变压故障诊断准确率低等问题,提出了一种基于深度信念网络(deep belief network, DBN)和改进的模糊C均值聚类(improved fuzzy C-means clustering, IFCM)的变压器故障诊断方法。该方法首先对故障数据进行归一化处理,然后利用深度信念网络对故障数据进行特征提取,最后利用改进的模糊C均值聚类对提取的特征进行聚类,以达到故障分类的目的。仿真实验表明:相较已有的变压器故障诊断方法,所提方法具有较高的诊断准确率,其准确率为93.3%,能够较为精准地识别变压器的各种故障。     

基于CEEMD-PSD算法的变电站控制电缆故障定位方法

频域反射法（frequency domain reflection,FDR）是电力电缆故障定位的有效办法,但尚未应用于控制电缆,且现有FDR法存在频域泄露严重、灵敏度低等问题,导致故障定位误差较大。该文提出了采用补充集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）与功率谱密度（power spectral density,PSD）联合算法,实现了变电站控制电缆精准定位。首先通过CEEMD对首端反射系数谱实部进行分解,然后对模态分量进行加努塔尔-布莱克曼混合卷积窗（nutall-blackman window）处理;最后对加窗后的模态分量进行PSD分析,获得故障电缆的定位曲线。该文搭建了控制电缆模型进行仿真研究,并选取总长为100 m,在50 m存在故障的ZR-KVVP2-22 4×4型控缆进行实验验证。仿真及实验结果表明：与传统FDR定位方法相比,该文所提方法可以有效抑制频谱泄露,提升故障识别的灵敏度。     

基于傅里叶算法的牵引变电站功率测量软件实现方法

功率测量在牵引变电站中有着重要的地位和作用。由于非线性负荷会在牵引系统中产生大量谐波,传统的算法如移相法、积分法等已经不再适合于牵引系统的功率测量,因此考虑到运行的各种情况,尤其是谐波电流的影响,针对性地提出了基于傅里叶算法的功率测量原理及软件实现方法,同时给出了一个应用于MC68332单片机计算功率的应用实例。实践证明,利用该法实现的功率测量更经济、实用和精确。     

基于物元模型的电力变压器故障的可拓诊断方法

为了提高传统的油中溶解气体分析的诊断能力,提出了一种定性与定量相结合的电力变压器故障的可拓诊断方法。首先基于可拓学中的物元理论,建立了定性地描述电力变压器故障诊断问题的物元模型;其次引入可拓集合中的关联函数,根据故障特征定量地计算故障发生的程度;最后以195台次电力变压器为例验证了该方法的有效性。结果表明该方法能够克服IEC三比值法中无法诊断多重故障和无匹配的故障编码的不足,且具有更高的诊断准确率。     

基于分层模型的变电站间隔资源优化方法

针对城市中心配电网中日益增多的接入需求与有限的变电站间隔资源之间所形成的矛盾,提出了一种基于分层模型的间隔资源优化方法。外层规划以变电站容量利用率均衡为目标对负荷归属的变电站进行优选;内层规划以空闲间隔数量最多为目标对负荷与各间隔的关联关系进行决策,并以变电站间隔资源利用率最大的优化方案作为最终的间隔资源配置方案。实际算例仿真结果表明,该方法具有较好的工程实用性,可为城市配电网的规划和建设工作提供参考和借鉴。