矿用隔爆型干式变压器绕组局部放电对温升的影响

为了分析矿用隔爆型干式变压器绕组绝缘层中的气隙或杂质等缺陷对绕组温升的影响,以一台连续式绕组1 000kVA/10kV矿用干式变压器作为研究对象,介绍了矿用干式变压器绕组匝间及层间绝缘结构;借助红外摄像仪对不同放电类型和不同老化温度下试样的温升特性曲线进行类比分析,得出以Nomex绝缘纸为绝缘层的干式变压器匝间放电及层间放电与温度之间的关系;运用传热学原理并结合绝缘材料特性进行数值计算及分析,得出矿用干式变压器匝间放电对绕组发热过程的影响,为变压器内部热点温度的定位及局部放电点的准确定位提供了理论依据。     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别.通过对四类局部放电故障进行特征提取和模式识别,对比实验结果表明,该方法能有效地提取放电信号的特征,并较准确地识别各类放电类型.     

联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过ＧＫ模糊聚类方法对局部放电信号的特征进行识别分类。首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类。将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。     

基于光纤传感检测的局部放电信号去噪方法

针对局部放电超声信号检测过程中存在噪声干扰的问题,提出一种基于变分模态分解和改进小波去噪的噪声抑制方法。首先对局部放电信号进行变分模态分解,得到若干频带分布不同的本征模态分量,结合模态的峭度剔除窄带干扰主导的分量;然后利用改进的小波去噪法,将其余有效模态分量中残留的白噪声进一步滤除;最后将剩余分量进行信号重构实现噪声抑制。对仿真局部放电信号去噪的结果表明,所提方法可提升信噪比约12.1 dB,且能够更加完整地保留原始信号波形。此外,在实验室环境下搭建了10 kV电压等级的局部放电模拟系统,采用Sagnac光纤传感检测局部放电超声信号。实验结果表明,所提方法具有良好的去噪性能,对实测信号的噪声抑制比达到了7.504。     

基于图像处理及降噪的局部放电图谱智能识别方法

局部放电检测是目前电力设备状态评价的主要手段,得到广泛应用推广。由于缺陷图谱的复杂性及现场干扰的多样性,传统的局部放电模式识别方法正确率低,训练时间长。针对上述问题,本文提出了一种基于图像处理技术及数据深度稀疏降噪的电力设备局部放电图谱智能识别方法。首先,运用图像处理技术对检测得到的图谱进行预处理;然后利用深度稀疏降噪自编码器进行数据稀疏降噪;最后对得到的有效去噪的数学模型,利用极限学习机(Extreme Learning Machine, ELM)网络,实现对局部放电的智能分类和识别。利用在变电站现场实测数据对本方法进行验证,证明本方法对含有多样干扰的局部放电信号有更好的识别效果,能很好适用于目前的电力设备图像信息模式识别应用当中。     

基于超高频和超声波的干式变压器局部放电检测与定位的研究

随着干式变压器的用途越来越广泛,对其在运行过程中的安全有效性要求也越来越高,因此对其进行局放检测尤为重要;主要分析了检测干式变压器局部放电的超高频方法与超声波方法的原理及检测方法,研究了基于超声和超高频相结合的干式变压器局部放电定位算法,试制了超高频传感器,并设计了一套超高频与超声波相联合的局放检测系统;通过该系统,对干式变压器局部放电源进行综合定位实验,实验结果验证了该方法的有效性,为干式变压器的局部放电检测提供了参考。     

基于数字信号处理的局部放电在线监测系统

提出了一种基于数字信号处理的局部放电在线监测系统,该系统综合了现代数字信号处理的几种新方法（包括小波分析）对信号进行处理,提取信号特征,并运用模式识别的方法对局部放电信号进行识别。在此基础上,由专家系统做出判断。     

矿用带式输送机齿轮箱混合故障诊断研究

针对基于振动信号分析的矿用带式输送机齿轮箱故障诊断方法存在不易处理混合故障信号的问题,提出了一种基于自组织映射网络的矿用带式输送机齿轮箱混合故障诊断方法。采用融入Shannon熵的小波阈值去噪方法对矿用带式输送机齿轮箱的标准多故障样本进行预处理,对预处理后的标准多故障样本建立高斯混合分布模型后,采用最大期望算法进行模型的参数估计,得到相应特征向量并输入自组织映射网络,自组织映射网络对不同混合故障类型的故障信号进行聚类和识别,从而判断故障类别。实验结果表明,该方法能有效诊断出矿用带式输送机齿轮箱的多故障混合信号对应的故障类别,整体诊断准确率为88%,在6种工况下诊断准确率为100%,为矿山机电设备的齿轮箱故障诊断提供了一种新方法。     

基于深度小波去噪自动编码器的轴承智能故障诊断方法

针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法。利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编码器构造一个深度小波去噪自动编码器来增强无监督特征学习能力;采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。对实验所得的轴承振动信号进行对比分析,结果验证了该方法在原始振动数据无监督特征学习的条件下优于传统方法和标准深度学习方法。     

桥梁数据异常诊断方法在伸缩缝监测中的应用

针对由桥梁结构损伤和监测系统传感器故障引起的桥梁数据异常诊断问题,提出了一种基于主成分分析和超球面一类支持向量机的桥梁数据异常诊断方法。首先,对原始信号进行预处理和小波阈值去噪,然后,统计信号的时域、频域及自回归模型系数特征,利用主成分分析进行特征提取获得重要特征,最后,利用超球面一类支持向量机进行异常模式识别。通过江阴大桥伸缩缝相关监测数据表明,该方法可以较好识别和伸缩缝相关的数据异常,防止监测系统误报漏报的发生。