共查询到18条相似文献,搜索用时 281 毫秒
1.
2.
3.
《电工技术》2020,(9)
对油中溶解气体浓度进行精确预测,可为变压器故障预警提供重要依据。现有的油中溶解气体预测模型主要基于单一或少数状态参量,而状态参量变化并非独立过程。利用Apriori算法挖掘变压器油中溶解气体间的关联规则,在此基础上提出了一种基于小波分解和长短期记忆网络的变压器油中溶解气体浓度预测方法。Apriori算法可挖掘变压器油中溶解气体间的关联规则,以此确定预测模型的输入矩阵。通过小波变换提取出参量序列中的低频趋势分量和高频波动分量,运用长短期记忆神经网络在不同分量上分别进行预测,并重构得到各参量的预测结果。算例结果表明,所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。 相似文献
4.
分析变压器油中溶解气体含量进行变压器故障诊断的关键是找到油中溶解气体含量和故障之间的非线性关系。针对已有检测方法诊断准确性不高的问题,提出不基于Fourier变换,而是利用细分的方法构造一类新的具有加权性质的小波函数。将小波函数作为前馈神经网络的隐含层函数并优化网络的学习率,构造出加权小波神经网络处理变压器油中溶解气体含量数据。通过实际故障数据验证,此方法较已有的诊断方法准确性更高,在同等计算精度下速度更快,进而提高了变压器故障诊断的效率。 相似文献
5.
分析变压器油中溶解气体含量进行变压器故障诊断的关键是找到油中溶解气体含量和故障之间的非线性关系.针对已有检测方法诊断准确性不高的问题,提出不基于Fourier变换,而是利用细分的方法构造一类新的具有加权性质的小波函数.将小波函数作为前馈神经网络的隐含层函数并优化网络的学习率,构造出加权小波神经网络处理变压器油中溶解气体含量数据.通过实际故障数据验证,此方法较已有的诊断方法准确性更高,在同等计算精度下速度更快,进而提高了变压器故障诊断的效率. 相似文献
6.
7.
油中溶解气体分析是电力变压器常用的状态检测手段,在变压器运行与维护中发挥了显著作用,但因现有油中溶解气体在线监测系统可靠性问题及现场干扰,监测数据中充斥着大量的伪数据及错数据,易引起误判。针对此问题,监测系统常采用基于数据分布统计的阈值法判定数据真伪,因数据分布规律预先难以掌握,造成异常数据检出率普遍低下问题。文中依据油中溶解气体在线监测数据时间序列特点,提出了一种基于凝聚层次聚类的异常数据检测方法。首先,利用滑动时间窗对多种油中气体监测数据进行预处理,获得监测数据时间序列集,接着通过综合应用均值、阈值、标准差、小波变换周期性分量等指标对其进行分类建立异常类型的典型时序图谱;在此基础上,利用凝聚层次聚类模型,对不同特征的数据点与典型异常图谱的距离进行相似性聚类,以确定监测数据的异常类型。通过实际监测数据应用验证表明,该方法可实时检测在线监测数据流中数据异常并确定其类型,简单且易操作,具有较好的理论及应用价值。 相似文献
8.
基于四阶累积量的滑动峰态算法在表征微弱信号的非高斯特性方面具有优势,可用于对微弱放电信号进行检测。但在混合噪声干扰下,受固定滑动窗宽度的影响,该算法对微弱放电信号的检测性能会显著劣化。针对该问题,提出了基于小波分解和滑动峰态相结合的联合检测方法,并进行了仿真分析和实验验证,结果表明:利用小波变换对信号的多尺度分解以及信号在不同分解尺度上的特征差异,该联合检测方法实现了信号在多个优化的滑动窗宽度共同作用下的峰态检测,进一步增强了其抗噪声干扰能力,对微弱放电信号的检测性能相比原有滑动峰态算法有明显提升。 相似文献
9.
在线油中溶解气体数据是电力变压器重要状态参数,故障诊断前首先要识别异常。针对当前异常识别方法受数据波动、缺失影响大及运算时间长的问题,提出基于油中溶解气体Canopy高维模型的变压器异常状态快速识别方法。该文分析在线油中溶解气体数据质量,提出基于滑窗的离群点识别方法,引入波动系数评价数据质量,根据特征气体波动系数建立变权高维空间,抑制识别中波动大的气体影响。针对缺失值,在变权高维空间上利用Canopy簇合并算法对状态进区分,结合异常事件库对异常状态进行识别。对比该方法与K-Means聚类算法,该方法可改善状态边界数据的分类效果,并减小计算量。将该方法应用于现场检测,可有效识别未达到注意阈值的过热异常案例,并且避免数据质量差导致的过阈值误报。 相似文献
11.
12.
油色谱数据的缺乏和不均衡会导致训练过拟合、模型缺乏代表性、测试集效果不理想等问题,从而难以对变压器的状态进行准确评价。针对该问题,将强化学习中的策略梯度算法引入生成式对抗网络GAN(Generative Adversarial Networks),提出了一种基于策略梯度和GAN的变压器油色谱案例生成方法。仿真结果表明,与传统的样本扩充算法相比,利用所提方法合成的样本质量较高。对包含9种故障状态共700组样本的变压器油色谱数据利用所提方法进行油色谱故障样本扩充,利用基于BP神经网络模型的变压器故障分类模型对将扩充后样本作为训练集训练得到的神经网络模型和仅用真实数据作为训练集训练得到的神经网络模型进行了对比,结果表明利用扩充的样本后,变压器故障分类准确率得到了提高。变压器故障诊断实例表明利用所提方法得到的结果与实际情况相符。 相似文献
13.
针对电力系统中容性设备介质损耗角正切(tan δ)的测量,在末屏电容分压绝对测量条件下,提出了应用窄带通半周波傅里叶算法的tan δ值在线测量方法。容性设备母线电压和末屏分压原始值经过零、极点配置法设计的窄带通滤波器处理后,由半周波傅里叶算法分别提取其基波分量电压相角,计算tan δ值。该算法所需数据窗长度比基波相位分离法短,能够快速计算tan δ值;并对直流分量和偶次谐波分量起到了良好的抑制作用。算例结果表明,此算法与传统的基波相位分离法、一阶差分后半波傅里叶算法有相近的结果,并且所需数据量小,满足了在线监测的准确性和实时性要求。 相似文献
14.
针对变压器油的拉曼光谱分析通常受到噪声和荧光背景等的干扰以及谱峰位置难以识别的问题,提出了一种改进的数据处理和谱峰识别算法,用于变压器油老化评估时的拉曼光谱分析。提出一种自适应Savitzky-Golay滤波法,引入自适应窗口大小拉曼光谱数据进行去噪处理。采用改进的多项式拟合算法对去噪后的数据进行去除荧光背景处理,减小荧光背景对拟合结果的影响。通过数据点与期望的拉曼信号的接近程度为每个数据点赋予权重,以实现更准确的去荧光背景处理。利用谱峰识别技术判别变压器油的老化程度,采用大小两种尺度高斯窗口判别法来识别谱峰,并结合局部加权信噪比(local weighted signal-to-noise ratio, LW_SNR)来判断疑似拉曼谱峰的真实性。最后通过实验验证了所提算法在变压器油老化评估中的有效性。 相似文献
15.
16.
针对地铁车轮轴承的声学法故障诊断中背景噪音大、难以提取出有效故障特征的问题,提出了一种在强噪声背景下故障特征提取的方法。对声音信号进行短时傅里叶变换(short-time Fourier transform,STFT)得到时频图,时频图中的条纹就是故障特征;沿条纹方向将图像各个点的信号强度相加,得到时频图对应的信号强度叠加折线图来展示故障特征,并且提出一种基于峰值高度的自适应循环降噪算法对信号强度叠加折线图进行降噪,得到该折线图的评价指标为有效峰值数目;最后提出一种自适应滑动窗口检测法来截取时频图中条纹分布的区域,以此来得到最优的故障特征展现效果。实验结果表明,所提出的方法可以从采集的音频信号中提取出来明显有效的故障特征。 相似文献
17.
P. K. Dash 《International Journal of Electrical Power & Energy Systems》1987,9(4):225-232
The development of a recursive functional expansion algorithm for extracting the desired frequency components from transient power system relaying signals is presented. The applications of this algorithm to impedance detection in transmission line protection and to harmonic restraint in transformer differential protection are discussed. The recursive algorithm generates fast fault detection timings for transmission lines and does not have restrictions on sample rate, data window or spacing of samples with respect to time. For power transformer differential protection, the combined second- and fifth-harmonic amplitude of the differential current is compared with the fundamental amplitude to arrive at a trip decision. 相似文献
18.
基于小波神经网络和D-S证据理论的电力变压器故障诊断研究 总被引:2,自引:0,他引:2
>Transformer faults are quite complicated phenomena and can occur due to a variety of reasons.There have been several methods for transformer fault synthetic diagnosis,but each of them has its own limitations in real fault diagnosis applications.In order to overcome those shortcomings in the existing methods,a new transformer fault diagnosis method based on a wavelet neural network optimized by adaptive genetic algorithm(AGA)and an improved D-S evidence theory fusion technique is proposed in this paper.The proposed method combines the oil chromatogram data and the off-line electrical test data of transformers to carry out fault diagnosis.Based on the fusion mechanism of D-S evidence theory,the comprehensive reliability of evidence is constructed by considering the evidence importance,the outputs of the neural network and the expert experience.The new method increases the objectivity of the basic probability assignment(BPA)and reduces the basic probability assigned for uncertain and unimportant information.The case study results of using the proposed method show that it has a good performance of fault diagnosis for transformers. 相似文献