用机械振动频响法诊断大型变压器绕组松动

开展变压器绕组及铁心监测及诊断方法的研究,及早发现变压器绕组松动,避免突发事故具有十分重要的意义.利用机械振动频响法,通过对变压器的箱壁振动信号的测试和分析,对上海武威变电站220 kV变压器的绕组松动进行了测试分析,提出了诊断变压器绕组松动的新方法.     

稳态条件下变压器绕组轴向振动分布特性研究

振动法在变压器机械故障诊断中得到了越来越广泛的应用,文中研究了变压器绕组轴向振动特性,为振动法的研究建立必要的理论基础。文中介绍了基于质量—弹簧模型的变压器绕组轴向振动机理,搭建了基于压电式加速度传感器的变压器单绕组模型振动测试平台,探究了变压器绕组轴向振动分布特点,以及负载电流波动和绕组松动对其产生的影响。实验研究发现单绕组模型轴向振动近似呈U型分布,电流波动对绕组的振动分布无明显影响,绕组的松紧程度改变,绕组的振动分布发生明显变化。     

变压器绕组松动故障的混沌特征分析方法

为了更加有效地对变压器绕组松动故障进行监测与识别,提出了一种变压器绕组松动故障的混沌特征分析方法。首先,针对振动信号的混沌动力学特性,采用互信息量法和G-P算法分别确定延迟时间和嵌入维数,对变压器振动信号进行相空间重构;其次,通过判断最大Lyapunov指数是否为正,进而证明变压器振动信号的混沌特性,在此基础上分析不同程度的绕组松动故障对相空间轨迹变化的影响;最后,将关联维数、Kolmogorov熵和最大Lyapunov指数作为一组混沌特征用以量化变压器绕组发生松动故障前后振动信号的混沌特性。结果表明：变压器振动信号的最大Lyapunov指数均大于0,证实了其具有混沌特性,所得到的混沌特征能够有效反映变压器绕组松动故障。研究结果为变压器绕组松动状态监测提供了一种理论依据。     

基于振动信号的变压器绕组松动故障诊断方法

提出了基于运行中变压器表面振动信号的绕组松动故障诊断模型和诊断方法。首先,分析了绕组振动幅值与电流、预紧力、铁芯振动、非线性因素的关系,确定振动信号中100 Hz为绕组松动的特征频率,提出分离绕组振动幅值和铁芯振动幅值的方法;提出绕组松动诊断模型和基于该模型的平均安全余量,利用待检测变压器在一组负载电流下的绕组振幅计算平均安全余量,由此定量判断绕组的松动状态。利用有限元仿真和现场实验分别对诊断模型和诊断方法进行检验,实验结果显示平均安全余量在1±0.5之外时存在松动故障,值越远离1,松动程度越大。该方法解决了变压器实际运行中绕组和铁芯振动基频相同、矢量叠加相互影响的问题及实际运行中负载变化,电流不同,仅用某个电流下的振幅判断精度受限的问题,且对松动程度量化表示,易于判断。     

基于振动信号的变压器绕组松动实验研究

为分析和判断变压器绕组松动的严重程度,对油箱表面测得的振动信号进行研究。首先对变压器油箱表面振动测点的选择进行实验分析,得出振动测点布放原则。之后根据选择的合理测点,设计变压器绕组松动实验,通过对绕组松动前后的振动信号进行研究得出：观察变压器油箱表面测得的振动信号特征频率分量幅值变化,可以判断变压器绕组是否发生松动。该研究为基于振动法在线监测变压器状态提供参考。     

110kV变压器绕组的机械强度

对变压器绕组的径向和轴向受力进行了分析,论述了短路时绕组电流和短路电动力的计算方法,介绍了提高变压器绕组机械强度的设计改进与工艺措施。     

基于振动的变压器绕组松动缺陷诊断方法

将理论与实验相结合,对变压器绕组松动缺陷诊断方法进行研究。理论上定义了基于预紧力的变压器绕组松动缺陷特征值,该特征值与变压器绕组预紧力之间存在规律的单调区间,提出利用该关系进行缺陷诊断,该方法不受电流影响,因而适用于负荷波动下的在线监测。在实验中采用应变片桥式电路测量预紧力,施加不同的预紧力进行绕组松动缺陷设置。利用锤击法测算油箱固有频率,考虑预紧力变化对油箱固有频率的影响,以不受共振影响的测点为有效测点。分析不同预紧力大小、不同电流情况下变压器有效测点信号的特征值,确定故障阈值与预警阈值,实现绕组松动缺陷诊断以及缺陷相定位。     

空载合闸冲击条件下变压器绕组轻微松动预警

本文针对变压器在空载合闸冲击时产生的振动信号,提出了一种基于空载合闸冲击条件下变压器绕组轻微松动预警方法。首先,采用小波变换将变压器空载合闸振动信号转换成时频谱图,然后再提取时频图像的纹理特征和形状特征作为特征向量并输入到支持向量机进行分类识别。试验结果表明,所提方法能准确识别变压器轻微松动故障。     

基于多重分形-贝叶斯融合算法的变压器绕组机械状态识别

针对变压器振动信号非线性特征及其绕组机械状态识别问题,该文引入多重分形与贝叶斯相结合的状态识别方法,搭建振动测试平台,采集配电变压器在不同负载电流下正常运行和存在绕组松动故障运行时的振动信号。运用多重分形理论对振动信号进行多重分形特征分析,提取出随变压器绕组机械状态变化明显的多重分形谱参数作为状态特征量,使用贝叶斯分算法对试验变压器状态特征量进行状态识别。研究结果表明:变压器振动信号具有较强的多重分形特性;多重分形谱参数αfmax、αmin在负载电流波动时变化不明显,绕组松动时变化明显;多重分形-贝叶斯算法能准确的识别出变压器负载电流变化时的正常状态与绕组松动时的故障状态,准确率都在98%以上,研究结论可为负荷多变情况下基于振动信号的变压器绕组故障诊断提供一种新思路和新算法。     

基于振动频响法的变压器绕组松动故障检测方法研究北大核心CSCD

变压器是电力系统的重要设备,在长期运行中会出现绕组松动、变形等故障,影响电力系统的正常工作,因此对变压器绕组健康状态进行评估极为重要。提出利用振动频响法获取变压器绕组的振动频响函数,对比绕组故障状态与健康状态下的振动频响函数,将两者之间的相关系数作为判断变压器绕组故障与否的依据。随后,对比健康状态与4种不同程度松动状态下变压器绕组的振动频响函数,探讨利用相关系数判断变压器绕组松动故障程度的可行性。本研究结果对判断变压器绕组运行故障具有一定的指导意义。     

电力变压器的有限元建模与绕组松动分析

为了研究预紧力大小与变压器绕组松动缺陷的关系,通过有限元分析了不同预紧力对变压器振动信号的影响。利用三维绘图软件Pro/Engineer绘制变压器模型,导入有限元分析软件ANSYS Workbench进行模态分析和谐响应分析,并分别与激振实验和短路试验的结果进行比较,得到了变压器固有频率随着预紧力降低而减小的结论。进一步研究发现,施加激励力后预紧力的变化对振动信号也有较大的影响,变化趋势由不同位置处的结构决定。将100 Hz基频振动信号作为分析对象,研究其随预紧力变化的规律,并分析绕组的松动程度。仿真和实验结果的对比验证了所建模型的正确性及通过有限元模型对变压器绕组松动进行仿真的可行性。     

基于空载合闸振动信号的变压器绕组松动故障诊断研究

提出了一种基于空载合闸暂态振动信号的变压器绕组松动故障诊断方法,利用变分模态分解分解后模态分量的频谱峰值和振动信号的样本熵值实现对故障程度的判断,并通过试验验证了该方法的正确性。     

基于奇异谱熵和支持向量机的变压器绕组松动识别及定位

绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 kV变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解提取重构空间的最优特征序列,结合信息熵得出绕组松动的特征量——奇异谱熵,并作为诊断模型的输入,利用粒子群算法对多分类支持向量机进行参数优化。并将其测试结果与BP和PNN神经网络的诊断效果进行对比。实验结果证明,该方法能有效地判断绕组是否发生松动并正确识别绕组松动相,验证了上述方法的可行性和准确性。     

基于空载合闸振动信号的变压器绕组松动诊断

针对变压器空载合闸机械振动特性,采用小波包变换对其振动信号进行分析。在实验中,模拟了变压器正常和绕组松动2种状态,对其空载合闸时的振动信号进行采集,并采用小波包-能量谱分析得到各个尺度上能量的百分比作为特征量对2种状态下的振动信号进行特征提取和对比分析。实验结果表明,故障前后的振动信号的能量分布特征有明显的差异,该方法可以有效地提取不同状态下合闸振动信号特征量,应用于空载合闸振动信号的变压器绕组松动诊断。     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

变压器绕组变形测量

介绍了变压器绕组变形测量的常用方法,阐述频率响应法的原理及应用,并就其应用中存在的问题提出了建议。     

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%。     

变压器绕组变形测量

介绍了变压器绕组变形测量的常用方法,阐述频率响应法的原理及应用,并就其应用存在的问题提出了建议。