基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一,尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点,导致其构建足量具有时间相关性的图像集十分困难,提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习,获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集,建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上;利用变压器周期性振动信号生成的图像集作为测试集,测试准确率达到99%以上,实现了变压器绕组松动故障的准确诊断,并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

基于格拉姆角场变换和深度压缩模型的变压器故障识别方法

提出了一种基于格拉姆角场和深度压缩模型的变压器故障识别方法。针对故障样本稀缺和VGG(visual geometry group)网络一般不能直接读取一维数据的问题,首先提出了格拉姆角场变换方法将一维故障样本转换为三维特征图像,并使用数据增强方法进行样本扩充,使其满足故障识别方法的输入需求。进一步,针对VGG网络层数深、参数多以及结构复杂的缺点,提出了一种改进深度压缩模型。使用NiNNet(network in network)网络的全局平均池化层替换VGG网络的全连接层,减少VGG末端网络的层数和参数规模;提出了一种结构化剪枝方法对VGG网络的多层卷积核进行剪枝,进一步减少VGG前端网络的参数规模,实现网络的深度压缩。由变压器油色谱故障数据上开展的数值实验和性能评估结果表明,所提方法在不损失变压器故障识别结果精度的前提下实现了VGG网络的深度压缩和结构简化：此外,深度压缩模型能够有效降低模型存储所需的存储空间和运行所需的计算资源,使其能够应用于体积小、功耗低的边缘计算平台。     

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。     

基于双通道GAF和深度残差网络的电能质量复合扰动识别

针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种利用格拉姆角场(Gramain angular fields,GAF)和深度残差网络(residual network,ResNet)进行复合扰动识别的方法。首先对一维时间序列PQDs信号进行标准化与极坐标编码,然后采用双通道GAF方法保留信号时序特征并映射成为二维图像,形成信息充足、特征明显的双通道图像训练集,在此基础上利用ResNet进行深层次的特征提取,构造适用于复合PQDs分类的网络框架。仿真实验表明该方法特征提取能力强,且抗噪性能好,并且对复合扰动识别率高。     

基于格拉姆角场与改进CNN-ResNet的风电功率预测方法

风电输出功率的不确定性给电力系统的调度带来了较大的困难,因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响,若将时间序列编码为二维图像,能够让神经网络从“视觉上”对数据进行识别和学习,一定程度上能提高分类和计算方法的准确度。因此,提出了一种基于格拉姆角场(Gramian angular fields,GAF)与卷积神经网络–残差网络(convolutional neural network-residual neural network,CNN-Res Net)的预测风电功率的方法。首先,利用GAF将一维历史风电功率数据转换为二维图像,经过CNN提取时间序列的相关性和特征,再利用Res Net提取与风电功率相关的其他相关数据的特征,在增加网络深度的同时解决退化问题,以提高预测的准确度。然后,将两种网络融合,构建双输入网络结构。最后,将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上,通过与Res Net、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和Bi LSTM(bi-directional...     

基于ST-SVD与WOA-SVM模型的变压器绕组松动故障诊断方法

为了深入研究变压器振动信号包含的大量故障信息,提出了一种基于S变换奇异值分解(ST-SVD)与鲸鱼优化支持向量机(WOA-SVM)模型的变压器绕组松动故障诊断方法。首先,基于变压器故障模拟试验平台采集变压器绕组处于不同状态下的振动信号。其次,对变压器振动信号进行S变换获取其时频矩阵。再次,计算出时频矩阵对应的幅值矩阵进行SVD,并定义特征向量。最后,采用鲸鱼优化算法优化SVM模型参数,并输入特征向量完成故障诊断。试验结果表明,所提方法故障识别准确率高于传统方法模型,适用于变压器绕组松动故障诊断。     

基于Mel-GADF与ConvNeXt-T的变压器铁心松动故障诊断方法

为解决传统梅尔(Mel)时频谱图对变压器铁心松动程度识别率较低的问题,提出一种基于梅尔-格拉姆角差场(Mel-GADF)时频谱图与ConvNeXt-T网络相结合的变压器铁心松动故障诊断模型。将变压器声纹信号生成Mel时频谱图,同时将原始声纹数据经过格拉姆角场(GAF)变换得到格拉姆角和场(GASF)与GADF这2种时频谱图;生成Mel-GASF与Mel-GADF这2种特征融合的时频谱图来弥补Mel时频谱图的低频缺失问题;将3种时频谱图放入ConvNeXt-T网络进行训练对比,选出效果最佳的诊断模型。以型号为S13-M-200/10的变压器为对象进行空载试验,对不同铁心松动程度下的声纹信号进行分析,分析结果表明,将Mel-GADF作为特征时频谱图结合ConvNeXt-T网络,可将测试集准确率从传统Mel时频谱图的98.273 % 提升至99.500%,提升了1.227个百分点。     

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。     

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TVFEMD与中心频率算法的变压器绕组松动故障诊断方法

考虑到变压器振动信号为非平稳的周期信号,文中引入时变滤波经验模式分解(Time Varying Filter for EMD,TVFEMD)和中心频率算法处理。在一台10 kV实验变压器连接额定阻性负载条件下,测试得到绕组正常和松动两种状态下的振动信号,利用TVFEMD对去噪后的振动信号进行模态分解,得到多个模态函数(IMF),然后通过中心频率算法筛选50 Hz～700 Hz频段内的IMF,最后求取各阶IMF能量特征,将其分为低频能量和高频能量,二者比值作为特征量。研究结果表明利用文中特征量提取方法可以实现绕组松动状态的诊断,并且该特征量能够排除变压器常见运行条件变量,如负载率、功率因数、电流谐波的影响,降低了误判风险。     

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CEEMDAN-小波阈值和3D-CNN的变压器铁心松动故障诊断模型

为了解决变压器铁心松动故障的识别与诊断,提出基于完全自适应噪声集合经验模态分解(CEEMDAN)-小波阈值的环境噪声去除方法,并提出使用三维卷积神经网络(3D-CNN)去识别基于声纹的变压器铁心松动故障诊断方法。搭建变压器铁心松动故障试验平台,采集铁心在不同松动程度下的噪声信号;将采集的用于故障识别的声纹信号经过CEEMDAN-小波阈值算法,利用变压器本体噪声和环境噪声在峭度上的差异滤波,得到信噪比较高的变压器声纹信号;再将滤波后的声纹信号经过短时傅里叶变化生成时频矩阵,并用Mel滤波器降维得到Mel-语谱图,制作成适合3D-CNN输入格式的数据集;搭建好网络的各层,利用3D-CNN对变压器铁心松动故障进行分类和识别。试验结果表明：所提方法在考虑环境噪声的条件下,变压器铁心松动故障的识别率达到90%以上,可用于变压器铁心松动故障的识别和诊断。     

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。     

基于变压器声纹Mel语谱图-ResNet的铁心松动故障诊断

为实现变压器铁心松动故障的识别,提出基于变压器声纹的ResNet卷积神经网络(CNN)用作铁心松动故障的识别,分别比较了相同卷积神经网络ResNet在交叉熵损失函数(SE-ResNet-Dense)和特征表达的角度空间中最大化分类界限的加性角度裕度损失函数(SE-ResNet-ArcLoss)不同表现效果。通过变压器空载试验采集变压器铁心在额定预紧力、松动20%、松动40%时的噪声信号,通过离散傅里叶变换将采集的声纹信号生成时频矩阵,并使用Mel滤波器对时频矩阵降维生成尺寸大大缩小的Mel-语谱图。将采集的噪声信号制作成数据集后输入到两种模型中训练,最终测试集在模型SE-ResNet-Dense上的预测结果为90.753%,在模型SE-ResNet-ArcLoss上的预测结果为97.541%。结果验证SE-ResNet-ArcLoss最适用于变压器铁心松动故障识别。     

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。     

基于参数辨识的变压器绕组故障诊断方法的研究

变压器外部故障时,变压器内部绕组的匝数及漏磁通所经磁路均未变化,变压器绕组发生故障时,变压器漏电感肯定会发生变化。通过测量变压器的短路电抗并计算分析,可以判断变压器的绕组故障。参数辨识法诊断变压器绕组故障,即是通过测量变压器三相电压和电流量,采用递推最小二乘法,辨识变压器绕组漏抗,从而判断变压器绕组是否故障。