基于CEEMDAN的配电变压器放电故障噪声诊断方法

研究配电变压器本体和放电故障噪声的声学特征以及识别方法,是实现配电变压器放电故障可靠识别和诊断的关键。为此,提出了基于自适应白噪声完备集成经验模态分解(CEEMDAN)的配电变压器放电故障诊断方法。该方法首先采用CEEMDAN对所采集的声信号进行分解,得到若干个本征模态函数(IMF),求取各IMF的峭度值,并选取合适的IMF分量进行信号重构,从中提取放电故障声信号;其次对放电故障声信号进行CEEMDAN分解,获取其边际谱熵、重心频率、频带能量熵及奇异谱熵这4个特征量,并构成特征向量;最后利用支持向量描述(SVDD)对典型放电故障进行分类与识别。实验结果表明:所提方法在考虑配电变压器本体噪声的条件下,放电故障的识别率达到90%以上,可用于配电变压器放电故障的识别和诊断。     

基于EWT-MQE的变压器局部放电特征提取

为了有效提取局部放电信号故障特征,进而对电力变压器故障进行诊断,提出一种基于经验小波变换(Empirical Wavelet Transform, EWT)和多尺度量子熵(Multiscale Quantum Entropy, MQE)的变压器局部放电特征提取方法。首先,该方法利用EWT对局部放电信号进行分解,得到多个不同的固有模态分量(Intrinsic Mode Function, IMF)和残余分量。其次,计算信号分解出的每个IMF的多尺度量子熵序列。然后,对多尺度量子熵序列利用局部切空间排列算法(Local Tangent Space Arrangement, LTSA)进行降维处理。最后,采用层次聚类算法(Hierarchical Agglomerative Clustering, HAC)进行聚类分析,得到不同放电类型的识别结果。通过与不同诊断方法对比,仿真结果及实验数据验证了所提方法的有效性和优越性。     

绝缘局部放电在线检测的信号预处理方法

通过对绝缘局部放电在线检测技术的分析,给出了一种基于信号理论的局部放电数字信号预处理方法,其主要采用归一化信号处理方法,提取信号的时域和频域的特征信息。在具有噪声、内部放电、表面放电等干扰信号的变压器上进行检测,验证了该方法的识别特性和绝缘故障模式识别的准确率。     

基于小波包分解和支持向量机的局部放电识别方法研究

高压开关柜发生局部放电时产生的信号中存在着大量的信息,局部放电作为开关柜绝缘故障的重要征兆及表现方式,其类型的识别对于开关柜绝缘状态的评估具有重要的意义。为了准确地识别高压开关柜局部放电类型,提出了一种基于小波包分解和支持向量机(SVM-Wavelet)的局部放电识别方法,采用小波包分解的方法对局部放电信号进行分解并提取能量信息,组合成特征向量,在此基础上利用支持向量机(SVM)建立高压开关柜局部放电信号分类模型。结果表明小波包分析方法能很好地处理非线性、非平稳的局部放电信号,基于SVM-Wavelet的方法可以准确地识别局部放电类型。     

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。     

基于声纹识别的变压器局部放电在线监测系统

本文提出了基于声纹识别的变压器局部放电的在线监测和诊断方法。通过在变压器上安装4个磁吸式声纹采集装置获得变压器声纹信号,采用基于负熵的FastICA对采集得到的数据进行处理,分离变压器的本体运行声纹信号和故障声纹信号。接着,采用梅尔对数频谱特征分析方法提取之前分离所得的故障声纹信号的特征值,特征值作为输入量经训练好了的卷积神经网络（CNN）模型预测得到变压器故障类型。通过设计放电试验,对故障声纹的识别准确率超过90%,验证了系统的有效性。本文充分利用变压器声纹信号,通过卷积神经网络算法实现变压器局部放电诊断,能够有效发现变压器内部绝缘的初期故障,提高了设备供电可靠性。     

基于超声信号的变压器故障在线检测识别方法

变压器是电力系统的关键设备,然而变压器在运行过程中受到多种内部和外部因素的影响,导致其随着使用时间的增加而老化。绝缘击穿是变压器故障的主要原因之一。局部放电是一种通常出现在绝缘失效前的现象。如何消除局部放电检测的噪声信号、提取有效的特征信息并有效识别变压器状态,是保障变压器可靠运行的重要技术。为此,提出了一种基于变分模式分解（VMD）和一维卷积神经网络（1D_CNN）的变压器故障类型识别方法。首先描述了VMD的应用原理,然后结合1D_CNN提出了一套识别方法,最后基于故障样本和测试数据对该方法的可行性进行了测试和对比验证。结果表明,该方法可对变压器的故障类型进行有效的识别,对保障变压器安全运行有参考价值。     

变压器局放在线监测UHF信号提取方法研究

局部放电(以下简称:局放)是引发变压器早期绝缘故障的重要原因之一,采用检波技术提取局放超高频(UHF)信号包络,根据放电指数衰减特性,提出两种放电UHF脉冲判别准则:脉冲宽度-局部峰个数(Tp-Np)关系和相关系数-均方误差(CC-MSE)准则。通过能量阈值法识别脉冲,逐层剔除复杂现场干扰,分类识别变压器内部局放UHF信号,放电幅值和相位等信息基本无损失。提出的实用算法依据时域波形特征,计算复杂度小,非常适合在线监测。     

基于时频分布图像纹理特征的局部放电特高频信号的特征参数提取方法

针对局部放电特高频(ultra-high frequency,UHF)信号畸变导致模式识别准确率下降的问题,提出了基于时频分布图像纹理特征的特征参数提取方法。首先对局部放电UHF信号进行s变换得到时频分布图像,然后采用灰度共生矩阵(gray-level co-occurrence matrix,CLCM)算法,从时频分布图像中提取出纹理特征参数。采用主成分分析(principal component analysis,PCA)法对由纹理特征参数构成的特征向量进行降维处理,得到局部放电UHF信号特征参数及特征向量,并输入到支持向量机(support vector machine,SVM)分类器中进行模式识别。结果表明,该特征参数可以有效识别4种典型变压器内部局部放电UHF信号,识别准确率最高达到97.50%。     

基于K近邻算法的换流变压器局部放电模式识别

提出了一种基于K近邻KNN(K-Nearest Neighbour)算法的换流变压器故障诊断方法。设计了4种人工油纸绝缘缺陷,采用超高频天线采集局部放电信号。通过对局部放电超高频信号进行小波包多尺度变换,计算其多尺度小波系数的能量系数。采用KNN算法对局部放电超高频信号能量特征参数进行识别。将反向传播神经网络和所提方法对局部放电超高频信号模式的识别结果进行了对比,结果表明所提出的方法更适用于换流变压器故障诊断。     

基于小波迹方法的局部放电信号消噪研究

在检测电力系统变压器稳定性时,通常会发现变压器放电信号存在各种各样的干扰,尤其是噪声干扰。文章提出一种基于传统小波迹方法的平稳小波迹阈值消噪方法,有效消除了信号采样中的噪音。通过重新定义小波迹字典的方法,改进了传统小波方法中的不足。对所要处理的放电信号进行循环平移,有效消除小波基的平移依赖性,提高小波变换在奇异点附近的特殊性,从而达到消除随机振荡的目的。通过与传统小波包消噪和传统小波消噪的比较,选取阈值、小波基和分解层数,得到了信号消噪的最佳值,进而构建一个适用于局部放电信号研究的平稳小波迹阈值消噪方法。结合MATLAB仿真实验信号和部分某变电站变压器局部放电实际信号验证,该方法能有效抑制局部放电噪声干扰,提取有效信号,消噪效果优于传统小波和小波包方法,可以达到识别的需求。     

大型变压器局部放电多目标定位实验

为了解决大型变压器内部局部放电源难以准确定位的问题,进行了以变压器内部同时存在多个放电源的定位为对象,通过传感器阵列接收放电源辐射的超声波信号,应用阵列信号处理技术中的空间谱估计理论,分析阵列传感器所接收信号的特征信息,实现局部放电的多目标定位的研究。研制了4阵元均匀等间隔线阵,建立了局部放电定位实验系统,针对单放电源和二个放电源的不同情况,对放电源空间位置进行了定位模拟实验。实验结果表明,该法具有良好的定位准确度,能有效地估计出变压器内多个放电点的空间位置,可实现电力变压器内部多局部放电源的定位,为变压器内多局放源的定位建立了实验研究基础。     

应用变分模态分解和独立分量分析的变压器 局部放电信号特征提取研究

变压器局部放电信号中存在大量的电磁干扰,为有效提取特征量,提出利用变分模态分解法将被测信号分解成围绕若干中心频率波动的模态,同时去除白噪声;再进行含变压器局部放电信息的模态重构,用独立分量分析法滤除周期干扰噪声,实现信号的特征提取。仿真结果验证了方法的有效性,具有良好的去噪效果。     

基于宽频带声电检测的变压器现场局部放电诊断及定位方法

为提升变压器局部放电特高频信号检测灵敏度和抗干扰能力,研制了上限检测频率达480 MHz的特高频线圈传感器,其具备在变压器铁芯/夹件接地位置检测局部放电特高频电流信号的能力。在实验室设置局部放电模拟缺陷,研究了变压器悬浮电位放电和绝缘表面放电的信号特征,有助于对现场检测的信号进行类型识别。研究了变压器现场检测去干扰方法,在此基础上研究了基于宽频带声电检测的变压器现场局部放电诊断及定位方法,并进行了实测验证,检出110 kV变压器内部局部电位放电缺陷,有助于提升变压器局部放电现场检测水平和诊断准确性。     

基于CNN+D-S证据理论的多维信息源局部放电故障识别

基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义。文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚-特高频(V-UHF)法以及脉冲电流法(PCM)采集不同放电类型产生的局放信号。首先利用深度卷积神经网络(CNN)算法对不同传感器测量数据进行训练,之后利用Dempster-Shafer(D-S)证据理论对多维信息源识别结果进行融合,并作出最终决策。结果表明,相比于基于单一信息源的故障识别模式,基于多维信息源的故障识别模式准确率更高,且当多维信息源中某一信息源出现误判时仍能正确识别放电类型,对信息源的容错性更好,识别效果良好。     

超声波法进行变压器局部放电模式识别的研究

在线识别局部放电模式可以有效地判断局部放电对变压器绝缘的危害程度。文中根据局部放电超声波信号存在的非线性和非平稳特性，提出利用分形理论对局部放电超声波信号的时域脉冲形进行分析，对分形理论及其参数计算方法进行了简单的介绍，在自制的几种典型变压器局部放电模型上进行实验，计算了所得到的局部放电超声波信号的分型参数（分维数和空缺率），得到不同放电形式的分形特征，利用人工神经网络对所得到的分形特征进行模式识别，结果表明利用超声波信号可以有效地判断变压器局部放电模式，为变压器局部放电信号的特征提取和模式识别提供了一种新的研究方法。     

基于阵列信号处理的变压器内局部放电源多目标定位方法

提出了一种运用阵列信号处理技术实现变压器内多个放电源同时定位的新方法,该方法在变压器内壁安装两个超声波传感器阵列,通过传感器阵列接收目标空间辐射的超声波信号,应用阵列信号处理技术中的空间谱估计理论分析阵列传感器所接收信号的特征信息(信号源数、传播方向),并完成放电源数的估计、放电源方向的估计和放电源距离的计算,进而实现局部放电的多目标定位。仿真结果表明,该方法具有良好的分辨力和估计精度,能有效估计出变压器内多个放电点的空间位置。     

用超高频局部放电测量法实现电力变压器局部放电的在线监测

高频局部放电测量法(UHF法)与传统的脉冲电流法完全不同，它采集的被测信号为局部放电过程所产生的超高频电磁波：利用UHF法可有效解决电力变压器局部放电在线监测中的抗干扰问题。文中结合变压器结构设计的放油阀式和人孔／手孔盖式超高频信号传感器安装在220kV和110kV电压等级变压器上，成功地捕捉到变压器内部局部放电产生的超高频信号。对变压器局部放电故障诊断的判据等问题进行讨论，为变压器超高频局部放电在线监测方法的应用积累了经验。