共查询到20条相似文献,搜索用时 46 毫秒
1.
为了保证银川东750 kV变电站电气设备安全、稳定运行,采用了先进的信号及测量技术、相位测量基准获取技术,建立了电气设备绝缘状态在线监测系统。实现了对750 kV主变压器套管及主变压器高、中压两侧CVT的在线监测。运行结果表明:在线监测系统各项指标达到了对电容型设备绝缘状态进行实时监测的技术要求。 相似文献
2.
3.
4.
通过750 KV变压器套管末屏进行过电压监测的方法研究 总被引:1,自引:0,他引:1
针对西北750kV超高压电网所处特殊自然环境下易遭受过电压危害的特点,研究探索750kV电网过电压监测方法。根据变压器电容式套管结构原理,研制出系列750kV变压器套管末屏连接专用精密低压臂分压器,与套管电容组成测量过电压信号的冲击电压分压系统。分析研究了750kV变压器套管末屏频率响应特性,该系统可满足电网雷电冲击、操作冲击过电压现场测量的要求。论证了750kV电网采用变压器电容式套管末屏连接低压臂分压器进行过电压监测的可行性。 相似文献
5.
6.
变压器的状态直接决定了电网运行的可靠性。在现有的变压器状态监测方法的基础上,提出基于射频识别(RFID)传感器标签和深度学习的变压器状态监测手段。首先提出了一种基于自取能RFID传感器标签的变压器振动信号采集方法,该方法具有成本低,便利性强,寿命长,可实现快速定位等优点。针对于变压器信号成分复杂,信噪比低等特点,利用深度学习技术在复杂数据处理方面的优势,采用堆叠去噪自编码器(SDA)信号进行特征提取,并采用相关向量机(RVM)对提取的特征数据进行故障诊断,最后采用量子粒子群算法(QPSO)对SDA与RVM进行参数寻优。实验结果表明,方法能够可靠地获取变压器振动信号,同时,能够取得99. 75%的故障诊断准确度,且诊断时间仅需要0. 98 s。 相似文献
7.
为实现基于声信号的变压器状态监测与故障诊断,提出了一种基于改进的瀑布声谱图-卷积神经网络的变压器声信号识别模型。首先采用基于小波变换和独立分量分析的联合去噪方法对声信号进行去噪处理;其次使用主成分分析改进瀑布声谱图,对声信号进行特征提取;然后设计适用于变压器特征声谱图识别的卷积神经网络结构,优化各层网络参数,实现对变压器声信号的特征识别;最后采集三种运行状态下的变压器声信号进行试验分析,变压器声信号识别模型对正常、过负荷以及局部放电故障三种运行状态的声信号均能达到95%以上的识别成功率。结果表明:提出的改进的瀑布声谱图-卷积神经网络模型能够对变压器声信号实现较好的识别效果,可用于变压器的状态监测和故障诊断。 相似文献
8.
9.
10.
11.
基于信息融合的变压器故障诊断系统设计 总被引:1,自引:0,他引:1
结合现场具体情况,提出了电力变压器状态监测的综合分析方法,并就状态的选取与处理、规则的描述、诊断推理过程作了深入探讨.围绕变压器局部放电特征量、油中溶解气体分析等数据,采用了超声波定位、神经网络、专家系统推理等方法,将各种诊断方法融为一体,设计了基于信息融合的变压器故障诊断系统.该系统的应用将极大地提高变压器的运行可靠性及利用率,延长变压器的使用寿命. 相似文献
12.
利用声音信号对电力变压器进行状态诊断是一种不停机、无接触的设备维护方法,可以诊断变压器异常状态类型。提出了一种基于LSTM神经网络的电力变压器异常诊断的方法,采集电力变压器在正常状态、过载和放电3种运行状态下发出的声音信号,将声音信号进行预处理并提取声音信号的MFCC特征,再将其通过一、二阶差分组合成一组声音特征的矢量,输入LSTM神经网络中进行训练。训练结果表明,将LSTM神经网络应用在电力变压器状态声音诊断上对3种状态的识别均能达到99%以上的准确率。 相似文献
13.
为提高电力变压器机械故障诊断的准确性,依据变压器声音信号与机械状态之间的关联特性,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和深度自编码器(Stacked Auto Encoder,SAE)的变压器机械故障声学诊断方法。首先采用EEMD对变压器原始声音信号进行分解,提取信号的时频能量特征;然后构建基于SAE的变压器机械故障识别模型,通过无监督自学习和有监督微调完成深层特征挖掘和识别;最后以某10 kV变压器为试验对象,采用典型机械状态下的声音信号对故障识别模型进行训练优化。算例结果表明,与传统的故障诊断方法相比,所提方法能更好地对变压器机械故障进行识别。 相似文献
14.
《高压电器》2015,(11):187-193
利用振动法在线监测配电变压器绕组的状态关键在于如何从振动信号中提取有效的特征。为了更有效地监测与诊断变压器绕组的状态,搭建了某配电变压器多次短路冲击试验及负载试验时的振动信号监测平台,利用总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)对变压器绕组的振动信号进行分析并求解其能量熵值,提出一种基于EEMD能量熵的配电变压器绕组状态监测与故障诊断的方法。实验结果表明,EEMD能够有效地提取配电变压器绕组振动信号的特征,得到振动信号各频带内的能量分布状态,可准确地在线监测与诊断配电变压器绕组故障。 相似文献
15.
16.
运行中的变压器会产生持续振动,通过振动的变化可以判断变压器内部运行状态。变压器振动信号中包含了大量状态信息,难以从中提取有效特征来监测绕组松动状态。为此,提出了基于混沌理论和核可能性聚类算法KPCM的变压器绕组松动状态监测方法。首先,从振动信号的混沌动力学特性出发,通过选择最佳嵌入维数和时间延迟,对实测变压器振动信号进行相空间重构。然后,针对重构信号的高维空间分布,使用KPCM聚类方法对分布模式进行识别,据此对绕组松动状态进行监测。现场实测数据的计算结果表明,使用Wolf法计算得到的最大李雅普诺夫指数为正,证实了变压器振动信号的混沌特性,基于KPCM聚类分析得到的聚类中心位移矢量的变化能够有效识别出绕组松动的机械故障隐患。研究结果为从混沌动力学角度监测变压器绕组的松动状态提供了理论依据。 相似文献
17.
18.
用机械振动频响法诊断大型变压器绕组松动 总被引:3,自引:0,他引:3
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. 相似文献
19.
基于声波信号分析的电气设备故障诊断新方法 总被引:2,自引:0,他引:2
针对电气设备运行环境复杂这一特点,提出将声波分析技术应用到其故障诊断中,可克服高电压和强电磁场给故障检测带来的诸多难题.设计了基于声波识别的电气设备故障诊断专家系统的总体方案,故障诊断系统由信号采集、特征提取、状态识别和诊断决策4个部分组成,简要介绍了各部分的工作原理:阐述了一种使用分层阈值处理声音信号的消噪算法,将该方法与传统消噪方法作对比,证明了该算法在对非平稳信号分析中具有较高的精确性.给出小波包提取电气设备实测声波信号特征向量的算法,以此作为知识获取和推理的依据,为电气设备运行状态诊断专家系统的实现奠定了基础. 相似文献
20.
基于信息融合的750kV电网二次设备状态评估 总被引:3,自引:0,他引:3
针对单一状态评估方法不能全面有效利用750 kV电网二次设备多种运行信息的问题,提出了基于信息融合的750 kV电网二次设备状态评估方法.利用自检信息,通过模糊综合评价法实现设备的状态评估;利用运行状态信息,通过马尔科夫预测法实现设备的状态评估;利用隐藏故障数据,通过隐藏故障判断实现设备的状态评估.在此基础上,通过DS证据理论将三种评估方法的评估结果进行融合,得出最终的评价结果.仿真结果表明,与单一评估方法相比,基于信息融合的状态评估结果更符合750 kV电网二次设备的实际运行状况. 相似文献