基于广义回归神经网络的变压器振动信号预测

变压器箱壁的振动信号与绕组和铁芯的运行状态密切相关。在对变压器振动机理进行分析的基础上,提出使用广义回归神经网络获取变压器电压电流信号与振动信号100Hz分量的对应关系,据此对变压器振动信号进行预测。使用模型变压器试验平台获取的电压电流和振动信号对广义回归神经网络进行训练,并把训练好的神经网络用于振动信号的预测。预测信号与实测信号的良好吻合说明了文中所提出的方法的有效性,据此可对变压器运行状态进行在线监测。     

不同负载电流下变压器表面三维振动信号特征分析

变压器表面振动信号与绕组及铁芯运行状态密切相关。采集正常运行中变压器表面三维振动信号,结合负载电流和运行电压数据,分析总结不同方向变压器表面振动信号的时域峰值特征和频域能量特征。提出能量—电流灵敏度指标EC-S,用于定量描述变压器表面振动信号各频点能量受负载电流变化的影响,基于该指标分析了可表征变压器绕组振动状态的特征频点。结果表明同一位置不同方向的变压器表面振动信号差异显著,三维振动信号较单一方向振动信号能更全面地反映变压器绕组振动变化。     

油浸式变压器绕组振动影响因素研究

变压器绕组振动信号能够反应其绕组运行状态。为了研究变压器绕组振动的影响因素,在分析绕组振动产生机理的基础上,将负载电流和轴向预紧力对绕组振动的影响进行了理论分析。采用短路电流法对变压器在不同电流下的振动信号、温升实验下的连续振动信号进行了测试,并进行了模拟绕组松动故障测试。测试结果与理论分析一致:绕组振动随负载电流的增大而增强,随轴向预紧力增强而减弱,随温度上升而下降。结果可对进一步研究基于振动信号的变压器故障诊断技术提供参考。     

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。     

电力变压器表面振动信号功率谱分析

理论实践表明,电力变压器表面振动信号特征分析是振动法分析电力变压器状态的一个重要基础,振动信号特征可以用来分析判断其绕组和铁芯的工作状态。文中分析了现场采集的电力变压器表面振动信号的功率特征以及功率与负载电流的关系,为振动法分析电力变压器运行状态提供参考。     

基于电力变压器振动信息的绕组形变诊断方法

变压器绕组的机械形变为变压器安全运行埋下事故隐患,为此,提出一种基于振动法的变压器绕组机械状态诊断方法.诊断过程中,通过负载电流与振动信号基频进行拟合匹配初步判定绕组状态;采用小波包变换对变压器绕组不同状态下振动信号进行分析,以振动信号能谱熵作为特征输入向量;利用改进后的多分类支持向量机对特征向量进行训练与测试,实现了变压器绕组不同状态的分类诊断.通过对S 11-M-500/35型实际变压器绕组不同状态下进行负载试验,采集对应机械及电气参量数据,用所提出诊断方法对变压器绕组机械状态进行诊断,结果表明:在准确判断绕组正常及故障状态的同时,故障类型诊断结果准确率达到96.78％以上,从而验证所提出诊断方法应用于变压器绕组故障诊断的有效性和准确性.     

基于广义回归神经网络的变压器表面振动基频幅值计算

变压器振动基频幅值大小是分析和评判变压器运行状态和故障诊断的重要依据。为此,提出一种基于广义回归神经网络(GRNN)的变压器振动基频幅值计算方法,用于计算正常运行状态下的变压器表面振动基频幅值。所提方法考虑变压器振动产生机理和影响因素,先根据变压器运行电压、负载电流、油温等历史运行工况数据以及表面振动历史数据进行GRNN训练,保存训练好的GRNN网络即可根据实时运行工况数据计算变压器表面振动基频幅值。某台在运变压器表面振动实测信号的计算结果表明:所提方法比现有方法计算误差大幅下降约50%。研究结果可为变压器振动在线监测提供重要参考。     

利用变压器箱体振动模型确定故障阈值

振动信号分析方法是一种通过测量和分析变压器箱体表面的振动信号来诊断变压器状态的技术.文中提出了一种通过箱体振动模型来确定故障阈值的新方法.根据变压器本体振动产生、传递的机理,以负载电压和负载电流为输入变量,建立了实用的变压器箱体振动预测模型,同时借助线性最小二乘法完成对变压器箱体振动故障阈值的确定.最后利用此振动模型预测了某负载和加载电压下的箱体振动故障阈值,并与实测信号进行了比较分析,验证了模型的有效性.     

负载电流法在基于振动信号分析法监测变压器铁心状况中的应用

振动法是诊断变压器运行中潜伏故障的一种有效手段，不仅能够检测出故障绕组，还能检测铁心的状况，对其进行充分的研究有良好的应用前景。文中提出了一种不空载运行变压器取得变压器铁心振动信号基频成分的负载电流法。模拟变压器实际运行时的情况，测量了不同负载电流及空载情况下变压器本体的振动加速度信号。通过拟合的负载电流与振动加速度信号基频成分的关系曲线，得到了负载电流为零时变压器振动信号基频成分的幅值，这个值与空载情况测得的振动信号基频成分相当，说明了利用这种方法可以提取出变压器铁心振动信号的基频成分。文中最后利用负载电流法对于铁心故障进行了监测，并与小波包分析法进行比较，结果证明了这种方法可初步判定铁心的状况。     

基于遗传优化支持向量机的变压器绕组热点温度预测模型

油浸式电力变压器的运行寿命及负载能力与绕组热点温度密切相关。精确预测变压器绕组的热点温度,是有效预防变压器热故障、准确预测变压器运行寿命和优化变压器设计的关键技术之一。论文研究了绕组热点温度支持向量机建模。为提高模型预测的精确度,选用径向基核函数优化模型结构;利用遗传算法对参数进行寻优。结合实验室模拟温升变压器绕组温度实测数据,提取输入和输出的特征量,并划分训练集和预测集,建立了基于遗传优化支持向量机的变压器绕组热点温度预测模型。实验表明:应用本文模型预测结果与实测值基本一致,优于BP神经网络以及Elman神经网络的预测结果。     

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。     

变压器负载条件下提取铁心振动信号基频成分方法的研究

振动法是诊断变压器运行中潜伏故障的一种有效手段,不仅能够检测出故障绕组,还能检测铁心的状况,对其进行充分的研究有良好的应用前景。本文介绍了变压器铁心振动的起因,提出了一种不必空载运行变压器即可取得变压器铁心振动信号基频成分的方法。通过设计的测试系统,本文模拟变压器实际运行时的情况,测量了不同负载电流及空载情况下变压器本体的振动加速度信号。通过拟合的负载电流与振动加速度信号基频成分的关系曲线,得到了负载电流为零时变压器振动信号基频成分的幅值,这个值与空载情况测得的振动信号基频成分相当,说明了利用这种方法可以提取出变压器铁心振动信号的基频成分用于铁心的在线监测。     

基于振动特征的变压器绕组与铁心故障诊断方法

<正>变压器运行状态与变压器油箱表面振动特征密切相关。应用变压器绕组与铁心信号分离技术,提出一种基于振动特征的变压器绕组与铁心故障诊断方法。通过计算变压器绕组与铁心实时振动信号与原始振动信号相关系数与幅值系数。实现对变压器运行状态的实时监测。试验结果显示,该方法能对绕组及铁心的运行状况作出有效判断,为变压器运行故障诊断提供重要理论依据。     

基于BP神经网络的变压器振动信号分离方法

电力变压器是电力系统中最重要的电力设备之一,其运行可靠性关系到电力系统的安全稳定运行,因此变压器故障诊断一直备受研究人员关注。基于油箱表面振动信号的机械故障诊断方法,因其测量系统与变压器没有直接电气连接,抗干扰能力强而受到广泛研究。传统的振动信号分析法一般分析变压器油箱表面的混叠信号,无法有效分别评估绕组与铁心的机械状态,因此,开展变压器油箱表面振动信号分离技术的研究具有重要意义。提出基于BP神经网络的变压器油箱表面振动信号分离技术,分离得到的铁心振动信号波形相似系数平均值为0.813,绕组振动信号波形相似系数平均值为0.834,效果理想,为有效评估绕组和铁心机械状态提供了重要的技术手段。     

基于振动信号统计特性的变压器绕组状态监测

运行中的变压器振动信号与其绕组状态密切相关,为深入挖掘变压器振动信号的变化规律,实现绕组状态的准确监测,本文从在运变压器的振动监测信号特性出发,通过对预处理后的变压器振动信号进行系统聚类,得到了变压器绕组振动特征曲线,进而根据变压器振动信号的统计特性即T2控制图对绕组状态进行监测分析。对某500k V变压器振动在线监测信号的分析结果表明,所提出的系统聚类方法能够有效地提取变压器振动信号的特征,依据振动信号的T~2控制图可以准确地判断变压器的绕组状态。研究结果可为基于振动信号的变压器绕组状态监测提供重要依据。     

绕组振动信号监测法中测试位置的影响与分析

振动法能有效地检测变压器运行中的绕组状况。应用振动测试系统研究了不同负载电流和压紧状况下连续式绕组不同位置的振动信号以及测量位置对振动信号基频分量幅值的影响 ,还初步分析了压紧状况变化对不同位置的绕组振动信号的影响。基于此确定了可更好地提取振动信号特征向量的测试位置     

在运变压器表面不同测点振动特性分析

运行中的变压器表面振动信号受多种因素影响,准确把握其特征是振动法分析变压器的基础工作。文中基于小波变换图谱分析技术,分析对比一台正常运行中的变压器表面不同位置、不同时刻振动信号。变压器表面不同位置振动信号分析结果表明,振动基频的2倍频频率分量振幅最大,振动基频2倍频频率分量间相关性最强,并且保持稳定的相位差;不同负载电流条件下的振动信号分析表明,振动信号高频部分主要受源自电流激励的绕组振动影响;同位置不同方向振动信号对比分析说明,垂直表面方向振动最为剧烈且频谱分量最为丰富,各个方向的振动信号中基频的2倍频频率分量振幅最大,相关性最强且相位差保持稳定。文中工作为振动法分析变压器运行状态和故障诊断提供参考。     

变压器绕组振动监测技术研究综述

变压器绕组状态的监测分析是及时发现故障隐患、确保其安全可靠运行的重要手段,振动分析法从变压器绕组的机械动力学特性出发,根据监测到的振动信号中所包含的设备信息对绕组状态进行分析评估,在变压器绕组状态监测领域发挥着重要的作用。从变压器绕组振动监测技术的基本原理出发,分别从变压器绕组振动特性的建模计算与试验研究、基于振动信号的变压器绕组状态监测方法等方面综述了近年来变压器绕组振动监测领域的重要研究成果;最后,探讨现有变压器绕组振动监测领域的存在问题及相关研究方向,为今后变压器绕组振动监测技术的发展提供参考。     

一种基于加权马尔科夫链修正的SVM光伏出力预测模型

构建高效的光伏出力预测模型,能减少光伏出力随机性对电力系统的冲击。考虑光伏发电的随机性和不稳定性,提出用加权的马尔科夫链修正SVM预测模型,以提高预测精度。首先建立SVM光伏出力预测模型,预测未来1天的出力曲线。然后基于均值-均方差方法对预测残差进行分级,以残差序列标准化的各阶自相关系数为权重,运用加权马尔科夫链模型,预测残差的未来状态。最后根据未来状态空间的阈值对SVM预测结果进行修正。将此模型应用到某光伏发电系统的出力预测实例中,仿真结果表明,修正后的模型预测精度更高,模型具备可行性和有效性。     

基于 IDBO-ARIMA 的电力变压器振动信号预测

为解决电力变压器振动信号因非平稳特性而导致难以预测的问题,提出一种基于改进蜣螂优化算法的差分整合移动平 均自回归预测模型。 首先,利用 ADF 检验和 KPSS 检验对变压器原始振动信号进行平稳性检验,若不平稳则进行差分处理直至 信号平稳。 其次,通过在蜣螂优化算法中引入周期突变机制以提升算法的寻优能力,并利用改进后的蜣螂优化算法对差分整合 移动平均自回归模型参数 p 和 q 进行定阶,实现对变压器振动信号的预测。 最后,利用某个 0. 4- / 0. 4-kV,15-kVA 三相双绕组 干式变压器实际采集的振动数据,验证所提出模型的有效性。 仿真结果表明,该模型的平均绝对百分比误差可达 3. 77%,而差 分整合移动平均自回归模型、长短时记忆网络、循环神经网络和卷积神经网络的平均绝对百分比误差分别为 5. 34%、4. 74%、 5. 03%、5. 40%。 因此,所提出的模型可以实现变压器振动信号的精准预测。