基于MPE和灰色关联度的高压并联电抗器故障诊断方法

从非线性动力学角度实现高压并联电抗器故障诊断,提出了基于多尺度排列熵(multi-scale permutation entropy,MPE)与灰色关联模型的电抗器内部松动故障诊断方法。本文设计实验方案为采集电抗器不同机械状态下的振动信号,以MPE对采集的信号进行特征提取。针对MPE曲线中所存在的部分交叉现象,采用区间化方式对特征值进行预处理,最终结合灰色关联模型对处理后的特征量进行状态识别。实验结果表明:基于MPE和灰色关联度的故障诊断方法能有效地提取电抗器内部松动的故障特征,区间化方式较传统预处理方式具有更高的故障识别率,研究结果从非线性动力学角度为高压并联电抗器故障诊断提供了理论依据。     

基于BP神经网络的电抗器铁心柱轴向松动诊断∗

油浸式高压并联电抗器是电力系统中重要的设备之一,而铁心柱轴向松动是高压并联电抗器常见的机械故障,可以通过测试振动信号对其进行有效诊断.探讨了高压并联电抗器振动机理,分析了并联电抗器振动信号的频谱特征.以油浸式高压并联电抗器模型为研究对象,提出了借助BP神经网络预测油浸式高压并联电抗器振动信号,将预测信号与实测信号相对比,诊断并联电抗器铁心柱松动的方法.研究结果表明,所提方法可以有效诊断油浸式高压并联铁心电抗器铁心柱轴向松动.     

基于交叉小波变换的高压并联电抗器故障诊断方法

为了实现高压并联电抗器智能化诊断,提出一种基于交叉小波变换的电抗器故障诊断方法.搭建振动信号测试平台,采集不同条件下的电抗器振动信号,对比分析了电抗器三种状态下的交叉小波功率谱,通过图谱中颜色、显著性水平曲线与相角变化对电抗器故障进行定性分析;确定了信号的特征频段,提取特征频段中RGB参数与相角信息构造特征矩阵;采用矩...     

基于振动信号的高压并联电抗器故障诊断方法与监测系统研制

通过研究高压并联电抗器表面振动信号的幅频与分布特性,结合斯皮尔曼相关性分析,寻找并验证能够表征高压并联电抗器机械故障状态的特征参数,将振动信号的分段离散功率谱、主成分系数等参数组成特征向量,综合K-临近算法、支持向量、神经网络等多种机器学习方法实现对高压并联电抗器机械故障的诊断。在此基础上研发了一套在线监测系统,具有信号采集分析、故障诊断预警、数据智能采样存储、特征观察分析等功能。经实验测试表明,该系统诊断准确、性能稳定、方便智能,具有一定的实用价值。     

基于CRP和RQA的高压并联电抗器振动信号分析

并联电抗器油箱表面的振动信号与电抗器绕组和铁心的状态密切相关。因此,可以通过振动信号来监测并联电抗器绕组和铁心状态。本文针对电抗器振动信号的非线性特征,提出了一种基于交叉递归图(CRP)与递归量化分析(RQA)相结合的信号处理方法,对铁心饼上表面振动信号与油箱表面多个测点信号的相关性进行研究。实验结果表明,该方法不仅能定性描述电抗器不同测点信号的相关性,还可利用提取的RQA参量对递归现象定量表述。研究结果从非线性动力学角度为高压并联电抗器振动敏感区域确定及振动测点选取提供了依据。     

基于小波理论的电力变压器振动信号特征研究

通过监测电力变压器的器身振动信号预估变压器机械故障的振动法的关键在于如何从振动信号中提取有效特征。为有效诊断铁心和绕组的机械状态,利用小波变换对变压器振动信号进行时域与频域综合分析,提出基于频段—能量分布的变压器铁心和绕组机械故障诊断新方法。试验结果表明,小波变换能够有效地提取振动信号的特征,得到实时振动信号各频段上的能量分布状态,据此可有效在线诊断变压器机械故障。     

基于两轴振动和多传感器融合的变压器绕组机械故障诊断

针对传统变压器绕组机械故障诊断方法中，仅考虑绕组单一方向振动信号且特征参数提取复杂、识别准确率低的问题。本文提出了一种基于两轴振动和多传感器融合的变压器绕组机械故障诊断方法。首先从绕组轴向、辐向振动相关性角度提出两轴振动关系图形作为特征图像；然后采用轻量级卷积神经网络MobileNet V2对不同传感器获得的图像数据进行训练；最后利用D-S证据理论对多维信息源识别结果进行融合，并做出最终决策。实验结果表明所提方法故障诊断准确率可达99.4%,与传统故障诊断方法相比，简化特征提取步骤，诊断准确率提高了6.2%以上，为变压器绕组机械故障诊断提供一种可行方案。     

基于箱体振型特征的油浸式电抗器绕组松动识别方法

通过分析高压并联电抗器油箱表面振动加速度信号可以得到电抗器内部机械状态信息,从而有利于避免电抗器事故的发生。本文针对一台500 kV油浸式铁心电抗器搭建了振动实验平台,首先对油箱表面均匀分布测点的振动加速度信号进行相位校准并获取运行变形振型(ODS)图像,通过升压实验分析了电抗器表面振型分布与电压之间的关系,借助灰度共生矩阵提取电抗器在不同机械状态下的ODS图像纹理特征并进行对比分析。研究结果表明：运行电压下电抗器ODS分布不变,当绕组发生松动时,电抗器表面ODS图像的纹理特征发生变化,其灰度共生矩阵的能量增大,相关性减小,逆差距增大,从而验证了本文绕组松动识别方法的有效性,为高压并联电抗器故障诊断提供了参考。     

基于智能理论的高压断路器机械故障诊断

文中对高压断路器机械故障诊断方法进行了研究,通过监测高压断路器合闸操作振动信号,提出了一种基于小波分解和支持向量机(SVM)的机械故障智能诊断方法。首先利用小波分解对振动信号进行分解,然后提取出振动信号的低频和高频重构信号的能量并将其作为特征量,最后利用SVM实现高压断路器机械故障的分类。为了验证提出的方法,搭建了高压断路器机械故障诊断软硬件平台,并对现场的高压断路器进行了实验研究。实验结果表明,该方法能有效地完成高压断路器机械故障的诊断。     

基于振动信号的交流中压真空断路器故障诊断技术研究

机械故障是断路器发生的主要故障之一,因此机械状态监测对断路器安全稳定运行至关重要。断路器开断过程中的振动信号包含了丰富的机械特征,可以通过提取振动信号而对设备进行机械故障诊断的研究。文中针对某12 kV交流中压真空断路器,通过自制的断路器在线监测装置采集断路器正常及故障状态下的振动信号,使用短时能量法、总能量分析法及信息熵法对振动信号分析处理。该装置能够捕捉到振动事件的特征信息,区分出正常与故障状态,为断路器机械故障在线诊断技术的实现提供了依据。     

基于经验小波变换的特高压并联电抗器振动信号分析

为有效分析特高压并联电抗器振动信号特征,提出一种基于经验小波变换的特高压并联电抗器振动信号分析方法。该方法通过对信号傅里叶谱自适应的分割,在每个区间内构造正交小波滤波器来提取具有紧支撑傅里叶谱的固有模态,对提取出的模态成分进行希尔伯特变换,得到每一个分量的瞬时频率和振幅;综合仿真信号和实测特高压并联电抗器振动信号,将经验小波变换与经验模态分解两种方法进行探索性对比分析研究。研究结果表明,经验小波变换具有完备的小波理论支撑,可以自适应地设置信号模态分解层数,改善了经验模态分解存在的端点效应、模态混叠等现象,能更准确地体现振动信号的特征,区分特高压并联电抗器的不同运行状态。该方法为特高压并联电抗器振动信号特征提取与安全运行监测提供了一种新的手段。     

基于EEMD和深度自编码器的变压器机械故障声学诊断方法

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。     

基于EWT及多尺度形态谱的高压并联电抗器故障诊断研究

针对高压并联电抗器故障诊断问题,提出一种基于经验小波变换(EWT)、多尺度数学形态谱进行特征提取,采用KernelK-means聚类进行故障模式识别的诊断新方法。首先,将实测三种工况下的电抗器振动信号经EWT分解得到数个模态分量。然后分别计算每个模态分量与原信号的相关系数并按系数大小降序排列,取前4个模态分量构成有效分量向量。再利用多尺度形态谱对有效分量向量进行分析计算,构成一个四维特征向量。最后利用KernelK-means聚类对样本特征集进行分类识别。实验验证,该方法能有效提取电抗器振动信号特征量,能正确识别电抗器所属的不同工况。     

基于改进HHT算法的GIS机械振动信号时频分析

为了研究可现场带电作业的GIS振动信号检测方法,掌握不同机械故障类型下的振动信号特性,建立GIS机械故障诊断数据库,利用110 k V单相分箱GIS设备建立了一套GIS机械故障检测平台。通过构建螺丝松动和互感器振荡两种常见的GIS机械故障,并利用传感器测量GIS正常运行振动信号和两种故障下GIS振动信号,利用总体集合经验模态分解提取振动信号的特征量,再将通过EEMD预处理得到的信号进行希尔伯特变换。实测信号的分析结果说明,采用经EEMD算法的预处理后再进行HT变换的方法对GIS机械振动信号进行时频分析可以有效地处理GIS振动信号,从而建立GIS机械故障诊断数据库,为实现现场带电检测GIS机械故障提供理论依据。     

基于MPE和改进K-means算法的分接开关机械故障诊断方法

随着有载调压变压器在电网应用的增多以及有载分接开关(on-load tap-changer,OLTC)频繁地调节,分接开关的故障率在不断增加。为更有效进行OLTC机械故障诊断,提出一种基于MPE和改进K-means算法的OLTC机械故障诊断方法。首先,模拟OLTC的不同机械故障,采集振动信号;其次,为实现非线性振动信号下OLTC的故障诊断,采用多尺度排列熵(MPE)进行OLTC机械故障状态的特征提取;再次,采用粒子群(PSO)优化的K-means聚类算法诊断OLTC机械故障;最后,将该方法用于OLTC的机械故障诊断,并与传统K-means算法以及BP网络的诊断效果进行对比。结果表明,提出的基于MPE和改进K-means算法适用于OLTC机械故障诊断,诊断效果优于传统K-means算法以及BP网络,且其稳定性较高。     

基于LVQ神经网络的高压断路器机械故障诊断方法

高压断路器作为电力系统的开关及保护设备,其可靠地工作对整个电力系统的安全运行具有很大的意义。为了迅速、精确地诊断高压断路器故障,提出一种基于学习向量量化(LVQ)网络的高压断路器机械故障诊断方法。首先,模拟高压断路器灭弧室机械故障状态,采集断路器的机械振动信号;其次,提取高压断路器机械故障振动信号的小波包能量作为特征量,建立基于LVQ网络的高压断路器机械故障诊断模型;最后,将LVQ网络、思维进化优化(MEA)的LVQ网络、BP网络和RBF网络在网络迭代步数、网络误差以及预测置信度方面进行比较。结果表明,提出的基于LVQ神经网络的高压断路器机械故障诊断方法相比较于其他诊断方法具有一定的快速性,并具有较高的置信度。     

基于S变换D-SVM AlexNet模型的GIS机械故障诊断与试验分析

机械故障是气体绝缘组合电器(gas insulated switchgear,GIS)最主要的故障之一,尚缺乏有效的在线诊断方法。为此该文利用GIS断路器激振能力强的优势,以GIS断路器分合操作为激振源,根据振动信号所包含的设备机械特性信息对GIS各构件的机械状态进行评估。搭建了包含3种GIS典型机械故障的试验模拟测试系统,并提出了一种基于S变换D-SVMAlex Net模型的GIS机械故障诊断方法。利用S变换处理断路器动作激发的非平稳振动信号,得到含有设备机械特征的时频图谱;建立D-SVM AlexNet模型,使用预训练的Alex Net神经网络模型提取S变换图像特征作为预测变量,通过Fitcecoc函数拟合支持向量机(support vector machine, SVM)进行图像预分类,根据模糊矩阵显示的分类结果筛选出有效测点;将有效测点的时频图送入AlexNet进行迁移学习,获得经微调后的神经网络模型。实验验证发现,训练完毕的卷积神经网络的故障诊断训练准确率达到99%,验证准确率达到92%,具备较好的时频图像分类效果,可实现GIS机械故障的有效诊断。     

改进的小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包与特征熵的基础上，将二者结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解，提取第3层各节点重构信号的包络；然后利用正常状态标准信号所得各包络信号的等能量分段方式，实现对应节点待测状态信号包络的时间轴分段，并利用各分段积分能量、按照熵理论提取特征熵向量；最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试，证明该方法检测高压断路器故障简单、准确，为断路器的故障诊断开拓了新的思路。     

基于S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。