电力变压器绕组变形特性仿真分析与匝间短路故障诊断

电力系统十分复杂,包括变压器、继电器以及发电机等多个电力设备,以保障安全稳定运行。其中电力变压器为电网结构中的重要设备之一,一旦发生故障,将直接影响电力系统电能的正常供应,引发停电事故。近年来,随着我国电力技术的不断发展,虽然电力系统的安全性和稳定性得到基础保障,但是由于居民用电量的增加,电力技术要求相应提高,在电力输电容量水平逐渐提升的前提下,外部输电线短路故障时有发生,进而造成变压器无法正常运行。绕组变形故障是变压器绕组故障中的常见类型,本文通过对电力变压器绕组变形特性展开仿真分析,明确当变压器等值电路中各电路参数发生变化时,将使绕组频响曲线呈规律性改变,并论述匝间短路故障诊断方法,如重复脉冲法。     

基于遗传神经网络的发电机转子匝间短路故障辨识

针对BP神经网络对发电机转子匝间短路故障识别方法存在收敛速度慢且极易陷入局部最优解的不足,在分析发电机转子绕组匝间短路后的电磁特性及电机气隙磁场的基础上,提取了故障特征量,采用遗传神经网络法对发电机转子匝间短路故障进行辨识,通过引入遗传算法对BP神经网络进行权重和阀值优化,使模型具有全局寻优、收敛速度快及评价结果客观、准确的优点,并且避免了为得到故障样本所做的损坏性试验过程。仿真结果表明了该方法的可行性和有效性。     

基于虚拟仪器技术的异步电机定子匝间短路故障在线监测系统

为实现对异步电机定子匝间短路故障进行在线监测,提出了一种基于虚拟仪器技术的故障监测系统设计方法.以高性能ARM微处理器S3C2410X作为电机物理量采集的核心,利用LabVIEW7.0虚拟仪器开发平台计算电机定子负序电流,并考虑电机绕组先天不平衡因素,定义了故障灵敏度因子反映匝间短路故障程度.实验结果表明:该系统有较好的可靠性和实时性,并具备较强的匝间短路故障辨识能力,方法可行.     

基于人工神经网络的发电机转子绕组匝间短路故障诊断

人工神经网络是基于模仿人类大脑的结构和功能而构成的一种信息处理系统,具有很多与人类智能相似的特点,应用人工神经网络可以实现准确、及时的故障诊断,因而人工神经网络在电力等系统的故障定位、故障类型识别等故障诊断中有着很好的应用.     

水泵电机匝间短路的分析

分析水泵电机匝间短路的书写模型,通过实例分析匝间短路的物理现象,从而说明加强电机匝间短路检测的重要性。     

基于FEPG的电动机匝间短路温度场分析

基于电动机匝间短路故障与定子电阻、电流、槽内导体损耗之间的定量关系。提出了电动机匝间短路温度分析有限元计算模型,研究了匝间短路位置和故障程度与电机温升之间的关系．并运用有限元分析软件FEPG对电动机空载、满载及匝间短路故障后的温度场进行了仿真计算．证明该模型是正确的。     

电力变压器短路故障原因分析

介绍了变压器绝缘损坏的主要原因,针对一起10kV变压器故障进行了分析,阐述了变压器故障发生过程及机理,指出了变压器受潮是导致短路故障的主要原因,提出了相应的预防措施。     

干式空心电抗器匝间短路故障暂态特性仿真研究

从理论上分析了干式空心电抗器从正常运行状态到匝间短路故障状态下的匝间短路动态过程,建立了暂态电路耦合计算模型,并利用ANSYS Maxwell软件模拟了匝间短路故障的暂态特性,提出了通过安装在电抗器封装上的检测线圈实现对电抗器短路位置引起的磁场突然变化的检测方法。通过实验研究表明,采用本文提出的方法可以在较早的故障期间检测到匝间短路故障。     

基于风速时空分布的双馈风力发电机定子绕组匝间短路故障特性分析

考虑由风剪切和塔影效应引起的叶轮扫掠面内风速时空分布,研究考虑风速时空分布的双馈风力发电机组机械和电气故障特性。首先,建立了考虑风速时空分布的等效风速模型,分别推导得到了考虑风速时空分布前后的风力发电机组机械转矩、转速,正常运行时和定子绕组匝间短路故障时定子电流的解析表达式及其变化特性;其次,在Matlab/Simulink平台搭建双馈风力发电机模型和故障模型,对定子电流进行频谱分析;最后,在风力发电机组故障模拟实验台进行了实验测试与研究。结果表明：考虑等效风速后,定子绕组匝间短路故障时定子电流中除了基频和基频的奇数倍,还会有调制频率3kf_w。     

大型汽轮发电机转子绕组匝间短路故障的诊断研究

通过对24 MW汽轮发电机内部转子绕组匝间运作时出现的短路故障的分析和讨论,并结合积累的运行经验,对其故障诊断技术所存在的问题及其特点进行深入性的探讨.据此提出了转子绕组匝间发生短路故障的几种常见形态,同时,在各种状态模式下,对所选用的检测方法的适用性进行了有效评价,为未来一段时间内进一步提高匝间短路故障的检测以及诊断水平提出了一些建议.     

广域行波信息与图注意力网络相结合的 输电网故障定位

融合电网中诸多的行波测点信息能够提高故障定位的精度和可靠性,但目前尚缺乏一种能够结合网络拓扑、自适应地确定不同故障位置下各测点重要度的多源行波融合定位方法。因此,提出了广域行波信息与图注意力网络(GAT)相结合的输电网故障定位方法。首先,将全网行波测点及测点间的架空线作为节点和边构建广域行波图数据,行波信号的变分量模态分解(VMD)分量作为节点特征。GAT根据各测点的拓扑关联挖掘广域行波特征,并选定故障线路、输出表征测点重要度的自适应权重。进一步地,利用该自适应权重融合多源行波信息以测算精确的故障位置。结果表明,本文方法能够定位多种类型的线路故障,诸多故障位置下的测距误差均在100 m以内;相较于传统方法,减少测点时优势更加显著,不同故障位置下的定位精度提高了20～400 m不等。     

一种基于BP神经网络模拟电路故障诊断新方法

模拟电路故障诊断就是一个模式分类识别问题。本文提出了一种新的模拟电路故障特征向量提取方法——分布节点电压和电流的组合信息作为模拟电路的故障特征向量,应用BP神经网络改进算法进行模拟电路故障诊断,实验证明所提出的方法是可行的。也是很有价值和潜力的。     

基于BP网络的GIS局部放电声电联合检测故障定位方法

如何快速定位GIS放电位置,是局部放电在线检测的关键。基于超声波和超高频多传感器信息融合局部放电联合定位方法,是将来自放电位置这一目标的多源信息加以智能合成。声电联合定位检测系统采用到达时间差TDOA法,利用BP神经网络对超声波和超高频法的传感器采集数据进行融合。最后通过仿真验证,得出其定位准确率较单一方法大大提高。     

基于模糊神经网络的电力变压器故障诊断研究

将模糊控制和神经网络理论相结合,通过遗传算法对其参数进行优化,有效地解决了常规模糊理论不能自学习和神经网络算法易陷入局部极小、收敛速度慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,实例仿真结果表明该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性。     

神经网络结构与算法对变压器故障诊断的影响

BP神经网络算法本质上是基于梯度下降的一种迭代学习算法,存在学习收敛速度慢、收敛精度低、易陷入局部极小、学习率难以选取、隐层数及隐层神经元个数难以确定等缺陷。为了选择出更适宜变压器DGA故障诊断的神经网络结构及算法。本文采用了常用的几种智能算法对变压器故障样本进行了诊断性能对比实验。结果得出Levenberg-Marquardt神经网络算法是收敛速度较快的算法,有动量和自适应的梯度下降法是收敛稳定性较佳的算法;网络最优结构设计过程。为用于变压器DGA故障诊断的神经网络的结构和算法提供了系统化的试验方法。     

基于非同步电压的T型输电线路故障定位新方法

针对T型输电线路,提出了一种利用非同步电压相量进行故障定位的新方法。该方法首先运用对称分量法和线性叠加原理建立了故障后的附加正序网络,并且定义了故障点的搜索指标。进而基于该指标运用遍历搜索方法寻找故障点的位置。该算法仅利用电压幅值进行计算,因而避免了由电流互感器饱和所带来的误差影响,且无需电压同步。基于PSCAD的仿真实验表明该方法能够有效地定位T结构线路的短路故障,并且不受故障类型、过渡电阻等因素的影响。     

基于模糊神经网络的锅炉系统故障诊断研究

在介绍人工神经网络的基本原理和基于神经网络的锅炉系统故障诊断原理的基础上,将模糊逻辑引入了神经网络,研究了集成的模糊神经网络在锅炉系统故障诊断方面的应用,并给出了锅炉样本的一个实例训练过程及测试结果,与传统的标准BP网络算法对比,证实了该方法在锅炉的故障诊断方面能够取得更好的效果。     

基于CEEMDAN-SQI-SVD的齿轮箱局部故障特征提取

经验模态分解(EMD)及以其为基础发展而来的方法在故障诊断领域中得到广泛应用,对于分解后固有模态函数(IMF)的有效选择及基于有效IMF故障特征的准确提取至关重要。为更高效地解决此类问题,提出一种基于具有自适应白噪声的完整集成经验模态分解(CEEMDAN)结合信号质量指数(SQI)算法与奇异值分解(SVD)的齿轮箱局部故障最优特征提取算法。以具有不同故障级别的齿轮局部裂纹进行试验验证方法的有效性,通过试验获取原始数据并进行CEEMDAN分解,利用SQI进行有效IMF选取,再结合SVD对有效IMF进行分解以获取最优特征向量,并输入至BP神经网络进行训练与测试,最后将测试结果与数种常规方法进行比较。结果表明,针对齿轮箱的局部故障,提出的CEEMDAN-SQI-SVD算法识别精度高,并优于数种常规方法。