基于符号动力学的变压器内部故障检测

电力系统的安全运行与其枢纽设备变压器的可靠性直接相关,因此变压器的状态检修是必不可少的。在实行状态检修时,需要对变压器的运行状态做出精确评估,变压器内部故障程度是决定是否需要检修的一个重要标准。本文通过模拟变压器的匝间故障,获取故障状态下的一次电流信号,采用基于符号动力学的方法符号化电流数据,建立信号差异测量机制对数据进行分析。仿真表明在匝间阻抗下降时,该方法可有效地检测出故障信号与正常工作信号的差异,为状态检修提供了坚实依据。在此基础上,本文在变压器内部故障的现场数据上进行了同样的分析,证实了符号动力学在检测变压器内部故障上的有效性。     

一种基于变压器状态时间模拟的全寿命周期成本计算模型

随着人工智能技术的兴起,大数据技术与设备运维检修融合是电力行业的发展趋势。为了衡量基于大数据的状态检修策略在变压器运维检修中的经济性,本文针对状态检修和基于大数据状态检修的特征对分别对变压器全寿命周期的检修计划进行排布,并提出一种新的变压器全寿命周期成本模型——基于变压器状态模拟的全寿命周期费用分析模型。在该模型中,将变压器的运行状态划分为可用与不可用两种,并利用蒙特卡洛方法对变压器全寿命周期的可用状态和不可用状态的时间序列排布进行模拟。在此基础上,分别构建出不同状态下变压器的成本计算模型。最后,选取典型的变压器运检案例进行测算分析,分析表明:对于220k V变压器,应用基于大数据的状态检修策略相比状态检修策略在全寿命周期成本约节约500万元,经济性更为突出。     

基于滑动窗口和聚类算法的变压器状态异常检测

在线监测数据在变压器运行状态中发挥出重要角色,而传统的异常状态检测一般基于阈值判定法,难以及时发现变电设备的异常情况,甄别噪声数据。针对上述问题,根据变压器在线监测数据中异常值特点,提出了一种基于滑动窗口和聚类算法的变压器状态异常检测方法。首先,利用时间序列和滑动窗口对多维的在线监测数据流进行筛选,记录异常点的发生时间和类型,建立候选异常数据集合的判断模型;其次,基于无监督的k-means聚类方法建立多元特征量数据点的异常检测模型,并用于在线监测实时数据的异常检测,判断异常时刻与异常类型。通过某变电站的油中气体数据对本文算法进行了验证,结果表明,该方法可以实时检测在线监测数据流中因运行状态变化而产生的趋势异常,并祛除少量传感器噪声或突变值的影响,具有较高的实用价值。     

基于符号动力学的变压器内部故障检测

针对变压器状态检修,本文提出了基于符号动力学对变压器内部故障进行在线检测的方法。此方法无需外部传感器,可以快速有效发现变压器潜在内部故障以及严重程度。首先建立起变压器内部故障非线性数学模型并仿真出不同程度的匝间短路故障,获取源边非线性电流信号并符号序列化,对符号化后的序列构建马尔科夫概率转移矩阵并建立起信号异常度测量机制。仿真结果表明随着匝间短路故障程度的加深,符号动力学方法能够有效诊断出对故障电流信号与正常信号之间的差异,此为变压器状态检修提供了坚实的依据。在此基础上,本文结合现场故障数据进行了验证分析,进一步证实了符号动力学在检测变压器内部故障上的有效性。     

群组电力变压器分级状态评估方法分析

针对目前群组变压器状态评估方法无法全面掌握设备故障风险信息、准确制订在运变压器检修策略的问题,提出基于全维度故障风险信息的群组电力变压器运行状态精准诊断方法。该方法通过完善变压器不良运行工况和家族缺陷等基础数据,通过分级管理改进了群组变压器评估体系。在此基础上制订了电力变压器绕组变形标准化诊断管理流程,基于电容—电抗联合分析法,定量诊断绕组变形程度与变形位置,最终实现通过对群组变压器历史数据分析提前发现非停电设备重大隐患的目的,改变了变压器故障后检修的被动局面。     

铁路智能变电站变压器状态数据挖掘研究

针对高速铁路电力能源大量消耗、变压器用电安全、寿命状态管理等难题,提出一种基于数据计算建模的铁路智能变电站变压器温升仿真计算,以评估其使用寿命损失和容量优化配置情况。同时结合数据挖掘模型设定、流程分析,研究变压器随机性负荷事件与其寿命风险影响程度的关系;通过训练数据挖掘模型、数据校验,判断变压器运行状态和动态巡视检修的最佳时间,及时进行风险控制;根据事故状态指导巡视检修工作,实现由原先的计划检修转变为动态检修,减少人员传统巡检工作量。为高速铁路变压器寿命健康管理提供技术支撑,有助于推动铁路电力行业设备动态巡检的发展。     

基于贝叶斯分类器的电网变压器状态评估研究

状态检修的大规模推广对准确高效进行变压器状态评估提出了更高要求。通过对变压器监测和电气试验进行分析,选取了反映变压器运行状态的核心指标建立变压器评估指标体系,并给出了指标评分模型和隶属度函数。基于贝叶斯理论并考虑包含当前监测数据在内的多个时间维度的变压器监测数据,提出了一种基于贝叶斯分类器的变压器状态评估方法。通过对某地电网中变压器实际运行数据进行分析,对变压器运行状态做出了准确评估,验证了所提方法的有效性和实用性。     

基于电力大数据的配电变压器状态评估方法

配电变压器运行状态直接关系到供电安全可靠性,从电力大数据应用角度,提出了一种基于电力大数据的配电变压器状态评估方法。首先定义了配电变压器运行状态指标体系,包括电压、电流、负载率、三相不平衡度和功率因数五类评价指标。其次为了评估每台配电变压器运行状态,提出了配电变压器理想运行状态,基于灰色分析量化了待评估配电变压器的各个指标灰色关联值。然后基于模糊聚类理论将所有待评估配电变压器看做同一论域进行模糊聚类分析,为供电公司巡视检修计划提供决策支撑。最后利用MATLAB编程进行算例验证,证明了该方法的有效性和可行性。     

一种引起变压器铁心接地电流带电检测数据异常的新问题

随着状态检修模式的深入开展,通过分析变压器铁心带电检测数据可以简单有效的判断变压器铁心的运行状况,做出相应的检修决策。然而,我局检修人员在对变压器铁心带电检测工作中发现:变压器二次设备引下线缠绕铁心接地引下线同样也会引起带电检测数据异常。本文通过介绍这一问题的分析、排查及处理过程,为今后带电检测数据异常分析提供一定的指导经验。     

基于大数据分析的智慧变压器专家诊断系统研究

文章提出了一套基于大数据分析的智慧变压器专家诊断方法。通过对实时状态信息、离线数据与历史大数据进行分析,形成智慧化的结果信息,为变压器智能控制、电网优化运行和变压器检修策略优化提供不可替代的信息支撑。     

基于SMOTE和决策树算法的电力变压器状态评估知识获取方法

提出基于合成少数过采样技术(SMOTE)算法和决策树算法的电力变压器状态评估知识获取方法,首先针对变压器非正常状态样本数量较少的情况,采用SMOTE算法补充非正常状态样本数量,解决了变压器样本集类别不平衡问题。然后将变压器状态评估过程视为分类过程,利用决策树模型为白箱模型的特点,将变压器状态评估知识获取问题转化为构建决策树的问题。最后采用C4.5决策树算法构建决策树,从中提取变压器状态评估知识,得到关键变压器状态量和评估规则。以某地市级供电公司110 kV电压等级油浸式变压器实际数据开展实例分析,结果表明所提出的方法能实现状态评估知识的自动化获取,可以为该地区110 kV油浸式变压器的状态评估工作提供决策支持。     

基于大数据挖掘的电力变压器健康状态差异预警规则策略

考虑到模糊边界问题以及变压器个体之间的差异性特征,提出了一种基于大数据挖掘的电力变压器健康状态差异预警规则策略。应用模糊C-均值法辨识变压器的最优特性,通过概率图验证该方法能最大限度地反映变压器的个性化特征,且所选特征下的全套溶解数据符合Weibull模型。然后对溶解气体分布特征与缺陷/故障率进行关联分析,计算出相应的报警阈值。将气体浓度和气体增加率与已建立的警告相关联,可以识别变压器的运行状态。在此基础上,提出了基于不同阈值的预警规则,并将其应用于现场运行的变压器。试验结果表明,提出的方法准确率高达98.21%,证明了提出方法具有良好的状态监测性能。     

基于辨识模型的变压器故障诊断方法研究

提出了一种基于辨识模型的电力变压器绕组变形和铁心松动的故障检测方法。根据变压器的运行特点,结合其正常状态和故障状态下不同的振动特性,利用安装在变压器表面的振动传感器监测振动信号,对振动信号进行频谱分析,并根据振动特征频谱判定变压器中是否存在绕组变形和铁心松动故障,实例验证了该方法的正确性。     

基于模糊层次分析法的变压器状态评估

变压器状态评估是一个系统的过程,选取合适的方法能够快速地对其运行状态进行准确的评价。综合变压器的特点提出了一种基于模糊层次分析法的变压器状态评估方法。该方法在合理运用模糊层次分析法的同时克服了主观因素的缺陷,通过历史统计数据确定模糊判断矩阵,并通过模糊层次分析法计算权重,采集现场状态量数据对各层次状态评分加权求和,最终确定变压器整体健康状态。此方法同时考虑现场实测数据和历史统计数据,计算结果准确,过程清晰。代入实际数据后,计算结果表明该方法能够准确评估变压器运行健康状态,若变压器处于非正常状态,则通过各故障类型打分分析判断具体异常原因。所提方法在进行变压器状态评估时具有广阔的应用前景。     

灰色定权聚类和变权模式在变压器状态评估中的应用研究

针对变压器状态评估因素具有模糊性与灰色性的特点,定权重不能准确评估变压器状态等问题,提出一种基于灰色定权聚类和变权模式的状态评估方法。应用该方法逐层评估变压器状态。首先,引入关联规则中的置信度确定指标定权重矩阵,并对指标进行统一化处理;根据变压器状态等级划分,建立三角白化权函数,利用灰色聚类得到聚类系数矩阵和故障层的状态评估结果;然后,利用变权综合模式获得变权重系数,进而采用模糊评判法评估变压器综合状态。以变压器试验报告数据为依据进行实例分析,结果表明,所提出的变压器状态综合评估方法能够客观、准确地评估变压器状态。     

基于熵权层次法的油浸式变压器绝缘状态评价

为有效评估油浸式变压器的绝缘状态,文中提出一种综合主观专家经验和指标退化程度的熵权层次法。首先,基于油色谱、环境温度和缺陷信息等指标构建用于绝缘状态评价的层次结构,根据专家经验对各个指标进行主观权重分配;接着,采用组合权重的方法,在指标层权重分配上引入熵权权重,从而在保留专家经验对准则层判断的情况下,对底层权重进行动态调整,体现变压器运行过程中的差异性;然后,将变压器的绝缘状态从常见的4种扩展为5种,实现对绝缘状态更准确的感知;最后,4台500 kV变压器的实例分析表明,相较于仅采用主观权重或客观权重,文中提出的方法可以有效识别运行状态正常的变压器并甄别异常变压器。     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

基于声纹压缩和代价敏感的变压器状态检测评估方法

声纹检测技术可以助力巡检人员对变压器状态进行检测和评估。该文提出了一种基于声纹压缩和代价敏感的变压器状态检测和评估方法。该方法首先提取变压器音频的声纹特征,然后对声纹特征在频率维度上进行筛选和压缩,最后使用卷积神经网络评估变压器状态,并引入代价敏感损失函数提高对难检出样本的关注度。以某35kV变压器为对象,通过收集现场音频、模拟实验和样本扩充得到变压器音频数据集。测试结果表明,该文所提的方法将声纹维度从1025维降低到80维,计算量和显存分别降低到8.1%和7.7%。同时,声纹识别准确率达到83.5%,并将最难检出的短路电流异常状态的召回率从48.2%提升至63.6%。     

基于二维特征提取方法与混合神经网络的接触式采集110 kV三相三绕组变压器无载调压异常

异常放电是电力变压器中一种潜在的危险故障,若未及时检测可能导致严重的安全事故。采用接触式拾音器收集变压器箱体内异常放电声纹信号,并提出了一种特征提取方法和一个深度神经网络结构,以实现对变压器异常放电的高效识别。首先,设计了一种结合梅尔频率提取和关键频率提取的二维声纹特征提取方法。其次,提出了一种基于卷积神经网络和Transformer网络的混合二维特征识别模型,能够在确保识别速度的同时准确辨识异常放电声纹信号。通过对110 kV三相三绕组变压器无载调压试验过程中采集的放电数据进行试验分析,所提方法相较于ResNet50识别速度增加约0.16秒/样本,同时识别效果提升了4.5%。     

基于图像处理的变压器渗漏油检测

在无人值守变电站中,电力变压器作为常用和主要的设备,其运行状况必须能实时监测,当出现异常状况时应给出相应的报警.提出了一种基于颜色特征的变压器渗漏油检测方法,通过差分法检测出异常区域,对异常区域的H-S颜色直方图进行分析,当前后图像的黄褐色部分变化较大时可认为其发生了渗漏油异常.实验表明,此方法简单易行,能较准确地检测出变压器的渗漏油异常,并能很好地消除影子对检测结果的影响.