基于VMD的变压器绕组松动故障分析与诊断

为了及时有效地诊断变压器绕组松动故障,针对变压器空载合闸振动信号,提出了一种基于变分模态分解(VMD)的分析方法。首先运用VMD对绕组松动前后变压器表面合闸振动信号进行最优模态分解,建立信息熵—峭度—相关系数综合评价模型,并运用熵权—TOPSIS法提取特征模态分量;通过计算变压器振动信号能量熵进一步判定绕组状态;最后搭建测试平台进行实验验证。结果表明,绕组松动和正常状态下变压器振动信号在特征频率和能量分布上均存在明显差异,该方法为变压器绕组松动故障诊断提供了新的思路。     

基于小波包和模糊自适应共振神经网络的变压器绕组状态识别

变压器振动信号中包含了大量状态信息,但难以从中提取有效特征进行绕组松动状态识别。为此,提出了基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy-ART)的变压器绕组松动状态识别方法。首先,设置9种绕组松动状态并进行短路实验,测取油箱表面振动信号;然后对振动信号进行4层小波包变换,提取有效测点状态特征频带的小波包能量构成特征向量;最后将特征向量作为Fuzzy-ART神经网络的输入,对不同绕组松动状态进行识别。实验结果表明,基于小波包的Fuzzy-ART神经网络能对绕组松动状态进行快速、稳定分类,可用于变压器绕组松动状态的在线监测与诊断。     

空载合闸冲击条件下变压器绕组轻微松动预警

本文针对变压器在空载合闸冲击时产生的振动信号,提出了一种基于空载合闸冲击条件下变压器绕组轻微松动预警方法。首先,采用小波变换将变压器空载合闸振动信号转换成时频谱图,然后再提取时频图像的纹理特征和形状特征作为特征向量并输入到支持向量机进行分类识别。试验结果表明,所提方法能准确识别变压器轻微松动故障。     

基于LMD边际谱能量熵与FWA-SVM的变压器绕组松动诊断

变压器空载合闸的振动信号包含了丰富的机械特征信息,为了实现对变压器绕组松动故障诊断,提出了一种局部均值分解(LMD)边际谱能量熵与烟花算法优化支持向量机(FWA-SVM)的方法.通过LMD提取若干反映变压器合闸过程绕组状态信息的乘积函数(Product Function,PF)分量;依据各PF分量相关系数与能量分布,将前6阶PF分量进行希尔伯特变换,并求取对变压器绕组状态变化敏感的边际谱能量熵作为特征向量;将特征向量输入到烟花算法(FWA)优化的支持向量机(SVM)分类器,实现变压器绕组轻微松动故障早期预警.实验结果表明:基于LMD边际谱能量熵能准确反映故障特征,FWA-SVM诊断方法在少量样本情况下仍有较高的故障辨识度.     

低压断路器振动特性分析与合闸同期性研究

针对低压断路器的机械特性,采用小波分解法对其振动信号进行分析。根据电动操作机构及低压断路器合闸动作的时序关系,以驱动电机电流信号作为时间标识,有效地提取了合闸振动信号。提出小波包能量谱分析低压断路器合闸同期性研究,在小波包对振动合闸信号细节分解基础上,采用小波包重构提取合闸振动主频带信号特征,由此构造合闸同期性状态特征矢量,并应用BP神经网络建立三相合闸不同期故障的识别模型。在断路器基座横梁安装单个加速度传感器,实验模拟了DW15—1600低压断路器的四种同期性状态振动信号,仿真结果表明,本文提出的振动信号小波包能量谱与神经网络相结合的方法,可有效地分析低压断路器合闸同期性。     

小波包分析在振动法监测变压器铁芯及绕组状态中的应用

通过分析小波包的特性,提出了一种工于小波包分析得到变压器器身振动的能量特征矢量的方法,该特征矢量可作为变压器铁芯故障诊断的判据。在实验室中,进行了空载条件下变压器铁芯振动的测试。从时域的信号来看,故障后的振动加速度信号幅值比正常状态下有了一些变化,但难以形成确定的判据来衡量电力变压器发生故障程度的大小。对振动信号进行小波包分解,得到基于小波包分析的能量特征矢量,从实验结果可以看出这种方法可有效地判断铁芯是否存在故障。该方法具有良好的应用前景。     

变压器绕组短路振动信号的高低频能量分析

该文对变压器振动情况进行理论分析,设置绕组短路故障,在正常和故障两种状态下进行多次实验,测量正常和故障两种状态下的振动信号。提出一种基于小波-高低频包络谱能量分布提取振动信号特征并确定绕组匝间短路故障阈值的新方法。首先应用小波变换对振动信号进行降噪处理,然后与希尔伯特变换结合,提取振动信号的低频和高频包络,最后对包络信号进行谱分析和能量特征提取,比较正常运行状态和短路故障状态下的能量分布。通过实验得到了故障阈值,表明能量法可用于故障的监测和诊断。     

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。     

基于TVFEMD与中心频率算法的变压器绕组松动故障诊断方法

考虑到变压器振动信号为非平稳的周期信号,文中引入时变滤波经验模式分解(Time Varying Filter for EMD,TVFEMD)和中心频率算法处理。在一台10 kV实验变压器连接额定阻性负载条件下,测试得到绕组正常和松动两种状态下的振动信号,利用TVFEMD对去噪后的振动信号进行模态分解,得到多个模态函数(IMF),然后通过中心频率算法筛选50 Hz～700 Hz频段内的IMF,最后求取各阶IMF能量特征,将其分为低频能量和高频能量,二者比值作为特征量。研究结果表明利用文中特征量提取方法可以实现绕组松动状态的诊断,并且该特征量能够排除变压器常见运行条件变量,如负载率、功率因数、电流谐波的影响,降低了误判风险。     

基于振动信号分形维数的变压器松动诊断方法

基于变压器松动前后振动信号非线性特性的改变,提出采用振动信号时域波形的分形维数作为铁心、绕组松动诊断特征量。文中探讨了分形维数应用于变压器振动信号分析的可行性,根据分形理论,针对变压器振动模拟信号与实测信号分别进行了分形盒维数计算。结果表明,正常状态下不同变压器绕组振动信号分形盒维数集中于1.19,不同变压器铁心振动信号分形盒维数不同,但对于同一台变压器,其铁心振动信号分形盒维数具有稳定值。变压器松动故障后,铁心和绕组振动信号的分形维数均明显增大,分形维数能准确反映变压器正常与松动状态。     

振动频谱特征值在诊断变压器故障中的应用研究

<正>常运行中的电力变压器的振动主要来自于变压器铁心和绕组的振动,振动信号中包含了丰富的能够表征变压器状态的信息。文章在1台10/0.4 k V三相双绕组电力变压器中设铁心松动、绕组松动、绕组幅向错位故障,利用基频、幅值、主频率、频率比重以及频谱复杂度等振动特征量,研究了变压器绕组在上述故障条件下油箱表面的振动变化规律。研究结果表明,三种故障条件下的频谱复杂度均会降低,绕组松动和铁心松动中的振动基频会升高,绕组错位中的基频振动会降低。文中的结论对基于振动信号分析法的电力变压器诊断具有借鉴意义。     

变压器绕组松动故障的混沌特征分析方法

为了更加有效地对变压器绕组松动故障进行监测与识别,提出了一种变压器绕组松动故障的混沌特征分析方法。首先,针对振动信号的混沌动力学特性,采用互信息量法和G-P算法分别确定延迟时间和嵌入维数,对变压器振动信号进行相空间重构;其次,通过判断最大Lyapunov指数是否为正,进而证明变压器振动信号的混沌特性,在此基础上分析不同程度的绕组松动故障对相空间轨迹变化的影响;最后,将关联维数、Kolmogorov熵和最大Lyapunov指数作为一组混沌特征用以量化变压器绕组发生松动故障前后振动信号的混沌特性。结果表明：变压器振动信号的最大Lyapunov指数均大于0,证实了其具有混沌特性,所得到的混沌特征能够有效反映变压器绕组松动故障。研究结果为变压器绕组松动状态监测提供了一种理论依据。     

基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场(GAF)和深度残差网络(ResNet)进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。     

基于经验小波变换的变压器振动信号特征提取

为有效提取变压器振动信号特征,提出了一种基于经验小波变换(EWT)的信号特征提取方法。首先利用EWT方法将不同工况的变压器振动信号分别分解为若干经验小波函数(EWF)分量;然后计算各分量Hilbert谱,通过时频表示直观反映不同工况变压器振动信号的频率特征信息;最后计算不同工况振动信号各EWF分量与原信号的相关系数,并提取相关度高的分量,根据其能量构建信号的特征矢量,实现对不同工况变压器振动信号特征提取的量化处理。仿真试验表明,该方法能有效提取变压器振动信号特征,且根据提取的特征矢量能够正确识别变压器绕组所属的不同工况。     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

基于DSP的变压器振动信号的小波能量谱熵提取

变压器器身的振动信号含有丰富的故障信息,利用振动法进行变压器运行状况的在线监测已经成为变压器故障诊断的研究重点之一。结合小波变换与信息熵的理论,采用变压器振动信号的小波能量谱熵作为故障诊断的特征信号,同时利用DSP芯片TMS320F2812作为核心芯片,设计并完成对变压器振动信号的采集和小波能量谱熵的提取。结果表明,变压器正常运行与故障运行时的小波包能量谱熵存在差异。因此,该方法能够有效提取变压器振动信号的特征值,为后续故障诊断提供有力的依据。     

基于优化TQWT和LE的变压器绕组状态检测

为实现短路冲击下变压器绕组状态的准确检测,提出了优化可调品质因子小波变换(TQWT)和拉普拉斯特征映射(LE)相结合的方法对变压器短路冲击下的振动信号进行分析。提出归一化奇异值熵作为TQWT分解过程中关键特征参数的选取准则,然后对TQWT分解后的振动信号子带能量序列进行LE,用以获取表征绕组状态的振动信号敏感特征。对某110 kV变压器短路冲击试验下振动信号的计算结果表明：优化TQWT算法可有效提高短路暂态振动信号分解的准确性,经LE获取的振动信号敏感特征可更加清晰地反映变压器绕组机械状态的劣化过程。当特征向量距离的变化超过3倍时,需要重点关注变压器绕组状态,从而为变压器绕组状态检修策略的制定提供依据。     

基于ST-SVD与WOA-SVM模型的变压器绕组松动故障诊断方法

为了深入研究变压器振动信号包含的大量故障信息,提出了一种基于S变换奇异值分解(ST-SVD)与鲸鱼优化支持向量机(WOA-SVM)模型的变压器绕组松动故障诊断方法。首先,基于变压器故障模拟试验平台采集变压器绕组处于不同状态下的振动信号。其次,对变压器振动信号进行S变换获取其时频矩阵。再次,计算出时频矩阵对应的幅值矩阵进行SVD,并定义特征向量。最后,采用鲸鱼优化算法优化SVM模型参数,并输入特征向量完成故障诊断。试验结果表明,所提方法故障识别准确率高于传统方法模型,适用于变压器绕组松动故障诊断。     

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。