基于边缘计算的变压器光声光谱故障诊断系统研究

变压器故障诊断的气相色谱法具有需要定期标定、操作繁琐、检测周期长等问题,而基于光声光谱检测传感器能够实现变压器油中溶解气体的非接触式测量,具有免标定、检测速度快、灵敏度高的特点。研制了光声光谱边缘检测装置,能够接入光声光谱检测传感器并在边缘侧运行基于SVM的变压器故障诊断算法,实现变压器的实时状态监测与故障诊断。构建了适用于变压器故障诊断的边云协同服务,并进行了应用验证。该系统提高了变压器故障诊断的智能化水平,提升了变压器运维的质量和效率,具有良好的推广和应用价值。     

变压器油溶解气的激光光声光谱分析

变压器油中溶解气分析能够预防变压器故障的发生。激光光声光谱检测技术具有灵敏度高、抗干扰能力强等优点,用于变压器油中溶解气分析的前景广阔。本文利用激光光声光谱检测系统,分别对C2H2、CO2及C2H2/CO2混合气体进行了检测,单一气体的检测极限灵敏度分别达到了12 ppb和36 ppm。通过自制高压脉冲发生器模拟变压器放电故障,并利用顶空油气分离装置,对变压器放电故障的特征气体C2H2的产气量进行了测量。     

S7-214PLC在气体在线监测系统中的应用

文章介绍了S7-214可编程序控制器(PLC)在气体在线监测系统中的应用,对传感器与油气分离装置,系统的硬、软件特性,控制方式和故障诊断进行了具体分析。     

FTIR监测浙江地区空气中C2H2和C2H6及其相关分析

使用多次反射池FTIR系统在2010年12月对浙江地区两种挥发性气体乙炔（C2H2）和乙烷(C2H6）进行了监测,通过对测量气体的吸收光谱进行光谱定量分析,获取了这两种组分的浓度信息,并分析了它们的相关性。研究结果表明,该测量系统能以非接触的方式对空气中多种气体进行在线监测,及时反应测量区域内浓度信息。     

基于振动信号的干式变压器状态监测与故障诊断系统研究

研制了一套基于振动信号的干式变压器状态监测与故障诊断系统,详细介绍了装置的组成结构和工作原理,振动信号分析机理与方法,以及系统架构和主要功能。该系统能够有效预判干式变压器内部主要故障,对提升配电网的安全稳定运行具有实际意义。     

油中溶解气体分析的变压器故障诊断方法探讨

基于油中溶解气体分析(Dissolved Gas Analysis, DGA)的变压器故障诊断能够指导电网运维人员制定合理的检修计划。在电力物联网建设不断加快的背景下,势必对变压器状态监测提出更高的要求。文章梳理了变压器常见故障类型,阐述了变压器故障诊断技术的发展,分析了人工智能技术、光谱技术在变压器故障诊断中的应用,继而指出变压器故障诊断方法需要解决的几个问题,这对进一步提高变压器运行可靠性具有重要意义。     

基于在线监测技术发现的一起变压器内部故障的分析及处理

通过油中溶解气体在线监测装置发现变压器内部故障,利用色谱分析试验结合高压电气试验对故障性质及故障点进行分析判断,并对故障进行了及时的处理,避免了一起主设备重大事故的发生。     

基于PNN的变压器故障诊断研究

变压器油中溶解气体分析是变压器内部故障诊断的重要手段。当前我国大部分应用的是改良三比值法对油中溶解气体进行分析。但利用三比值法作为变压器故障诊断的判据存在两方面的不足,即所谓编码缺损和临界值判据缺损。针对概率神经网络(PNN)强大的模式识别和能很好地对变压器故障进行分类的特性,文章在对概率神经网络结构和原理介绍的基础上,利用概率神经网络对变压器故障进行诊断。仿真实例表明,该方法具有较高的故障诊断正确率。     

变电站及其变压器在线状态监测系统

变电站及其变压器在线状态监测系统的出现,为电力设备的运维管理提供了一种先进、高效的解决方案。文章提出了变电站及变压器在线状态监测系统(Onling Condition Monitoring System, OCMS),该系统有助于用预测性维护取代变压器的预防性维护。OCMS是一种成本效益高、在线且准确的工具。通过实验结果分析,对所提出的系统效果进行了评价。OCMS适用于正常或异常故障的变压器,如通过溶解气体分析检测到的异常故障。因此,OCMS与市场上用于变压器状态监测的其他健康指数算法不同,性能更优异。     

电力变压器在线监测与故障诊断系统的研究

针对电力变压器在线监测系统对数据传输可靠性和实时性的要求,提出了一种基于C8051F020单片机控制的变压器在线监测系统,进行了电源电路及信号调理电路的设计。建立了基于信息融合技术的变压器智能故障诊断模式,将各种特征信息融合后对变压器的故障进行诊断,提高了诊断的可靠性和准确性。     

一维纳米SnO_2传感器对变压器油中气体的检测

为准确在线监测电力变压器油中溶解气体,预测其潜伏性故障,通过水热法合成了多种一维纳米SnO2材料,并以其作为气敏材料制作了旁热式气体传感器,研究了其对变压器油中析出气体乙炔的气敏性能。结果显示,各元件表现出不同的气敏性能,其中花状纳米SnO2对乙炔气体的敏感性能最优,在360℃的工作温度下,其对体积分数为1×10–4的乙炔的灵敏度达到38,响应和恢复时间分别为15 s和28 s。     

基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。     

基于SVM的纠错编码多分类算法的研究与应用

为了提高变压器故障诊断的准确率,提出了一种基于纠错编码和支持向量机相结合的多分类算法,根据SVM理论建立变压器故障诊断数学模型,首先基于纠错编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的分类准确率。最后把变压器油中溶解气体(DGA)作为纠错编码支持向量机的训练以及测试样本,实现变压器的故障诊断,同时用UCI数据对该算法进行验证。通过VS2008和Libsvm相结合对其进行验证,结果表明该方法具有很高的分类精度。     

基于随机森林的变压器故障检测方法的研究

研究变压器的故障检测对电力系统安全稳定运行具有重大意义,对油中溶解的各特征气体含量建立决策器进行分析是变压器故障检测的重要方法,针对单棵决策树的分类效果不良,抗干扰能力差,提出了利用随机森林的方法建立组合分类器模型进行故障分类,该组合分类器精确度高、稳定性强且不会出现过拟合现象,从而使发生的故障能得到更及时有效的诊断,进一步保障变压器的正常运行。     

基于谱聚类集成的变压器在线故障诊断

为了提高基于油中溶解气体分析技术(DGA)的变压器故障诊断准确率,本文提出了一种基于谱聚类集成的变压器在线故障诊断(TOFD-SCE)方法.以加权二次抽样算法抽取样本、构建基础谱聚类的样本集,以基础谱聚类学习问题的局部知识;平衡多样性与正确性选择集成成员;集成多个成员谱聚类的结果来提高变压器故障诊断的准确率.传统变压器故障诊断方法基于历史数据建立模型,缺乏在线学习的能力;TOFD-SCE利用历史与在线新增两种DGA数据来训练、修正模型,提高了其故障诊断的准确率.对SSP300000/500型变压器的故障诊断实验结果表明:TOFD-SCE的准确率优于IEC三比值法、BP神经网络法及支持向量机法,验证了其有效性.     

基于支持向量机的变压器故障诊断

针对变压器故障诊断中缺少实际典型故障样本的问题,提出了支持向量机（SVMs）变压器故障诊断方法。该方法采用K均值聚类（KMC）对变压器油中5种特征气体样本进行预选取作为特征向量,输入到多分类支持向量机中进行训练,建立SVMs诊断模型,实现对故障样本的诊断分类。实例分析表明,KMC算法浓缩了故障信息,有效地解决了确定模型参数时耗时巨大的问题。该方法在有限样本情况下,能够达到较高的故障正判率,满足变压器故障自动诊断的目的。     

改进的小波神经网络在变压器故障诊断中的应用

为提高变压器油溶解气体分析法的故障诊断能力,以变压器油溶解气体作为研究对象,提出了加动量批处理小波神经网络算法。选取200组油溶解气体含量作为故障识别样本,通过多输入/多输出模式小波神经网络模型的构造,对训练过程和仿真结果进行对比分析。实验结果表明,改进的小波神经网络算法故障检测符合率高达95%,较传统的检测算法提升十几个百分点,从而极大的提高了故障诊断效率,实用性较好。     

基于特征优选和HHO-SVM的变压器故障识别

在油中溶解气体的分析方法的研究中,不同故障类型下,各气体所体现的故障特征存在细微的区别.依次对不同故障的数据提取特征,能够补充和完善变压器故障特征的表征.数据集包括5种气体含量比值和三比值数集,将其拆分为6种不同故障类型的子集,利用核主元分析每一种故障类型的主元特征量,综合所有故障特征量,通过哈里斯鹰搜索算法,优化SV...     

水电仿真系统中厂用变压器模糊故障综合诊断

在总结领域专家经验基础上,采用模糊诊断方法,列出了仿真系统中变压器的征兆集和故障集,并根据征兆集和故障集的相互关系构建模糊诊断矩阵;通过模糊关系矩阵运算,提出最大隶属度原则判断变压器故障原因。测试和评价结果表明模糊诊断在仿真系统中的有效性和可行性。     

基于人工鱼群算法和LS_SVM的变压器故障诊断

针对变压器故障数据的特征信息不确定性以及传统诊断方法准确率较低的问题,文中采用人工鱼群算法和最小二乘支持向量机相结合的方法来进行变压器故障诊断。将IECTC10数据库中的DGA特征气体比值作为输入,建立基于最小二乘支持向量机的变压器故障诊断模型,并运用人工鱼群算法对最小二乘支持向量机的参数进行优化选取。然后根据诊断结果,选出分类效果最佳的多比值特征参量组合。实验验证结果显示,文中所提出的诊断方法准确率可达96.67%,拥有更高的故障诊断正确率。