基于CEEMDAN-小波阈值和3D-CNN的变压器铁心松动故障诊断模型

为了解决变压器铁心松动故障的识别与诊断,提出基于完全自适应噪声集合经验模态分解(CEEMDAN)-小波阈值的环境噪声去除方法,并提出使用三维卷积神经网络(3D-CNN)去识别基于声纹的变压器铁心松动故障诊断方法。搭建变压器铁心松动故障试验平台,采集铁心在不同松动程度下的噪声信号;将采集的用于故障识别的声纹信号经过CEEMDAN-小波阈值算法,利用变压器本体噪声和环境噪声在峭度上的差异滤波,得到信噪比较高的变压器声纹信号;再将滤波后的声纹信号经过短时傅里叶变化生成时频矩阵,并用Mel滤波器降维得到Mel-语谱图,制作成适合3D-CNN输入格式的数据集;搭建好网络的各层,利用3D-CNN对变压器铁心松动故障进行分类和识别。试验结果表明：所提方法在考虑环境噪声的条件下,变压器铁心松动故障的识别率达到90%以上,可用于变压器铁心松动故障的识别和诊断。     

基于Mel-GADF与ConvNeXt-T的变压器铁心松动故障诊断方法

为解决传统梅尔(Mel)时频谱图对变压器铁心松动程度识别率较低的问题,提出一种基于梅尔-格拉姆角差场(Mel-GADF)时频谱图与ConvNeXt-T网络相结合的变压器铁心松动故障诊断模型。将变压器声纹信号生成Mel时频谱图,同时将原始声纹数据经过格拉姆角场(GAF)变换得到格拉姆角和场(GASF)与GADF这2种时频谱图;生成Mel-GASF与Mel-GADF这2种特征融合的时频谱图来弥补Mel时频谱图的低频缺失问题;将3种时频谱图放入ConvNeXt-T网络进行训练对比,选出效果最佳的诊断模型。以型号为S13-M-200/10的变压器为对象进行空载试验,对不同铁心松动程度下的声纹信号进行分析,分析结果表明,将Mel-GADF作为特征时频谱图结合ConvNeXt-T网络,可将测试集准确率从传统Mel时频谱图的98.273 % 提升至99.500%,提升了1.227个百分点。     

基于 COMSOL 的变压器铁心振动声场分布的 有限元仿真

为了研究变压器铁芯振动噪声的分布情况,本文基于COMSOL的多物理场耦合计算分析一台200 kVA油浸式变压器铁芯振动的声场分布。首先利用COMSOL有限元计算软件,构建了200 kVA油浸式变压器铁芯振动的电-磁-力多物理场模型,计算出变压器铁芯磁场分布情况及铁芯所受应力分布变化规律、位移分布规律,并对铁芯的典型位置的应力时域数据做频谱分析,得到铁芯所受应力集中在100、200、300 Hz.再将上述多物理场计算出的铁芯表面加速度经过FFT变换后的频域数据作为声场的激励源,作声场的谐响应分析计算出变压器铁芯振动的声场分布。最后,以一台200 kVA变压器空载实验数据验证仿真数据的正确性,经过比较发现有较好的吻合效果。仿真与实验得到的一致规律是：变压器铁芯振动噪声频率集中在500 Hz以下,且发现规律：变压器油箱的侧方声压>上方声压>正面声压;变压器油箱的侧方及上方的声压频率含量是100 Hz>200 Hz>300 Hz,而油箱的正面声压频率含量是100 Hz>300 Hz>200 Hz。     

基于50 Hz倍频小波时频熵和RUSBoost的变压器绕组松动声纹识别

变压器绕组松动故障给电力系统安全稳定埋下巨大隐患,目前缺乏切实有效的诊断方法。因此提出一种基于50 Hz倍频小波时频熵和RUSBoost的变压器绕组松动声纹识别方法。首先,针对变压器声纹特点提出50 Hz倍频小波时频熵,用于声纹信号特征提取。然后,针对变压器故障样本较少导致的样本不平衡的问题,提出基于RUSBoost模型的模式识别。最后,在现场实测数据的基础上验证了该方法的有效性。研究结果表明,所提方法对变压器绕组不同松动程度的故障均能实现可靠诊断,平均识别准确率达到了98.9%。样本较少的75%松动和100%松动的识别准确率也分别高达97.2%和94.6%。相较于RF、DT、KNN以及SVM等传统模型,总体识别准确率至少提高3.3%,样本较少的75%松动和100%松动的识别准确率至少提高了2.8%和2.5%。     

基于特征筛选和改进深度森林的变压器内部机械状态声纹识别

变压器声纹信号包含大量反映内部机械状态的有效信息。为实现变压器内部机械状态不停电检测,提出一种基于特征筛选和改进深度森林的变压器机械状态声纹识别方法。首先,利用自适应噪声完备集合经验模态分解(CEEMDAN)声纹信号得到本征模态函数(IMF),并通过频谱分析和皮尔逊相关系数对IMF分量进行筛选,得到包含故障信息的IMF分量。其次,利用各IMF分量在频段上的分布情况进行高、低频段划分,依据高、低频段IMF分量的差异性,将高频段IMF分量的时频能量和低频段IMF分量的幅值特性作为特征指标,构成特征向量,输入改进后的深度森林模型,得到10种机械松动状态的声纹识别结果。最后,通过现场试验验证了该方法的有效性。研究结果表明：所提方法对10种机械松动状态的平均识别准确率达99.2%。与传统变压器声纹特征相比,所提声纹特征区分度更高;与传统识别模型相比,所提改进深度森林识别模型复杂度更低,训练速度更快,识别准确率更高。     

基于改进MFCC和3D-CNN的变压器铁心松动故障声纹识别模型

为了准确提取变压器铁心松动故障时的声纹特征,提出一种基于改进的梅尔频率倒谱系数(MFCC)和三维卷积神经网络(3D-CNN)的变压器声纹识别模型。首先对变压器噪声信号进行分帧加窗处理,提取梅尔频率倒谱系数(MFCC);然后运用局部线性嵌入算法(LLE)对现有的MFCC特征向量降维改进;最后使用三维卷积神经网络对变压器铁心松动故障进行识别。以某10 kV变压器为对象进行空载试验,采集铁心在不同松动程度下的声纹信号。计算结果表明,使用改进后的MFCC特征向量提取算法及3D-CNN模型具有良好的识别效果,准确率可达到98.33%,且平均迭代的时间可降至8.511 26 s。最终研究结果可为变压器的噪声治理提供依据。     

规模化电动汽车充电负荷预测

首先基于灰色预测模型、线性回归模型和BP神经网络模型的组合预测模型计算出传统汽车保有量预测曲线,并使用非线性二乘法拟合出基于Bass模型的传统汽车保有量的3个参数值。再通过基于层次分析的德尔菲法,构建传统汽车与电动汽车参数之间的关系,从而得到能预测电动汽车保有量的Bass模型。在保有量预测结果的基础上采用蒙特卡洛算法,结合用户使用电动汽车的起始充电时间、日行驶里程数、电池参数、充电效率等影响因素分别模拟城市中电动私家车,电动公交车与电动出租车的出行习惯,完成电动汽车的负荷预测。应用该方法进行电动汽车负荷预测时精度更高,效果更好。