排序方式: 共有21条查询结果,搜索用时 31 毫秒
1.
变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。 相似文献
2.
变压器故障预警及诊断对电力系统的安全稳定运行具有重要意义。以油浸式变压器为研究对象,基于在线监测、运行维护及离线试验等多维度数据,提出了一种数据与经验混合驱动下的变压器故障分层诊断方法。首先,基于变压器在线及离线油色谱数据,构建了基于深度森林的变压器故障初级诊断模型,用于6种故障性质的预测。然后,结合变压器故障树和相关标准,实现了故障性质和对应故障类型的分类。采用关联规则研究了故障类型和特征量的关联关系,并提取部分特征量排除特定故障类型,从而构建了涵盖21种故障类型的变压器故障精细化诊断模型,实现了变压器故障类型、故障部位及故障可信度的动态评估。最后,分别以500 kV变压器为单体和群体样本,开展了故障诊断算法的有效性验证。单体诊断结果表明:该文所述方法可有效定位主变的故障类型及部位;群体诊断结果表明该方法的准确率达89.0%,且同样适用于诊断多故障并发的变压器。该方法实现了变压器故障诊断结果的具体化和数量化,可为变压器运维检修提供针对性指导建议。 相似文献
3.
4.
5.
6.
7.
8.
9.
10.
油中溶解气体分析对变压器故障预警及诊断具有重要意义。针对油中溶解气体特征量种类众多、故障关联特征分析不足等问题,文中以油浸式变压器为研究对象,提出了基于油中溶解气体特征量筛选的变压器故障诊断方法。首先,对油中溶解气体的原始特征量进行特征衍生,通过随机森林(random forest, RF)计算特征量对故障诊断的重要度,筛选得到最佳特征组合。其次,采用树结构概率密度估计(tree-structured parzen estimator, TPE)实现RF模型的参数寻优,并形成TPE-RF诊断模型。同时,结合多种评价指标,证明所提方法能够对变压器作出准确的故障诊断。最后,提出TreeSAHP模型分析特征量对各故障的重要度,优选出各故障关联的主要特征量,并根据变压器运行案例,探讨了该方法在电力行业现场应用中的适用性,验证了该方法的有效性。 相似文献