基于振动信号特征矩阵相似度的变压器机械故障诊断技术研究

目前基于振动信号的变压器机械故障诊断多是通过对某个振动信号进行独立分析、提取特征量进行判定,对变压器机械状态的反映过于片面;基于振动信号特征矩阵相似度可实现综合不同测试位置、多组振动信号的变压器机械故障诊断,但该方法可能受负载条件影响而发成误判。文中改进了振动信号特征矩阵的构造方法,通过实验研究了负载率、功率因数、不平衡度对振动性信号特征矩阵相似度的影响,结果表明:文中所做改进可有效地减少故障诊断中由于负载条件改变造成的误判。应用改进后的特征矩阵相似度对模拟故障进行诊断,结果表明,该方法受负载条件影响较小、能准确诊断出故障存在,有良好的应用前景。     

ZN41A-10型真空开关切合空载线路试验

介绍保留或拆除ＭＯＡ时，ＺＮ４１Ａ—１０切合空载线路试验的结果并进行统计分析，提出电网建设和改造中使用真空开关时应采用的保护方式。     

主变压器并列运行中无功表指示异常的原因分析

分析了两台２２０ＫＶ主变压器列运行无功功率分配异常的原因,对电压比不同时的无功分配作了理论计算。     

视频监控数据的安全交互系统的设计与研究

随着数字视频技术的发展以及宽带网络的普及,视频监控逐渐成为维护社会公共安全的重要手段。针对视频监控数据的安全交互问题,设计出新型的视频监控数据的安全交互系统。通过采用Boosting算法实现对动态视频图像的处理,使得用户获取更为有效的视频数据。清洗后的视频数据通过区块链平台,实现视频的数据共享,在区块链网络中,通过加密算法实现视频的加密,通过解密算法实现数据的解密,使得视频数据在共享过程中提供安全等级。实验表明,各个不同区域之间的视频数据共享率、数据的保密程度都比较高,从而实现了数据传递过程的共享和加密,大大提高视频监控数据交互的安全性能。     

基于振动信号指标能量的变压器机械故障检测

针对变压器机械状态的检测问题,文中提出了一种基于振动信号本征模态函数(Intrinsic Mode Function,IMF)指标能量的变压器绕组、铁芯机械状态检测方法。根据IMF的能量特征,建立了基于IMF指标能量的二元特征向量。通过实验测试对比分析了正常状态与故障状态下,变压器振动信号基于指标能量的特征向量变化情况。研究结果表明,发生故障前后,变压器振动信号基于指标能量的特征向量变化明显,可以依据该特征向量对变压器的机械状态进行检测。     

有载分接开关渗漏油的原因分析及处理

分析了有载分接开关渗漏油的原因 ,并根据对开关现场检查的结果 ,提出了相应的处理办法     

北斗监测数据在输电线路杆塔的位移和形变方面的监测与研究

北斗定位系统是一个全球无线电导航系统,由数十颗卫星组成,每颗卫星位于地球上空11,000海里的轨道上,5个地面站确保卫星正常工作。这些卫星每个需要12个小时才能绕地球轨道运行。北斗系统可以用于很多场合,尤其是在地面目标形变检测方面,独树一帜。但是其存在着受空间及地球大气环境的影响的问题,导致精度不高,为此,本文对系统做了改进和研究。最后有效消除各种主要影响因素,达到了一定的效果。     

基于模态分析的变压器铁芯故障诊断

为诊断变压器铁芯松动故障,提出了基于模态分析的故障诊断方法,通过变压器振动信号与铁芯固有频率的共振响应识别变压器故障。该方法的应用首先需要确定变压器铁芯固有频率随铁芯松动的变化规律,采用仿真软件ANSYS Workbench确定了变压器样机不同预紧力下铁芯固有频率的变化规律,再结合实验条件下采集的变压器铁芯故障前后的振动信号,验证了振动信号与铁芯固有频率的共振响应可以有效反映变压器故障状态。研究结果表明,铁芯固有频率会随着松动程度增加而减小。变压器样机发生铁芯松动故障后,振动信号与铁芯固有频率在500 Hz分量处发生共振,幅值出现显著增大。     

基于DInSAR技术的阳泉矿区形变监测与分析

合成孔径雷达差分干涉测量(DInSAR)是近年来发展起来的一种监测地表形变的技术手段,在矿区地表沉降监测方面取得了较好的应用。针对DInSAR技术中存在的轨道误差和与地形相关的大气延迟,利用双二次模型和线性模型对其进行联合模拟并进行去除。为了有效监测山西省阳泉矿区地表形变,使用7幅Sentinel-1A影像采用DInSAR方法获取了该地区在2016年11月26日至2017年2月6日期间的地表沉降。结果显示,研究区内整体表现为沉降趋势,沉降漏斗位置分布与矿区位置较为一致;新景矿内2个区域在72 d内的最大累积沉降分别达到-18.82、-22.33 cm。     

基于振动信号SVM分类的变压器状态识别

为提高基于振动信号的变压器状态识别准确率,提取振动信号的峰峰值、均值、偏度等时域特征量和主频率幅值占比、基频幅值占比、50 Hz及其奇次倍频幅值占比等频域特征量构成特征向量,运用支持向量机(SVM)分类方法对变压器进行状态识别。采集了变压器正常与故障运行状态下的振动信号,结合实测信号分析了各特征量随变压器状态的变化,最后对比了单个特征量与多特征量结合对变压器正常短路、正常空载、故障短路、故障空载4种状态的识别准确率。结果表明,结合振动信号多个特征量的SVM分类对变压器的状态识别准确率显著高于单个特征量的识别准确率。