粘滞阻力下交流GIL中线形颗粒运动行为研究

针对目前研究线形颗粒在交流气体绝缘封闭输电线路(GIL)中运动行为时忽略气体粘滞阻力,或仅采用传统Stokes方程计算气体粘滞阻力的问题,从现阶段较成熟的球形颗粒气体粘滞阻力计算方程入手,引入形状因子系数,推导线形颗粒气体粘滞阻力计算方程.基于线形颗粒与导体及外壳的非弹性碰撞过程,考虑法向和切向的恢复系数,建立GIL中线形颗粒运动仿真计算模型.搭建符合实际工况的等比例缩放GIL实验平台,观察和记录线形颗粒在腔体内的运动轨迹和碰撞信号.研究结果表明:修正后运动仿真模型的计算结果更接近于实验结果,验证了模型的有效性;颗粒的碰撞频率与运行电压幅值正相关,与腔体气压负相关,在颗粒长度相同的情况下,气压的变化对小半径颗粒影响更大;线形颗粒的起举电压由颗粒的半径决定,与颗粒的长度基本无关,当颗粒起跳后,库仑力、梯度力和重力的大小对比决定颗粒的运动状态.     

基于主成分分析的串联电池组故障诊断实用方法

为了保证电动汽车和储能系统的安全运行,电池组的故障诊断研究备受关注。针对目前面向电池组故障诊断方法相对匮乏且实用性不佳的问题,提出了一种基于主成分分析(PCA)的故障诊断实用方法,以准确地区分组内的电池单体故障和连接故障。首先,提出了非硬件冗余的交叉测量拓扑,分别用不同数量的传感器测量电池和连接板;然后,分析组内测量电压的变化特点,引入PCA对故障特征进行提取,为了保证PCA模型适配,提出了PCA实时建模与故障诊断一体化的思路,并基于此设计了完整的故障诊断方案;最后,利用实验对所提方法进行验证,结果表明所提方法能够可靠区分电池单体故障和连接故障,准确检测阈值法无法检测的电池单体故障,且强鲁棒于荷电状态、健康状态和温度差异的影响。现场运行数据也证实了所提方法能够有效避免发生虚警。     

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VB的DSP与上位机之间的串行通信的研究

通过解决DSP与上位机的串行通信问题,可以实现对高精度温度控制系统的数据处理和分析,提高温控系统控制精度。文中介绍了如何利用VB6.0实现TMS320F2812与上位机的串行通信,给出了硬件电路和部分源程序。结果表明,该通信方法简单有效、准确可靠,具有一定的参考及实用价值。     

GIS正常运行与松动故障下的振动机理

气体绝缘开关设备(GIS)运行时常发生开关部件及电气连接点的松动故障,引发机械的异常振动。分别从导电杆所受电磁力与涡流两方面推导三相共体式GIS与三相分体式GIS受力振动机理,进行仿真建模,证明了振动机理的正确性。建立松动故障时接触面受力振动模型,仿真计算松动时接触面的振动位移,并对比正常运行时振动特性与松动故障时振动特性的差异,发现松动故障时振动信号在某些频段的能量会增加,常见的是在1 000~2 000 Hz段的能量增加明显。进行现场实际的松动故障模拟,采集GIS振动信号,对振动信号进行时频变换提取频谱特征,验证了仿真计算的正确性。     

基于多特征声纹图谱的变压器绕组松动在线故障诊断方法

绕组松动故障是变压器安全稳定运行中的巨大隐患，目前尚缺乏有效的在线诊断方法。变压器运行产生的声音信号蕴含着大量反映设备状态的有效信息，依据声音信号的特征图谱对松动故障实现在线诊断。首先，构建4种特征图谱，包括通过格拉米角场构建时域特征图谱、通过傅里叶变化和马尔可夫变迁场构建频域特征图谱、通过小波变换构建时频域特征图谱、通过递归分析构建混沌特征图谱；然后，建立轻量化卷积神经网络模型，以4种特征图谱作为输入，通过卷积、池化等一系列操作提取有效故障特征；最后，利用分类器直接输出绕组松动的故障程度。实验结果表明，所提方法对25%、50%、75%及100%的松动程度均能实现可靠诊断，平均准确率为99.6%,对最为轻微的25%松动程度，准确率仍达98%。与仅采用单一特征的诊断相比，所提方法的准确率提升了9.9%;与采用AlexNet、MobileNetV2、GoogleNet、ShuffleNet、ResNet等经典神经网络的诊断相比，所提方法的准确率提升了18.1%,同时训练速度提高37%,占用内存减少20%。