基于弹性力学-热力学的变压器铁芯磁致伸缩振动模型与松动故障诊断方法

为了准确分析变压器铁芯磁致伸缩现象,建立了弹性力学与热力学耦合的铁芯振动理论模型,并基于奇异性分解理论提出了松动故障诊断方法。首先通过耦合弹性力学中的应变能和热力学中的弹性自由能,建立了表征变压器铁芯多频段的磁致伸缩振动数学模型;接着考虑了基于弹性力学的非线性力-磁耦合机制的影响,建立了振动多频段多物理场仿真模型,得到了铁芯0~1000 Hz的多频段振动特性;然后搭建了变压器铁芯磁致伸缩振动采集平台,对10 kV变压器铁芯进行了振动监测试验。试验结果表明,铁芯振动除100 Hz基频以外,还含有200~600 Hz的振动信号,A、B相的实测结果分别为0.009、0.023 m/s^(2),仿真结果分别为0.009、0.023 m/s^(2),仿真与试验一致,验证了仿真模型的正确性;之后建立了铁芯松动故障模型,得到部分与完全松动状态下的振动特性。最后,对获得的振动信号进行故障诊断,以铁芯正常、部分松动、完全松动的不同状态信号为基础,提出了基于奇异性分解理论的方法,计算的特征量分别为0.0524、0.2822、1.5059,说明随着松动程度的逐渐加剧,特征量逐渐增大,验证了诊断方法的准确性。

基于Adaboost-INGO-HKELM的变压器故障辨识

针对目前变压器故障诊断准确率低的问题,提出一种多策略集成模型。首先通过等度量映射(isometric mapping, Isomap)对高维非线性不可分的变压器故障数据进行降维处理。其次,利用混合核极限学习机(hybrid kernel based extreme learning machine, HKELM)进行训练学习,考虑到HKELM模型易受参数影响,所以利用北方苍鹰优化算法(northern goshawk optimization, NGO)对其参数进行寻优。但由于NGO收敛速度较慢,易陷入局部最优,引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进。同时为了提高模型整体的准确率,通过结合Adaboost集成算法,构建Adaboost-INGO-HKELM变压器故障辨识模型。最后,将提出的Adaboost-INGO-HKELM模型与未进行降维处理的INGO-HKELM模型、Isomap-INGO-KELM模型、Adaboost-Isomap-GWO-SVM等7种模型的测试准确率进行对比。提出的Adaboost-INGO-HKELM模型的准确率可达96%,均高于其他模型,验证了该模型对变压器故障辨识具有很好的效果。

多策略改进黏菌算法阶段优化HSVM变压器故障辨识

为解决变压器故障诊断精度较低的问题,提出了一种多策略改进黏菌算法(ISMA)阶段优化混合核支持向量机(HSVM)的变压器故障诊断新方法。首先,利用主成分分析(PCA)来消除变量之间的信息冗余并降低数据集维度。其次,引入黏菌算法(SMA),并结合Logistic混沌映射、二次插值、自适应权重多策略改进SMA,以提高SMA算法收敛速度和局部搜索能力;然后,与原始SMA、WHO和GWO算法进行寻优测试,对比验证改进后SMA算法的优越性;最后,使用改进SMA算法分阶段对混合核支持向量机参数寻优,构建ISMA-HSVM变压器故障诊断模型。将降维后的特征数据输入HSVM模型与BPPN、ELM和SVM进行比较,HSVM模型的诊断准确性分别提高了5.55%、8.89%、5.55%。使用ISMA优化HSVM模型参数,与WHO、GWO、SMA算法优化效果比较,结果准确性提高了13.33%、12.22%、5.55%。其中,ISMA-HSVM模型的诊断精度为93.33%。实验结果表明,所提模型有效提升故障诊断分类性能,且具有较高的故障诊断精度。

变压器油中电弧放电故障检测及防爆综述

变压器作为电力系统中的重要核心设备之一,其油箱内部易产生电弧故障,从而产生超压,致使油箱破裂,导致漏油,严重时引起爆炸甚至火灾,对电力系统的稳定运行造成严重威胁。该文针对变压器内部电弧故障从压力波特性、仿真模型、油中电弧检测方法以及防爆技术等方面进行回顾,首先对压力波特性、仿真模型以及压力波传播规律进行了综述,其中重点介绍了4种压力波仿真模型并对比其优缺点;其次,根据电弧故障检测难度大、破坏性强等特点归纳了油中电弧检测技术及标准;此外,分析探讨了变压器电弧故障的关键防爆技术。最后根据电弧故障以及防爆技术分析现有挑战,并在此基础上对未来发展趋势进行展望。

基于KPCA-CGSSA-KELM的变压器故障识别方法

针对冗余特征对变压器故障识别影响和传统方法识别准确率低的问题,提出一种基于核主成分分析(kernal principal component analysis, KPCA)与混沌麻雀搜索算法(chaos gauss sparrow search algorithm, CGSSA)优化核极限学习机(kernelized extreme learning machine, KELM)的变压器故障识别方法。首先,通过KPCA对变压器故障数据进行预处理,降低特征间相关性。其次,通过引入改进Tent映射和高斯变异策略优化麻雀搜索算法提高其搜索精度和收敛速度,并将CGSSA与麻雀搜索算法(SSA)、灰狼优化算法(GWO)及鲸鱼优化算法(WOA)效果进行对比。最后,利用经KPCA处理后的特征数据作为模型输入,并通过CGSSA准确选择KELM的核函数参数和正则化系数,建立KPCA-CGSSA-KELM变压器故障识别模型。实验结果表明,在相同输入数据的情况下,CGSSA在收敛速度和寻优精度方面均有提升,且所提方法识别准确率为95.7%,较WOA-KELM、GWO-KELM、SSA-KELM分别提高18.6%、10%、15.7%。结果表明所提方法能有效处理冗余特征,提高故障识别准确率,证明了使用所提方法在在冗余特征影响的情况下进行变压器故障识别的有效性与可行性。

基于粒子群优化神经网络的变压器故障诊断方法

针对传统变压器故障诊断方法存在处理效率低、诊断结果主观性强的问题,提出一种改进的粒子群(PSO)-BP神经网络变压器故障诊断方法,对智能变压器故障诊断方法展开研究。首先,采用无编码比值法,选用变压器油中各类溶解气体的比值来更准确地区分故障类型;其次,根据所选的测试集气体比值信息,利用灰色关联度法选出与测试集信息特征相似度高的信息作为训练集,剔除冗余信息,优化样本数据;最后,构建PSO-BP变压器故障诊断模型,利用改进的PSO算法优化BP神经网络中的权值和阈值,使诊断模型拥有更快的诊断速度和更高的准确率。使用采集的变压器油中溶解气体信息训练诊断网络,与传统BP神经网络法进行对比。结果表明,所提方法对变压器故障诊断的准确率明显提高。

基于多策略改进蜣螂算法优化的变压器故障诊断

为了保证油浸式变压器故障诊断的可靠性,提出了一种基于多策略改进蜣螂算法(multi-strategyimproved dung beetle optimizer, MIDBO)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的变压器故障诊断方法。由于蜣螂算法存在全局搜索能力较差、容易陷入局部最优解的缺点,首先通过Bernoulli混沌映射、引入自适应因子和Levy飞行策略融合动态权重系数进行改进,并对其性能进行评估。然后针对Bi LSTM的诸多超参数利用MIDBO进行优化,形成MIDBO-Bi LSTM故障诊断模型。通过核主成分分析(kernel principal component analysis,KPCA)提取特征值,进而深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。最终实验结果表明所提出的MIDBO-Bi LSTM变压器故障诊断方法准确率高、泛化能力强。其准确率高达94.67%,适用于变压器的故障诊断。

基于特征提取与 INGO-SVM 的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明:所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。

基于GJO特征量优选的AO-RF的变压器故障诊断模型

在变压器故障诊断过程中,进行合理的特征优选,将有助于提高诊断模型的诊断精度,为此,文中提出了一种基于金豺优化算法(golden Jackal optimization,GJO)特征量优选与AO-RF的变压器故障诊断模型。首先,采用GJO对构建的21维变压器油中溶解气体特征量进行优选;然后,根据GJO得到的特征优选结果,采用天鹰算法(aquila optimizer,AO)优化随机森林(random forest,RF)的变压器故障诊断模型对变压器故障进行诊断,并与不同特征量、不同故障诊断模型的诊断结果进行了对比。实验结果表明:GJO优选特征量相比21维原始特征、三比值法、无编码比值法以及AO优选特征量的故障诊断准确率可提高1.12%~25.78%,kappa系数可提高0.02~0.24;AO-RF故障诊断模型较RF、SVM、ELM、SSA-RF、WOA-RF、GJO-RF模型的诊断准确率可提高1.84%~15.86%,kappa系数可提高0.02~0.16,验证了所提方法的有效性和准确性。

极端气象条件下基于深度学习网络特征的变压器故障预测

根据极端气象条件下变压器产生故障时的环境参数,结合变压器故障预测中常用的油中溶解气体的含量,提出一种基于深度学习网络的故障预测方法。针对已有的变压器故障诊断方法泛化能力弱、时效性低、精度低等缺点,引入极端气象参数,并通过对多组数据序列进行时因分析,提取数据随着时间的变化关系;其次,设计一种新型的神经网络,将油气参数与极端气象参数的时间特征融合,并通过深度学习网络进行故障分类与预测。仿真实验结果表明,相比于其他传统故障预测方法,所提出的极端气象条件下基于深度学习网络的变压器故障预测方法准确率有显著提高。

基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场(GAF)和深度残差网络(ResNet)进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。

变压器油纸绝缘受潮状态对频域介电谱的影响特性分析

阐述对多种不同受潮程度的变压器油浸绝缘纸样本进行频域介电谱测试,探讨受潮程度对变压器绝缘纸频域介电谱特性的影响规律,分析变压器绝缘纸受潮状态评估的特征参量,为评估提供依据。

基于动态时间规整的变压器绕组变形故障诊断方法研究

绕组变形是导致变压器故障的主要原因之一,频率响应分析法是一种常用的检测绕组变形故障的方法。文中针对实际应用中,因频率响应数据解释不足导致的绕组故障诊断效果不佳、抗噪性能差和故障程度指标与实际故障程度的单调性不良等问题,提出了基于动态时间DTW(dynamic time warping)规整路径与K最邻近算法(KNN,K⁃nearest neighbor)的变压器绕组状态判别法、基于DTW偏离度的变压器绕组故障程度表征法。通过在一台实际变压器及一台模型变压器上的运用,验证了其在绕组状态判别及绕组故障程度表征方面的性能。通过对比实验,分析了该方法在绕组状态判别中的准确性,抗噪性,以及在故障程度表征上的灵敏性与线性相关性。结果表明,在这两个案例中,与现行变压器绕组故障诊断标准相比,文中方法有更高的准确率,更能反映变压器绕组变形故障的程度,有着更好的抗噪性能。

基于漏磁场和ICOA-ResNet的变压器绕组早期故障诊断

针对变压器绕组变形、轻微匝间短路故障诊断准确率低的问题,提出一种变压器绕组早期故障诊断方法。首先,利用ANSYS仿真软件建立与实验变压器相关参数一致的有限元模型,分析变压器在绕组发生各种故障的漏磁场分布规律,并根据这些规律选取合适的故障特征以及光纤漏磁场传感器安装位置。然后,通过改进长鼻浣熊优化算法(improved coati optimization algorithm,ICOA)寻找残差神经网络(ResNet)的最优超参数,以此参数构建ICOA-ResNet模型,将所得故障特征量输入模型进行故障诊断。最后,通过仿真数据和动模实验验证所提出的变压器绕组早期故障诊断模型的可行性。所提模型与支持向量机等4种模型相比,在绕组早期故障诊断上有更高的准确率,表明所提方法对变压器绕组变形、匝间短路故障诊断的有效性。

基于绕组短路冲击响应时频特性的多特征联合形变判定方法

为研究变压器短路冲击信号包含的物理特征与绕组形变之间的关系,提出一种基于绕组冲击响应时频特性的特征提取及形变判定方法。基于单自由度系统的相对位移模型构建绕组的短路冲击响应谱,得到其响应点频率偏移特征。对Hilbert能量谱进行非均匀频率带宽划分,修正累积效应的影响,提取不同频带范围内的能量带熵并计算加权能量带熵,表征特定频带内的能量混乱度;构建时频矩阵,量化能量密度分布、短时能量衰减变化等细节特征,对该矩阵进行奇异值分解,根据奇异值分布特性计算每个元素的权重值。据此提出基于加权能量带熵及基频奇异值畸变率的联合绕组状态判定方法,经三组共17次短路冲击试验数据验证,冲击信号的相对能量带熵增量变化与绕组产生的累积微应变呈高度正相关,基频奇异值畸变率与绕组发生形变的规律一致,发生形变时,该畸变率的值会大于2.0,证明了该判定方法的有效性。该方法可在变压器发生短路后对绕组的状态进行预判,进而考虑是否需要进一步处理,对变压器绕组状态的在线监测具有一定的指导意义。

基于局部放电超声信号的变压器绕组短路阻抗自动化测量技术

为了预防变压器绕组变形,延长变压器的使用寿命,提出基于局部放电超声信号的变压器绕组短路阻抗自动化测量技术。获取变压器局部放电超声信号,采用小波提取变压器局部放电超声信号的特征;通过双向二维主成分分析算法(2DPCA)对冗余的特征信息进行降维,结合特征的能量变化率,检测变压器绕组短路状态;若变压器发生绕组短路,结合变压器等效电路模型自动化测量变压器绕组短路阻抗,采用降低互感器自动化测量误差的方法完成测量结果修正。实验结果表明,该方法自动化测量变压器绕组短路阻抗时的误差较小,负载率过大不会影响该方法的变压器绕组短路阻抗的自动化测量结果,同时可依据局部放电超声信号检测变压器绕组状态。

220kV变压器中压侧中性点经小电抗接地的运行分析

北京电网分区运行,其中枢纽站的接地方式关系整个电网运行,K分区中的A变电站采用220 kV变压器中压侧中性点经小电抗接地的运行方式。分析了该分区的主变中性点接地情况、A变电站的等值网络,同时计算了A变电站的短路容量、不同主变并列运行时的单相短路电流,计算表明,中性点经小电抗接地后可降低其单相短路电流,满足设备热稳定性要求。同时提出中性点小电抗投运后对现场运行、倒闸操作的要求。

结合FBG-FP的变压器局部放电光纤全方向传感研究

为实现变压器局部放电的灵敏检测,避免漏检局部放电信号,基于光纤布拉格光栅(FBG)与法布里珀罗腔(Fabry-Perot cavity)传感原理提出了一种结合FBG-FP的变压器油中局部放电光纤全方向传感方法。介绍了FBG与FP腔的局部放电传感原理,局部放电产生的超声波会引起FBG反射光谱与FP腔干涉光谱的偏移,通过光谱边缘解调法进行光强解调可实现局放信号的检测。研制了局部放电光纤全方向传感器,通过3D打印技术制作了尺寸为25 mm×25 mm×25mm的长方体探头,探头中空结构用于插入单模光纤形成FP腔,四个侧面用于形成膜片式FBG传感结构,可接收不同方向的超声信号。基于变压器油中局部放电的频谱特性与液相环境中膜片的振动模型设计了超声传感膜片,选用镀有高反介质膜的康宁玻璃作为FP腔传感膜片,膜片半径为1.7 mm,厚度为0.165 mm,理论谐振频率为82 kHz;选用单晶硅作为FBG传感膜片,膜片半径为2.5 mm,厚度为0.1 mm,理论谐振频率为25.6 kHz。搭建了光纤局部放电传感系统并进行了局部放电光纤全方向传感器性能测试。通过断铅实验测得变压器油中传感器FBG传感膜片实际谐振频率约为23 kHz,FP腔传感膜片实际谐振频率为71.4 kHz。将光纤全方向传感器与压电传感器(PZT)对同一局部放电信号进行对比检测,光纤全方向传感器FBG传感部分可检测到83.8 pC的金属尖端放电,FP腔传感部分可检测到27.1 pC的金属尖端放电,其局部放电检测灵敏度高于PZT。测试了传感器的方向响应,普通的FP传感器高灵敏检测范围有限,存在检测盲区,所研制的光纤全方向传感器FP腔传感部分与FBG传感部分高灵敏检测范围互补,可实现局部放电全方向灵敏检测,具有良好的方向响应性能。

流动变压器油中金属微粒分布规律及其对击穿电压的影响机制

作为对变压器液相绝缘危害最严重的污染杂质,金属微粒若在油间隙内部发生聚集,由于其强导电性,会大大缩短油隙的绝缘有效距离,甚至在外加电场的持续作用下引发绝缘击穿。为此构建了流动油中金属微粒分布与击穿特性测试平台,开展了交流电压下流动变压器油中金属微粒的分布规律与击穿特性试验,结合仿真,讨论了金属微粒分布特征对绝缘油击穿电压的影响机制,试验结果表明:一旦变压器油开始流动,微粒将难以在高场强区域聚集。随着电场场强的提升,微粒的聚集浓度增大。随着预压场强的增加,击穿电压的Weibull分布曲线均向左移动,其中位于低流速区的曲线偏移更为显著。仿真得到金属微粒在电极间的聚集情况,进一步分析了微粒在电极间的受力情况,理清了金属微粒聚集特性对击穿特性的影响机制。

变压器油中脉冲电弧放电压力波的产生过程研究

油中电弧产生的陡强压力波是导致变压器燃爆事故的直接原因,研究变压器油中压力波的产生过程与传播特性对增强变压器防灾御灾能力具有重要意义。为此采用油中脉冲电弧放电法产生压力波,极大减弱工频电弧中持续产气、重燃对压力波基本过程观测的干扰,搭建了油中脉冲放电压力波光-电联合诊断平台,实验采集电压、电流和压力时序信号以及动态纹影图像,研究油中电弧放电压力波的产生过程。实验结果表明,油中压力波的产生可分为电弧膨胀和气泡脉动2个阶段:电弧通道迅速膨胀并压缩油介质,产生一系列激波,继而叠加形成高频一次压力波;放电过程中产生的气泡经历多个膨胀和坍缩循环,溃散时形成二次压力波,其压强更高、频率更低。增大电极间距,一次压力波由球面波转变为沿电极方向的柱面波,而二次压力波会因多点产生的压力波相互叠加,其波前厚度显著增大。实验数据拟合得到油中压力波衰减系数为1.2~1.4,显著高于水中的衰减系数。