基于特征判定系数的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,文中提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和特征熵权法(entropy weight method,EWM)进行故障诊断的方法。通过相关系数与峭度加权(correlation coefficient and weighted kurtosis,CCWK)原则筛选CEEMDAN分量并重构信号,在实现剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数实现单一数据诊断变压器故障类型;通过主成分分析法减小混合域特征尺度,采用鸡群优化算法优化支持向量机(support vector machine,SVM)模型进行故障诊断。对某变电站110 kV三相油浸式变压器进行分析,结果表明与概率神经网络和SVM等变压器故障诊断方法相比,文中方法能在提前定性故障类型的同时,进一步提高变压器故障诊断的准确率与效率。

递归量化分析的变压器健康评估与故障诊断

针对传统时域、频域分析方法忽略信号的部分频率信息的问题,提出一种基于递归定量分析(RQA)和鸡群算法(CSO)优化支持向量机(SVM)的变压器健康分析与机械故障诊断方法。首先利用相空间重构技术构建变压器振动信号的递归图;然后进行递归定量分析,提取故障特征并结合马氏距离(MD),以置信度-故障程度关系式进行变压器健康评估;最后利用CSO优化SVM参数,进行故障识别。实验结果表明,提取的递归定量特征参数可以有效地评估变压器的健康程度,综合识别率为94.07%,较传统时域、频域特征高约15.4%、8.96%;相比于传统模型,采用CSO-SVM故障诊断模型可将诊断精度提高至99.26%。