基于混沌理论与蜉蝣优化K-means算法的变压器绕组松动故障特征分析方法

为了更加准确有效地对变压器绕组状态进行分析,提出了一种基于混沌理论与蜉蝣优化K-means算法的变压器绕组松动故障特征分析方法。首先,运用C-C法重构变压器振动信号的相空间,分析变压器振动信号的混沌特性,得到关联维数、Kolmogorov熵作为混沌特征。然后,将蜉蝣优化算法引入K-means聚类分析中,对高维相空间轨迹的簇中心选取进行优化,得到相轨迹的簇中心矩之和、矢径偏移,并作为几何特征。实验结果表明:变压器振动信号的最大Lyapunov指数均大于0,适用于混沌特性分析;由变压器振动信号计算出的混沌特征能够表征变压器绕组的松紧程度;同时,经蜉蝣优化的K-means算法得到的簇中心能够作为特征点提取整个相空间轨迹的几何特征,也能够区分绕组的松动故障;将两种特征结合能够实现变压器绕组状态的准确监测,从而为变压器绕组在线检修提供了一种理论依据。

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一,尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-Alex Net的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点,导致其构建足量具有时间相关性的图像集十分困难,提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习,获得微调后的神经网络模型。实验结果表明:利用该样本构建方法生成的图像集作为训练集和验证集,建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上;利用变压器周期性振动信号生成的图像集作为测试集,测试准确率达到99%以上,实现了变压器绕组松动故障的准确诊断,并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。

高压电缆热机械效应分析与弧幅滑移量计算研究

针对现有方法无法准确计算热机械效应下高压电缆应变和弧幅滑移量,首先分析热机械效应机理,提出高压电缆应变计算方法和基于悬链线方程的弧幅滑移量计算方法。其次以高压单芯交流XLPE电缆为研究对象,通过有限元仿真分析热机械效应下高压电缆的温度场、应力和应变、弧幅滑移量。最后进行现场应变试验与弧幅滑移量测量试验。应变试验结果表明:应变片测量结果分别为1.84、1.19、1.12、2.16 mm,高压电缆最大应变理论计算值达到2.33 mm,根据测量和计算可判断高压电缆最大应变位置。弧幅滑移量测量试验结果表明:弧幅滑移量计算结果符合试验测量值和有限元仿真值,比现行标准计算值的相对误差减小了18.65%。上述试验结果验证了应变计算方法、弧幅滑移量计算方法符合高压电缆实际工况且便捷准确,为高压电缆蛇形敷设参数提供了有效的工程计算方法。

机器学习在汽车销量预测中的应用

利用机器学习技术,基于历史销量数据和钢材产量、橡胶轮胎产量、货币供应量、百度搜索指数、居民消费价格指数等,建立多因素非线性自回归汽车销量预测模型。