一种基于SVM算法的电力变压器机械故障智能诊断模型

振动分析法是一种变压器机械故障的非电量诊断方法,该方法通过分析变压器油箱表面的振动特征,可以诊断变压器内部的绕组变形或铁心松动等故障。SVM是一种新型的机器学习方法,能够在小样本的情况下训练得到泛化能力强的分类模型。文中基于振动信号和SVM算法构建了一种变压器智能诊断模型,通过对试点变压器的上百组振动信号数据进行采集和频谱特征提取,在此基础上构建了SVM训练数据集,训练了单值υ-SVM故障诊断模型并取得了较好的效果,从而验证了该模型的有效性,可为相关研究者提供一定参考。

基于振动检测的GIL放电性故障先兆的判别方法

气体绝缘金属封闭输电线路(GIL)在长距离电力传输中应用较广,但目前关于其故障检测与诊断的研究较少。对此,通过分析GIL设备振动信号的产生机理,对金属微粒引起的GIL内部放电性故障进行模拟试验及仿真建模研究,提出了振动信号的特征值。结果表明,可根据振动加速度信号中的特定频段范围(1~20kHz)内的信号能量占总能量的百分比大小来判断GIL内部是否产生了放电性故障先兆。研究成果可指导工程实践。