基于声振特征区分的SMA优化SVM变压器机械松动识别方法

基于梅尔频率倒谱系数(MFCC)提取的声振特征无法清晰描述变压器信号本身能量分布,应用于变压器机械松动识别时存在准确率不高的局限性,因此提出一种优先进行声振特征区分的变压器故障识别方法。首先依据XGBoost贡献指标化结合粗糙集分析区分MFCC特征显隐性:显性特征对状态识别贡献更高;其次,建立以Focal损失为目标的SMA优化模型,并按显隐性为SVM输入设置权重范围;最后,利用优化后的SVM对变压器实测样本进行训练分析。结果表明,该识别方法平均准确率达98.83%,较仅参数优化SVM的识别准确率提高2.48%,且变异波动小。相比PSO、WOA和GOA算法,SMA算法在特征全局优化和损失收敛性上更突出。此外,该方法还具有一定鲁棒性,引入5%干扰样本后准确率下降在0.3%以内,从而在变压器实际运行环境中具有抗干扰价值。

基于ICEEMDAN和时变权重集成预测模型的变压器油中溶解气体含量预测

为了实现对变压器油中溶解气体体积分数的精确预测,同时克服仅使用单一预测模型导致预测精度及泛化能力不足的局限,提出了一种基于改进完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)和灰色关联系数时变权重集成预测模型的变压器油中溶解气体预测方法。首先将溶解气体含量序列模态分解为一系列具有不同时间尺度的子序列。然后,使用门控循环神经网络和麻雀搜索算法优化支持向量机对各子序列进行训练,组合为一个集成预测模型;并比较不同预测方法的预测精度,计算灰色关联系数时变权重,形成各子系列的预测结果。最后将各子序列的预测结果叠加重构,得到最终预测结果。算例分析结果显示:该方法单步预测的均方根误差、平均绝对误差和相关系数分别为0.593、0.422和0.768,相比其他算法在预测精度上有明显提升,同时具有很强的泛化性能,可以为油浸式变压器内部状态监测提供依据。

基于多特征提取和麻雀搜索算法优化XGBoost的变压器绕组松动诊断方法

针对使用单一特征量诊断变压器绕组松动,在不同负载条件下存在交叠和抗干扰能力不足的问题,提出一种基于核主成分分析(KPCA)和改进麻雀搜索算法(SSA)优化极端梯度提升(XGBoost)的变压器绕组松动振动诊断方法。首先,从时域、频域和熵值3个维度提取适用于变压器多传感器振动信号的多种特征量;其次,通过网格搜索优化的KPCA对特征量进行降维;最后,构建基于XGBoost的故障诊断模型,并采用改进麻雀搜索算法调参,实现不同电流大小下变压器绕组松动故障准确识别。以某110 kV变压器为对象进行实验验证,诊断结果表明,所提取的特征量能够准确反映故障特征,抗干扰能力更强,诊断模型故障诊断准确率为99.00%,相比于其他诊断算法准确率和稳定性更高,在不同负载情况下均有良好的识别效果。

基于LWOA-LSTM的大容量锂电池SOC估计

准确预测锂电池荷电状态(SOC)对电池安全运行至关重要,分析在电网不同模式下的SOC更是锂电池全面推广的基础。提出一种基于莱维飞行的鲸鱼优化算法(LWOA)优化长短时记忆神经网络(LSTM),对调频模式下的大容量锂离子电池SOC进行估计。首先,分析LSTM神经网络和LWOA算法,构建LWOA-LSTM模型,进行参数优化;然后,选取调频模式下大容量锂离子电池组实验数据,对数据进行预处理和模型训练;最后,实现调频模式下锂电池的SOC估计。试验结果表明:所构建模型能准确预测锂电池SOC,较WOA-LSTM模型,评估指标RMSE和MAE分别降低了25.55%、28.71%,R^(2)上升了0.76%。

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Mel-GADF与ConvNeXt-T的变压器铁心松动故障诊断方法

为解决传统梅尔(Mel)时频谱图对变压器铁心松动程度识别率较低的问题,提出一种基于梅尔-格拉姆角差场(Mel-GADF)时频谱图与ConvNeXt-T网络相结合的变压器铁心松动故障诊断模型。将变压器声纹信号生成Mel时频谱图,同时将原始声纹数据经过格拉姆角场(GAF)变换得到格拉姆角和场(GASF)与GADF这2种时频谱图;生成Mel-GASF与Mel-GADF这2种特征融合的时频谱图来弥补Mel时频谱图的低频缺失问题;将3种时频谱图放入ConvNeXt-T网络进行训练对比,选出效果最佳的诊断模型。以型号为S13-M-200/10的变压器为对象进行空载试验,对不同铁心松动程度下的声纹信号进行分析,分析结果表明,将Mel-GADF作为特征时频谱图结合ConvNeXt-T网络,可将测试集准确率从传统Mel时频谱图的98.273%提升至99.500%,提升了1.227个百分点。

典型调峰/调频工况下储能电池组荷电状态估计

针对储能电池组在电网典型储能工况下荷电状态(state of charge,SOC)估算精度较低的问题,提出一种基于核主成分分析(kernel principal component analysis,KPCA)-鹈鹕优化(pelican optimization algorithm,POA)-双向门控循环单元(bidirectional gated recurrent unit,Bi GRU)的SOC估计模型。通过设计调峰/调频工况下电池组充放电实验,从数据中提取表征SOC变化的融合特征作为模型输入;分别构建不同工况下Bi GRU网络,并利用POA对其超参数进行优化,提高模型性能;进一步在混合工况下验证模型的有效性。结果表明,所建模型有着更好的SOC估计效果和更强的鲁棒性,能够提高复杂储能工况下储能电池组SOC估计精度。

磷酸铁锂电池组在电网调峰工况下的液冷技术研究

调峰是电池储能电站重要运行的工况,电池冷却对储能电站电池安全运行至关重要,本文对磷酸铁锂电池组在调峰工况下的液冷技术进行研究。首先对磷酸铁锂电池组在实际调峰工况下的产热以及电池的液冷冷却进行研究,建立磷酸铁锂电池组在调峰工况下的产热模型以及液冷冷却模型,其次对磷酸铁锂电池组在调峰工况下的液冷模型进行优化,通过有限元仿真分析,最后,采用调节冷却液流向以及合理调节流量等方式对液冷冷却进行优化。仿真与实验结果表明:合理设置不同冷却管冷却液流向可有效提高液冷散热的均温性,通过仿真温度云图的对比并创新地采用ΔT (最大温度与平均温度的差值)来体现不同方案均温性的优劣;增大流量虽然有助于降温,但液冷倍率达到2.0以上时,冷却效果增加有限,但能耗大大增加,通过仿真结果提出最佳的流量范围为1.5~2.0。本文所提方案均已通过实验验证,并在储能电站电池冷却进行实际应用。

基于电压极差特征的储能电池组早期健康状态检测

为了更加高效地评估储能电池组的健康状态(SOH),提出一种基于电压极差特征的早期健康状态检测方法。首先基于大容量磷酸铁锂储能电池组开展循环老化试验,测量每次循环的电压极差信号,并从中提取关键时间点的电压特征;其次,基于皮尔逊(Pearson)相关系数及灰色关联度分析法(GRA)筛选与电池组老化高度相关的健康因子。最后,通过麻雀搜索算法(SSA)优化双向长短时记忆网络(BiLSTM)的超参数,搭建SSA-BiLSTM健康状态估计模型,实现储能电池组SOH评估;并结合常规机器学习算法验证了健康因子的有效性和估计模型的优越性。结果表明,所提取充放电静置30 min的电压极差特征能够有效反映电池组容量衰退趋势,多种模型验证下SOH估计误差均低于±0.8%。其中,本文所提出的SSA-BiLSTM模型均方根误差(RMSE)低至0.07%。因此该方法能够有效地对大容量储能电池组的SOH实现在线监测。

独活寄生汤治疗神经根型颈椎病作用机制和临床应用研究进展

颈椎病已成为我国乃至全球临床实践中一大顽疾。神经根型颈椎病患者占有最多比例,其发病机制较为复杂,尚未形成统一共识。中医学将神经根型颈椎病辨病为“痹证”范畴,其主要病机为肝肾、荣卫亏虚,外受邪气、过劳、外伤,内外相攻所致。独活寄生汤作为药王孙思邈的经典名方,已普遍用于骨伤科疾病的治疗之中,但针对神经根型颈椎病未见广泛临床应用。因此,根据近年独活寄生汤的相关文献归纳总结,此方治疗神经根型颈椎病的作用机制可能与以下4个方面相关:降低炎症物质水平,改善血供,延缓颈椎退变,改善神经功能。文章对独活寄生汤治疗神经根型颈椎病的作用机制、单味药现代药理学研究、现阶段临床应用进行综述,以期为神经根型颈椎病的中西医临床治疗提供相应的理论基础和参考价值。

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%。

电力变压器振动特性分析与固有频率识别

文章提出了基于合闸振动信号的变压器振动固有频率识别方法,可以据此来实现对变压器机械状态的评估。首先,文章建立了变压器多自由度非线性轴向振动模型,通过计算得出变压器在发生故障时其固有频率将会发生变化,而振动固有频率可以从变压器的合闸振动信号中提取得到,基于此文章提出了基于变分模态分解和特征系统实现算法结合的变压器固有频率识别方法,并根据固有模态分量的统计特性,提出了基于延时峭度法的模态识别方法,最后通过仿真与实验证明所提方法较传统方法而言可以有效的降低谐波模态的干扰,提高固有频率的识别精度。

基于多传感器融合声纹特征图谱的变压器铁芯松动故障诊断方法

变压器铁芯轻微松动故障给变压器安全稳定运行留下巨大隐患,目前尚缺乏切实可靠的诊断方法。提出一种基于多传感器融合声纹特征图谱的变压器铁芯松动故障诊断方法。首先,利用4个传感器采集声纹时序序列,通过小波变换生成声纹特征图谱,利用熵权法确定不同传感器信号的权重分配,将4个声纹特征图谱加权融合,从而形成多传感器融合声纹特征图谱。其次,将融合声纹特征图谱输入优化后的ShuffleNetV2模型,通过分组卷积和通道混洗得到铁芯松动程度。最后,通过现场试验验证了方法的有效性。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,平均准确率高达99.6%。与采用傅里叶频谱(fast Fourier transform, FFT)、格拉米角场(Gramian angular field, GAF)、马尔可夫变换场(Markov transform field, MTF)以及混沌特征(recurrence plot, RP)等传统声纹特征图谱的诊断相比,所提方法识别准确率提高了12.2%;与采用单传感器声纹特征图谱的诊断相比,所提方法识别准确度提高了5.8%;与采用AlexNet、MobilleNetV2、GoogleNet以及ResNet等卷积神经网络模型的诊断相比,所提方法识别准确率提高了2.7%。

基于VMD与优化SVM的变压器绕组松动缺陷振动信号诊断方法

随着电力系统中变压器容量的不断增加,变压器绕组松动缺陷引起的影响也愈发严重,故需进行故障诊断。针对利用振动信号进行变压器绕组松动缺陷诊断问题,提出基于变分模态分解(VMD)排列熵(PE)的变压器振动信号特征提取方法与天牛须搜索(BAS)优化支持向量机(SVM)的变压器绕组松动缺陷诊断方法。首先对一台实际110 kV变压器设置不同松动状态,采集绕组正常与不同松动程度状态下振动信号;其次,采用变分模态分解结合排列熵进行变压器绕组松动缺陷特征提取;再次,采用天牛须搜索优化支持向量机算法进行绕组松动状态模式识别。最后将该方法与传统方法进行对比,结果表明,VMD分解效果优于当前主要采用的经验模态分解,排列熵量化故障特征效果优于多尺度排列熵、近似熵等时间序列复杂度计算指标,BAS⁃SVM运算时间及诊断正确率优于网格搜索优化SVM、遗传算法优化SVM等优化算法;所提方法在所进行的60%~110%额定电流状态试验下变压器绕组松动故障诊断准确率达到98.7%以上。

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。

基于振动的储能电池异常工况预警新方法

文中引入振动信号作为一种新的储能电池状态参数,通过搭建储能电池振动信号检测平台,对电池设置正常充电、过充和外部短路后充电三种运行工况,并采集其振动信号。为了完整还原储能电池振动信号的特征,对采集信号进行傅里叶变换和连续小波变换,提取不同工况下的幅值特征和能量特征,得到以下结论:(1)电池在不同工况下的振动特征存在区别;(2)两种异常工况的特征均可归纳为主频率改变、振动幅值上升和信号能量向中高频段转移。电池异常工况振动特征的发现,有望对储能电池的状态监测和异常工况预警提供新的研究思路和参考。

基于合闸宽频振动信号的绕组机械状态评估

针对基于离散频率振动信号的绕组机械状态诊断方法无法真实反映绕组结构特性,且对于绕组早期松动故障灵敏度低的问题,提出了基于合闸暂态宽频振动信号的变压器绕组机械状态检测方法。首先,研究了变压器空载合闸时绕组轴向振动机理,基于最小作用原理建立了双导线振动模型动力学方程;其次,通过鲸鱼优化算法(whale optimization algorithm,简称WOA)优化的变分模态分解(variational mode decomposition,简称VMD)得到包含绕组基频和机电耦合效应下高频分量的模态分量;最后,计算信号的样本熵值(sample entropy,简称SampEn)和频谱峰值,依据样本熵及频谱峰值的变化对变压器绕组机械状态进行检测。研究结果表明:伴随固有频率的变化绕组会出现参变谐振;WOA‑VMD算法降噪效果优于普通VMD算法;基于宽频振动信号的绕组机械状态诊断方法能够有效反映绕组松动故障,验证了基于宽频响应变压器绕组故障诊断的可行性。

定向识别航拍绝缘子及其缺陷检测方法研究

针对现有绝缘子检测算法无法定向检测绝缘子及其缺陷的问题,提出了一种改进YOLOv5(you only look once v5,YOLOv5)算法的航拍绝缘子识别及其缺陷检测方法。通过定向标注航拍绝缘子图片,形成航拍绝缘子数据集和缺陷绝缘子数据集;在YOLOv5的主干特征提取网络引入轻量化注意力机制模块、在特征融合阶段使用改进的空间金字塔池化结构;通过改进YOLOv5网络的头部结构使其可以对绝缘子进行定向识别,并对损失函数添加角度损失分类。实验结果表明在检测时间由单张0.044 s到单张0.049 s并无显著增长的前提下,改进后的算法在测试集上的mAP(mean average precision)的值为95.00%,实现了定向识别绝缘子及其漏帽缺陷,还可应用到绝缘子视频流检测。为后续的绝缘子精确定位以及进一步故障检测打下良好基础。

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。

基于DST的调相机转子轻微匝间短路故障诊断

转子绕组匝间短路故障是调相机的一种常见故障,一旦出现就会直接影响调相机在系统中的无功输出。由于调相机在运行过程中时常要对无功功率进行调节,仅用单独的特征量难以准确地对故障进行诊断,极易出现误判。针对此问题,提出一种基于DS证据理论(DS evidence theory,简称DST)的调相机转子轻微匝间短路故障的诊断方法,综合利用振动信号和励磁电流中的感应谐波对故障进行诊断。首先,通过随机森林计算单独特征量下的故障概率;其次,通过DST的组合规则将二者的结果进行综合诊断;最后,通过实验进行验证。实验结果表明,该方法诊断的正确率均高于单独特征量的诊断,可以有效提高调相机转子轻微匝间短路故障识别的准确性。