基于GSM通讯模块的电力变压器检测系统研究

针对变压器绝缘检测面临的状态量难以有效监测的问题,提出了基于GSM通信对变压器状态量信息的传输。

可以提高工效的电源功率电源变压器检测仪

无论是出产小型变压器的厂家,还是电子产品的生产企业,对成品的小功率电源变压器都有次级输出电压检测这一道工序。虽然用测量电压的仪表能测出变压器输出电压的确切数据,但在批量生产中工作效率太低。本文介绍的“小巧率变压器检测仪”,能够方便快捷地对小功率电源变压器进行检测。

基于声纹压缩和代价敏感的变压器状态检测评估方法

声纹检测技术可以助力巡检人员对变压器状态进行检测和评估。文中提出一种基于声纹压缩和代价敏感的变压器状态检测和评估方法。该方法首先提取变压器音频的声纹特征,然后在频率维度上对声纹特征进行筛选和压缩,最后使用卷积神经网络评估变压器状态,并引入代价敏感损失函数以提高对难检出样本的关注度。以某35 kV变压器为研究对象,通过收集现场音频、模拟实验和样本扩充得到变压器音频数据集。测试结果表明,文中所提方法将声纹维度从1 025维降低到80维,计算量和显存分别降低到1 025维的8.1%和7.7%。同时,所提方法的声纹识别准确率高达83.5%,并将最难检出的短路电流异常状态的召回率从48.2%提升至63.6%。

基于声纹特征识别的电力变压器运维检测技术研究及性能评估

文章开发了一种基于声纹特征识别的电力变压器运维检测技术,其利用梅尔频率倒谱系数结合深度置信网络和支持向量数据描述算法,提升了声纹信号分析的准确度和效率。试验表明,DBN–SVDD算法在变压器缺陷识别中准确率达97.94%,为智能电网的可靠运行提供了技术支持。

基于声纹压缩的变压器状态检测技术研究

为提高变压器运维的智能化水平,提出一种基于声纹压缩的变压器状态检测新方法。该方法利用声纹特征提取技术从变压器运行声音中提取关键特征,应用声纹压缩算法实现高效编码,并基于压缩后的特征训练状态识别模型。实验结果表明,该方法在故障检测率、虚警率、准确率等指标上均优于传统方法,可有效提升变压器状态检测的效率和可靠性。

基于红外图像处理的箱式变压器组件检测研究

为解决高原风电箱变巡视问题,减少巡视工作量,提高设备运行稳定性,针对基于红外图像处理的箱式变压器组件检测技术展开研究。构建YOLOv8模型作为本文实验的主要算法,在红外图像基础上,通过特征提取、目标检测头部网络、位置预测等步骤,设计检测算法,配置实验参数,训练模型。最后的实验结果表明,YOLOv8n模型mAP达到95.1%,在实验设备上识别速度达到0.35 s,与YOLOv3识别速度相比提升了74%,证明了YOLOv8算法在实际运用中可行性和有效性。

基于改进随机森林算法的变压器故障智能检测技术研究

针对传统变压器故障检测准确率不高的问题,提出了改进随机森林算法的变压器故障检测技术。通过对随机森林算法的分析指出决策树数量、决策树深度以及特征选择直接影响算法的性能,采用网络搜索算法对决策树数量及深度进行调整,同时通过主成分分析将不重要的特征去除,实现对随机森林算法的改进。将改进的随机森林算法应用于变压器故障检测中,其对变压器故障检测的性能明显由于传统随机森林算法。这对快速、精准检测变压器故障,确保电网安全运行具有一定的参考价值。

基于RFID技术的光伏电站变压器故障检测研究

为提升光伏电站变压器的运行可靠性,文章提出一种基于射频识别(Radio Frequency Identification,RFID)技术的故障检测系统。该系统通过集成RFID标签与多种传感器,实时监测变压器的温度、振动及油质等状态参数,并利用改进的支持向量机(Support Vector Machine,SVM)模型进行故障检测。实验结果表明,相较于基于传统反向传播(Back Propagation,BP)神经网络模型的故障检测系统,该系统能更准确、高效地识别变压器潜在故障,为光伏电站的安全稳定运行提供了有力的技术支持。

SPNCC与一维双通道CNN-LSTM相结合的变压器局部放电故障音频检测

变压器运行时产生的声音信号包含了丰富的状态信息,可作为变压器故障诊断的重要依据。为提高变压器故障音频诊断效果,首先将变压器运行时现场采集的声音信号分为工作环境噪声信号、正常工作音频信号以及局部放电故障音频信号;然后通过卷积神经网络分类、小波包分解以及巴特沃斯带通滤波的方法去除原始音频信号中的非稳态环境噪声和短时稳态环境噪声信号;并建立了基于简化版幂律归一化倒谱系数特征的一维双通道卷积神经网络−长短时记忆网络的变压器局部放电故障识别模型。通过现场采集某500 kV变电站不同自然环境下的变压器运行声音信号与故障仿真实验,验证了提出的局部放电故障识别模型的可行性,相较于传统的音频故障诊断方法,提出的模型具有更快的收敛速度,更好的故障识别准确率与故障分类准确率。

基于热像检测的变压器预测维修

变压器是变电站中最主要的设备之一,整个电力系统的运行与该装置的可靠和准确性密切相关。因此,变压器的寿命评估及其检修计划对于电力的有效输配至关重要的。本文提出了一种利用热图像对变压器进行在线预测维修的方法,比较了四种变压器热图像热点检测的分割方法。在本文研究的四种算法中,改进的Kmeans算法提供了最好的分割性能。

智能化变压器检储配方案:创新设计与实施成效分析

随着电力系统的快速发展和变压器需求的增长,传统的人工检测方法已无法满足高效率和高精确度的双重需求。介绍了一种智能化变压器检储配方案,该方案通过整合互联网、物联网和物流网,实现了传统检测、存储和配送流程的自动化和智能化。通过模块化设计,该方案显著提高了检测效率,减少了人力成本,降低了安全风险,并有效解决了检测能力不足和检测积压的问题。该方案的实施不仅缩短了建设周期,降低了建设成本,还提高了设备利用率,具有显著的经济效益和安全效益。

基于改进YOLOv5的变压器漏油检测

为了能够及时检测变压器的漏油问题,保障电力系统的正常运转,提出了一种基于改进YOLOv5的变压器漏油检测方法。通过在特征金字塔网络(FPN)结构基础上加入4倍采样层,使特征信息跨层融合,提高模型的检测准确率;引入具有动态非单调聚焦机制的Wise-IoU边界框损失函数来加快网络的训练与推理,通过权衡低质量样本和高质量样本的学习进一步提高模型的整体性能;最后,受Transformer模型的启发,使用EfficientViT模型作为主干网络,大幅减少了模型的参数量,虽然牺牲了小部分检测性能,但仍保持了优于原模型的性能。使用自建的户外变压器漏油数据集进行训练与测试,结果表明,与原模型相比,改进后的网络准确率提高了8.6%,召回率提高了8.5%,mAP@0.5提高了7.8%,参数量下降了42.3%,有利于工程部署。

基于改进鲸鱼优化算法的变压器绕组检测系统

在超声波检测变压器绕组变形系统中,对超声信号时延估计的准确性和实时性的需求,以最小二乘时延估计为研究对象,提出了一种基于改进鲸鱼优化的自适应时延估计方法。该方法将改进鲸鱼算法(WOA)引入在最小二乘时延估计的寻优规划中,解决了传统LMSTDE的计算量大的问题;通过引入非线性调整策略增强了WOA的全局搜索能力,提高了算法的收敛速度和精度,避免过早陷入局部最优。实验结果表明:改进后的算法在保持了原有算法的精度和抗噪声优点的同时,极大地提高了运算速度,满足在超声检测变压器绕组时实时性的需求。

基于改进YOLOv3的变压器定位检测研究

目前目标检测算法由于数量和背景不平衡导致的电力部件检测精度不高,同时在背景复杂的情况下分类定位不准确。针对上述问题,提出一种改进的YOLOv3的变压器检测算法,使用DarkNet-53深度卷积神经网络作为抽取图像特征的骨干网络。使用Focal loss和均衡交叉熵函数改进原YOLOv3的损失函数,使模型在样本数量少的类别上倾注更多的注意力;使用K-means对样本中的变压器框进行聚类生成预选框,并调整YOLOv3输出结构使其适应变压器目标检测任务,提高检测的效率。实验结果表明改进后的YOLOv3在变压器检测上有更高的准确率和速率。

基于加权小波神经网络的油浸式电力变压器故障检测

分析变压器油中溶解气体含量进行变压器故障诊断的关键是找到油中溶解气体含量和故障之间的非线性关系。针对已有检测方法诊断准确性不高的问题,提出不基于Fourier变换,而是利用细分的方法构造一类新的具有加权性质的小波函数。将小波函数作为前馈神经网络的隐含层函数并优化网络的学习率,构造出加权小波神经网络处理变压器油中溶解气体含量数据。通过实际故障数据验证,此方法较已有的诊断方法准确性更高,在同等计算精度下速度更快,进而提高了变压器故障诊断的效率。

改进PSO-BP神经网络在变压器故障检测中的应用

粒子群优化(PSO)算法中的粒子根据全局最优粒子来移动自身位置进行搜索,但当某一粒子连续多次被选为全局最优粒子的时候,整个群体的粒子就会快速收敛于该最优粒子,陷入局部最优。为此,提出了变异动态粒子群优化(MDPSO)算法。采用惯性权重变异的思想,当某粒子连续被选为全局最优粒子时,就使一部分粒子的惯性权重以指数速度增长,使粒子跳出局部最小,继续全局寻优。并把改进的粒子群优化算法和BP神经网络相结合,应用于变压器故障检测中。实验表明,与常用的粒子群优化算法相比,用改进的粒子群优化算法优化BP神经网络具有更好的性能,在变压器故障检测中能够获得更高的检测精度。

变压器油中多组分气体高精度在线检测研究

针对多组分气体测量精度低、交叉影响等问题,建立了一种高精度多气体网络式在线检测系统。系统中采用窄线宽激光器作为光源,设计了新型长光程气室,通过单一高频三角信号调制激光光谱,利用谐波检测技术和光学时分、空分复用技术相结合,实现了三种气体(CO,CH_4,C_2H_2)的同时多点高精度在线测量。实验结果表明,多气体浓度测量最大相对误差小于4%,每种气体响应时间均小于15 s。该系统多气体检测精度高、响应时间快,非常适合用于变压器绝缘油中多组分气体实时在线检测。

基于虚拟仪器技术的变压器综合检测系统

介绍了采用虚拟仪器技术、组件化软件技术和数字信号处理技术的电力变压器综合检测系统。

配电变压器并行检测模型及其关键技术研究

为提高配电变压器的整体检测效率,基于当前国家电网有限公司主流的配电变压器批量化检测模式,借鉴计算机科学中的并行化思想,设计了检测流水线和检测多任务逻辑结构,提出一种利用流水线执行和多任务并发的配电变压器并行检测模型。针对检测资源共享这一特点,通过设立样品物理缓冲区、构建最小运输路径、优化初始资源配置等关键技术,对该模型进行优化,提出了资源优化配置方法以及并行检测任务调度算法。现场试验结果表明,优化后的并行检测模型相比于优化前在配电变压器检测效率和检测资源利用率上均有大幅提升。

基于粗大误差检测的变压器故障诊断方法

将粗大误差理论引入变压器故障诊断,提出了粗大误差检测与特征气体比值诊断法相结合诊断变压器故障的新方法。通过对特征气体色谱分析得到的测量列进行粗大误差检测来判断变压器是否存在潜在故障,同时根据显著度的数值,得到变压器发生故障的概率。结合特征气体比值法,最终得到变压器的故障类型和故障原因。通过具体故障诊断实例,验证了方法的有效性。