变压器可听声信号特征分析

振动与可听声的变压器诊断技术凭借与被监测设备无电气连接、抗干扰能力强和灵敏度高等优点成为研究热点。针对变压器可听声信号特征,分析了变压器可听声产生机理及其影响因素。运用分层阈值消噪法对信号进行消噪,采用快速傅里叶变换和小波分解法对不同运行年限、不同电压等级、不同采集位置、不同负载率情况下的在运变压器可听声信号进行分析,得到信号的频谱和小波能量特征向量。结果表明,理论上变压器可听声信号主频为100 Hz,并存在200 Hz、300 Hz等高次谐波分量。但是,随着变压器运行年限、电压等级的升高,主频增大为200 Hz,高次谐波占比及高频段能量特征值增大,信号频谱与能量特征值受采集位置影响,检测时应根据变压器结构等实际情况选取合适的采集位置。

基于Mel频谱滤波和CNN的有载分接开关可听声辨识方法

有载分接开关(on-loadtapchanger,OLTC)作为变压器的核心组件易发生机械故障,为实现其机械状态的不停电检测,文章提出一种基于Mel频谱滤波与卷积神经网络(convolutional neural network,CNN)结合的OLTC机械故障可听声辨识方法。首先搭建110kV OLTC故障模拟平台,物理模拟传动机构卡涩和内部组件松动故障,并进行可听声信号采集;其次在变电站现场声源分析的基础上,采用基于相似矩阵的盲源分离法将OLTC动作可听声音号与变压器本体运行噪声进行分离,提高信噪比;再次,根据OLTC可听声信号的能量分布特性,采用Mel频谱滤波法对原始信号进行降维,有效提升了处理效率;最后引入CNN通过超参数调整和网络结构优化设计构建可听声辨识模型,实现OLTC机械故障的识别。研究结果表明:该方法对OLTC传动机构卡涩和内部组件松动故障具有较好的识别成功率和运算效率,为OLTC机械状态现场不停电监测与故障诊断提供了有效参考。

基于相关性和类间差异度的放电声信号特征量选择与降维

为准确高效地诊断电气设备放电故障类型,实现多维特征的有效降维,提出了基于相关性和类间差异度的特征量选择与降维方法。首先,搭建模拟放电可听声信号采集平台,利用交叉小波变换分析信号的相关主成分,获得信号特征频带及其对应的离散小波重构时域分量,提取不同类型放电声信号的多维时域特征;然后,利用Pearson相关系数矩阵分析特征量之间的相关性,结合各特征类间差异度和类内离散度,优选出特征量进行识别效果检验;接着,以参数优化的支持向量机识别准确率为维度选择判据,依据准确率变化规律确定最终维度和特征;最后将该文方法与传统降维算法进行对比,并探究不同干扰模式对该文方法的影响。结果表明:所提方法相对传统降维算法保留了原始特征属性,最终所选特征的识别准确率超过96%,为特征降维提供了有效判据。