变压器缺陷发展过程中可见光与可闻声信号的特征规律及联合判据

电力变压器是电力系统中能量变换的重要设备,其故障会对电力系统供电可靠性和运行稳定性带来严重影响,因此对于变压器内部不同故障类型的判断就变得尤为重要。变压器发生故障时会产生明显的可闻声和可见光信号,研究不同放电形式下的信号特征,有助于变压器内部故障的准确判别。该文设计3种放电模型分别用于模拟变压器内极不均匀场放电、沿面放电和均匀场放电,测量并获得了各类缺陷下的可闻声和可见光信号,对比分析各信号间的差异和规律。研究发现:可闻声信号方面,极不均匀场放电主频为1980 Hz,沿面放电为200 Hz,均匀场放电为611 Hz;此外,沿面放电的可见光波长则集中在360~540 nm,极不均匀场和均匀场下的放电可见光能量均集中在482.8 nm和660.8 nm附近;单独通过可见光信号无法实现故障判别,但两类缺陷的可闻声信号主频特征并不同,两类信号结合起来可以更好地实现故障判别。研究结果可为变压器在线监测提供数据支撑和指导。

用差频方法演示可闻声多普勒效应

可闻声多普勒效应的传统演示方法,是让观察者直接听运动声源发出的声音,从而鉴别音调或频率的变化。我们感到这种演示方法存在如下两个问题:第一、要让现察者能听到音调有明显的变化,就要求声源的运动速度较高,而在通常实验条件下,这一要求并不容易达到。当运动速度不高时,多普勒频移量很小,一般人耳要分辨微小的频移是比较困难的,因而演示效果不明显;第二,当声源运动发生多普勒频移的同时,观察者所听到的声强也在发生变化,这对鉴别多普勒频移效应又增加了困难。为了克服上述困难。

基于可闻声源多模态特征的开关柜绝缘故障识别

精确的绝缘故障识别可以保证高压开关柜持续正常工作.根据电信号诊断开关柜故障的检测方法具有抗电磁干扰能力弱、接触性强等缺点.提出一种基于可闻声源多模态特征的非电信号检测方法,从开关柜发生绝缘故障时的可闻声信号中提取多模态特征,对比不同特征类型对识别结果产生的影响,并寻找最优的特征集合,应用支持向量机模型,对特征数据进行训练和识别,从而判断开关柜的绝缘状况.试验结果表明,采用支持向量机对可闻声特征集进行训练和识别,可以有效地诊断开关柜绝缘故障.

基于卷积神经网络的开关柜局部放电故障识别

目前的局部放电故障的分类算法大多是浅层学习算法,人工提取的特征直接影响分类结果。与浅层学习算法相对,深度学习具有更深的架构,能够自动从样本中学习特征,卷积神经网络是典型的深度学习算法。本文旨在研究卷积神经网络在开关柜局部放电的应用,证明深度学习架构能够有效提高识别率。本实验共采集正常和故障两种可听声信号,将以上两类声音信号进行提取特征后,分别放入SVM模型和卷积神经网络中进行分类。实验结果表明,卷积神经网络比传统的SVM提高了声音识别的准确度。

变电站智慧立体巡检系统关键技术研究

变电站巡检是确保设备正常安全运行的有效措施,对于降低事故的发生及控制停电范围具有重要意义。当前变电站巡检模式亟需从常规的人工巡检转向智慧立体巡检。从变电站智慧立体巡检系统关键技术研究出发,介绍了立体巡检系统架构设计、可视化算法研究、可闻声设备研制、变电站智慧巡检决策平台等方面的研究内容,最后探讨了当前研究存在的不足和今后的研究重点。