基于广义回归神经网络的变压器表面振动基频幅值计算

变压器振动基频幅值大小是分析和评判变压器运行状态和故障诊断的重要依据。为此,提出一种基于广义回归神经网络(GRNN)的变压器振动基频幅值计算方法,用于计算正常运行状态下的变压器表面振动基频幅值。所提方法考虑变压器振动产生机理和影响因素,先根据变压器运行电压、负载电流、油温等历史运行工况数据以及表面振动历史数据进行GRNN训练,保存训练好的GRNN网络即可根据实时运行工况数据计算变压器表面振动基频幅值。某台在运变压器表面振动实测信号的计算结果表明:所提方法比现有方法计算误差大幅下降约50%。研究结果可为变压器振动在线监测提供重要参考。

基于ABC-LSTM的变压器表面振动基频幅值预测

针对变压器表面振动基频幅值的预测问题,提出一种基于人工蜂群算法(Artificial Bee Colony,ABC)优化LSTM的混合预测模型(ABC-LSTM)。首先,在考虑变压器振动机理及其影响因素的基础上,选择运行电压、负载电流和油温作为输入、振动基频幅值作为输出构建LSTM模型;其次,采用ABC算法对LSTM的学习率、批处理数量、隐藏层神经元数目这三个直接决定其预测性能的超参数进行优化;最后,根据优化结果建立ABC-LSTM预测模型并通过某台变压器实测数据进行测试。结果表明,相比于LSTM和GRNN,文中所提模型的预测精度更高、稳定性更好。

基于脉冲涡流的金属薄板厚度检测研究

将不同厚度的金属薄板作为研究对象,设计并制作了一种带有高磁导率纯铁屏蔽罩的脉冲涡流传感器进行检测,从时域和频域上探究了传感器测得的差分电压与金属薄板厚度的变化关系。研究结果表明,在时域上,峰值和峰值时间随金属薄板厚度的增加而增大。在频域上,基频幅值与金属薄板厚度成线性关系,因而基频幅值更适合用于表征金属薄板厚度,且脉冲涡流的激励频率最好选择其基频对应的趋肤深度稍大于待测金属薄板最大厚度,可以在金属薄板测厚分析中得到应用。

关于电压跌落源定位问题的初探

本文首先根据引起电压跌落的原因将电压跌落源分为三类,并且系统分析了三类电压跌落源引起电压跌落波形的不同特征;其次从另一角度对现有几种电压跌落源定位的方法进行了分析,指出不同类型的电压跌落源类型应当采用不同的分析方法,才能过更好并快速准确的定位电压跌落源。