关键词： 变压器   乙炔   门控循环单元(GRU)   灰狼算法   多步预测  

摘要： 油中溶解乙炔作为电力变压器中重要的放电程度表征参量之一,对其进行多步预测可以为变压器故障诊断及预警提供重要依据。现有的状态预测模型主要集中于单步预测,对于未来更长时期变化趋势的预测手段不足。此外,基于深度学习的多步预测模型的超参数选择大多基于经验和朴素的单一控制变量法,超参数之间的耦合关系没有得到充分的研究。文中提出基于多输出策略的门控循环单元(gated recurrent unit,GRU)神经网络多步预测模型,通过改变模型结构超参数和训练超参数研究超参数之间的耦合关系,使用多目标灰狼优化算法对不同预测结果倾向的GRU模型进行超参数优化。结果表明,GRU模型可以较为准确的对变压器油中乙炔含量进行30天预测,GRU模型的各超参数对输出预测结果的影响规律并不统一且相互影响,一组超参数无法同时达到多目标最优。多目标灰狼优化算法能够根据预测目标的不同,优化选择合适的超参数,为人工智能算法超参数的选取提供参考。

关键词： 铝导体   沈阳变压器   应用研讨会   广东电网公司   辽宁沈阳   标准化技术委员会   变电   分会  

摘要： 中国电器工业协会变压器分会于6月12日在沈阳变压器研究院有限公司组织召开了铝导体变压器推广应用研讨会,会议由沈阳变压器研究院有限公司具体协办。沈阳变压器研究院有限公司执行董事、总经理杜炜,广东电网公司生技部变电科经理孙文星,全国变压器标准化技术委员会秘书长章忠国应邀参加了此次会议。

关键词： 变压器绕组   短路电流   抗短路能力   辐向稳定性   撑条   短路冲击   绕组形变   失稳状态  

摘要： 通过构建数学模型来分析不同短路电流参数对于变压器绕组辐向稳定性的影响。实验结果证明,在短路电流为8 000 A情况下,累积5次后的绕组形变量超过2 mm,形变曲线偏离直线,材料已经逐渐硬化。变压器中的撑条数量和撑条宽度同样会对变压器的辐向稳定性产生影响,当撑条个数为17个,撑条宽度为15 mm时,绕组的形变达到8.43 mm。此时进一步降低撑条宽度,则绕组会出现失稳状态。对变压器的失稳荷载进行分析,实验结果证明,在变压器受到7次短路冲击后,绕组累积形变约为2.0 mm,而使变压器绕组的失稳临界荷载约为133.2 MPa,与短路前相比,失稳荷载下降约34%。

关键词： 变压器   轨道交通   选型  

摘要： 本文作者根据城市轨道交通配电变压器容量选取偏大的问题,结合杭州地铁3号线标准地下站龙舟路站实际数据,从负荷实际用电量、负荷运行工况、消防非消防负荷三个角度对变压器容量选型进行了分析。根据分析结果,给出了地下标准站变压器容量选型原则和方法。

关键词： 油中溶解气体   模态分解   卷积神经网络   门控循环网络   预测  

摘要： 为防止电力变压器出现运维不足或者过度运维的情况,对其运行状态进行评估和潜在性故障进行预测具有重要意义。DGA技术是对变压器状态进行评估的有效方法,而变压器的机械振动、油温等原因会导致油中溶解气体信号呈非线性趋势,非稳定特性;致使预测难度增加,甚至日常测量气体数据缺失导致以DGA技术为主的在线监测系统无法监测变压器状态。针对以上问题,本文应用EEMD分解气体浓度信号集,而EEMD产生的高频本征模态函数会增加预测难度和影响预测精度,使用WPD进一步将子信号模态函数分解,针对过去机器学习无法分离和解析浓度信号间时间关联性和蕴藏特性的难题,本文提出了混合式CNN⁃GRUT预测模型,分离气体浓度子信号当中的蕴藏特性,深度解析气体浓度子信号集当中的时间关联特性,迭代子信号重组得到油中溶解气体浓度信号预测值。实验结果得出,提出的CMD⁃CNN⁃GRUT预测模型相较于BP、Elman等混合预测模型,CMD⁃CNN⁃GRUT的预测平均绝对误差减少22􀆰44%和30􀆰9%,并且结合实验证明了所提出的预测模型的有效性。

关键词： 变压器   故障诊断   合成样本优选   过采样   深度学习  

摘要： 电力变压器故障诊断方法受样本数量和数据质量问题影响显著,现有小样本学习方法由于合成样本质量不高,往往无法实际应用,进而导致智能诊断算法难以在数据少的情况下实现对变压器的诊断。为了解决传统过采样算法合成样本质量不足导致无法实现准确的故障诊断的问题,提出一种基于改进合成少数过采样技术和深度学习的变压器故障诊断模型。首先,通过合成少数过采样技术(synthetic minority oversampling technique,SMOTE)对训练集进行数据扩充;其次,基于余弦相似度实现合成样本优选,增强合成样本质量;最后,通过卷积神经网络模型对测试集进行分类预测。在某变电站实测数据下进行分析和验证,并与传统的方法进行对比。结果表明,所提方法提高了故障诊断的精度。

关键词： 变压器   故障诊断   核主成分分析   鲸鱼优化算法   最小二乘支持向量机  

摘要： 为了快速地分辨出变压器故障类型提高故障诊断的准确率,提出了一种改进的鲸鱼算法(IWOA)优化最小二乘支持向量机(LSSVM)的变压器故障诊断模型。利用核主成分分析(KPCA)对冗杂繁多的数据进行降维处理,减少无效特征;采用启发式概率、融合正弦函数优化的动态权重、优化比例系数对鲸鱼算法进行改进,提高其优化能力,并与鲸鱼算法(WOA)和粒子群算法(PSO)进行性能测试对比,验证算法有效性;利用改进的鲸鱼算法对LSSVM的相关超参数进行寻优求解,避免算法出现早熟问题,提高变压器故障诊断的准确度。并对模型进行模拟仿真实验,仿真结果表明准确率达到93.33%,相对于WOA-LSSVM模型和PSO-LSSVM模型分别提高了6.66%、10%,具有良好的故障诊断效果。

关键词： 电力网   技术线损   降损   变压器  

摘要： 新时期,社会生产、生活对电能需求量不断增加,电力网损耗问题也愈加明显,这也让供电企业进一步提升了对节能降损问题的关注度。线损率会直接影响供电企业经济效益,也有效反映了供电企业管理水平,因此做好线损管理、采取有效降损措施有着重要意义。但目前部分地区普遍存在高线损情况,如何有效降低电力网线损一直都是电力企业管理的重点与难点。基于此,分析了电力网线损的概念与构成,从电力网结构、经济运行、电力设备等方面探究造成电力网技术线损的原因,并有针对性地提出几点降损对策,旨在降低电力网的线损量,提升供电企业的经营管理效益。

关键词： 变压器故障诊断   Stacking框架   集成学习   知识蒸馏  

摘要： 准确并快速地识别牵引变压器的故障类型是智能化运维的关键技术。针对目前传统算法中存在单一模型偏差以及复杂模型的迭代速率与部署计算资源之间的约束等问题,提出了一种基于Stacking集成学习框架的牵引变压器故障诊断模型,并融入知识蒸馏技术以压缩模型迭代时间来提高模型的计算性能。首先构造了由变压器油中气体指标组成的评估特征向量,然后基于Stacking集成学习框架将单一的Bagging与Boost⁃ing框架算法组合起来,并融入知识蒸馏技术实现对特征向量与故障类型的有效映射。在DGA数据样本中的实际泛化效果表明该方法解决了传统集成模型存在的偏差与方差问题,加快了集成模型的迭代速度,证明了模型的工程应用价值。

关键词： 变压器   常见故障   处理方法  

摘要： 变压器在电力系统中扮演着至关重要的角色,其安全稳定运行直接关系到整个电网的可靠性。本文系统总结了变压器常见的故障类型,包括保护动作故障、油位异常故障、渗漏油故障、冷却系统故障、温度异常故障,以及运行声音异常等。通过分析故障的产生原因和相应的处理方法,提供了有效的应对策略,以保证变压器的长期稳定运行,为变压器的维护和故障处理提供理论支持和实践指导。