关键词： 物理场预测   机器学习   有限元分析   电磁场   变压器  

摘要： 变压器是电力系统中重要的电气一次设备,而目前获取变压器内部物理场分布的有限元分析（Finite Element Analysis,FEA）方法存在仿真耗时的问题,因此,实现高精度且快速的变压器物理场预测有着重要的研究意义和实用价值。本论文以FEA仿真产生的电磁场数据为例,基于机器学习方法,开展高精度且快速的变压器内部物理场预测研究。主要研究内容和研究结果如下:（1）针对FEA方法仿真耗时且对计算资源要求较高,导致无法实现快速仿真的问题,本论文开展了正常状态下的变压器内部物理场预测研究。本论文在南方电网科学研究院提供的真实变压器及其组件的电磁场仿真数据以及利用COMSOL仿真生成的单相变压器磁场仿真数据和三相变压器磁场仿真数据基础上,对仿真数据进行了物理场网格插值、输入特征重要性排序、输入特征归一化和基于主成分分析（Principal Components Analysis,PCA）的数据特征降维等预处理;以电压和电流作为输入,构建了对应的电气参数数据集,开展了不同机器学习模型在电磁场预测上的差异性研究,并对单相变压器磁场仿真数据开展了预测模型的适应性研究。实验研究结果表明:1)岭回归（Ridge Regression,RR）和支持向量回归（Support Vector Regression,SVR）在真实变压器及其组件的电磁场预测上更有效,其决定系数（R-squared,R）均能达到0.99,预测用时均在2.00 s以内。2)深度神经网络（Deep Neural Network,DNN）在4维输入参数的单相变压器磁场预测上表现最优,其平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）为1.37%,R为0.99,预测用时为0.21 s。3)卷积神经网络（Convolutional Neural Network,CNN）在15维输入参数的三相变压器磁场预测上表现最优,其MAPE为0.36%,R为0.99,预测用时为0.37 s。4)在修改单相变压器的三维几何模型与仿真参数后,最优预测模型DNN的MAPE为4.26%,R为0.99,预测用时为0.32 s。5)正常状态下变压器磁场预测模型生成一条数据的平均速度最少为FEA仿真的14.62倍,最多为141.54倍。（2）针对变压器接入正弦交流电源,导致变压器磁场发生时序性变化的问题,本论文开展了单相变压器时序磁场预测研究。以PCA降维后的连续时刻磁场数据作为输入,构建了单相变压器时序磁场数据集;并利用时间卷积网络（Temporal Convolutional Network,TCN）和长短期记忆网络（Long Short-Term Memory,LSTM）开展了对连续时刻的下一时刻磁场分布预测研究。实验研究结果表明:1)TCN在训练效率和时序磁场预测上表现最优,其MAPE为5.83%,R为0.99,预测用时为0.38 s。2)基于TCN的单相变压器时序磁场预测模型生成一条数据的平均速度为FEA仿真的8.08倍。3)单相变压器的时序磁场数据集与电气参数数据集的预测实验对比,证明了本论文利用电气参数数据集进行磁场预测的有效性。（3）针对变压器受到不同激励进入非正常状态,导致变压器磁场变化不规律的问题,本论文开展了非正常状态下的变压器内部物理场预测研究。利用COMSOL获取了四种典型的非正常状态下变压器磁场仿真数据;分析了状态参数对变压器中电气参数的影响,拓展了磁场预测的输入特征维度,并利用四种预测模型开展了非正常状态下变压器内部磁场预测研究。实验研究结果表明:1)CNN在三相变压器过电压数据和单相变压器直流偏磁数据的磁场预测上表现最优,其MAPE分别为2.57%和2.03%,R均为0.99,预测用时分别为0.56 s和0.33 s。2)DNN在单相变压器励磁涌流数据和绕组变形数据的磁场预测上表现最优,其MAPE分别为4.02%和2.46%,R均为0.99,预测用时分别为0.42 s和0.87 s。3)四种非正常状态下变压器磁场预测模型生成一条数据的平均速度最少为FEA仿真的5.59倍,最多为96.95倍。（4）针对目前基于机器学习的变压器电磁场预测缺乏规范化流程的问题,本论文初步开发了变压器内部物理场在线预测平台。分析了本论文中涉及的变压器电磁场预测的流程,针对不同的需求,设计了对应的功能模块,并利用Py Qt5开发了用户界面（User Interface,UI）。用户可以在平台上导入FEA仿真数据后,自定义参数并训练预测模型,最终将预测的结果进行可视化。

关键词： 变压器故障诊断   油中溶解气体分析   特征优选   麻雀搜索算法   支持向量机  

摘要： 变压器在电力系统的输、变、配电任务中起到至关重要的作用,是电力系统的关键枢纽设备。一旦变压器发生故障,会带来电气设备中的短路或其他故障,从机器的失速到照明设备的熄灭,甚至导致火灾和严重的人身伤害,带来巨大经济损失。因此,需要采用更加科学的方法对变压器进行状态监测和故障诊断,以实现更加精准的故障预测和维修,提高变压器的可靠性和稳定性。本文提出一种基于随机森林(RF)特征优选与改进麻雀算法(ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先,针对原始数据存在不相关、冗余或嘈杂的特征影响变压器故障诊断准确率的问题,建立基于RF特征优选的SVM变压器故障诊断模型,得到特征优选结果并进行分析与对比。特征优选结果作为输入的SVM变压器故障诊断模型的诊断准确率不仅高于优选前数据作为输入的SVM模型,也高于其他传统方法输入特征作为输入的SVM模型。同时,以特征优选结果作为模型的输入,与其他故障诊断模型相比,验证了SVM故障诊断模型的优越性。其次,针对麻雀搜索算法存在收敛速度慢、易陷入局部最优的问题,提出一种改进麻雀搜索算法:一是采用Tent混沌映射初始化策略增加算法的多样性,提高搜索效率,二是将Levy飞行策略引入SSA中警戒者的位置更新公式的麻雀最优位置,减少麻雀陷入局部最优的风险。然后基于12个测试函数及威尔克逊秩和检验证明改进麻雀搜索算法(ISSA)的有效性,与粒子群算法(PSO)、灰狼算法(GWO)、鲸鱼算法(WOA)与麻雀搜索算法(SSA)进行对比分析,并且通过消融实验表明各个改进的有效性。结果表明,ISSA算法在收敛速度和迭代次数以及跳出局部最优能力方面有一定提升。最后,选取改进麻雀搜索算法对SVM模型的相关参数进行寻优,建立基于RF特征优选的ISSA-SVM变压器故障诊断模型。以RF特征优选的结果作为输入,进行变压器故障诊断,并与未进行参数优化的SVM、PSO-SVM、SSA-SVM变压器故障诊断模型进行对比分析,验证本文基于RF特征优选的ISSA-SVM变压器故障诊断模型的优越性。

关键词： 三电平双有源桥   平面变压器   漏感   损耗分析  

摘要： 在电动汽车、新能源发电以及数据中心高速发展的今天,电力变换也深入到工业发展的方方面面。开关电源技术在其中扮演着至关重要的角色,并且随着行业发展的需求,现如今开关电源变换器逐渐向体积重量小,高功率密度的方向快速发展。而对于隔离型开关电源变换器来说,变压器是重要组成部分,它一直承担着电压变换的作用,同时在整个变换器的体积、重量上占据着较大的比重。因此,要想实现开关电源变换器的小型化就必须要实现对其磁性元件的平面化设计。本文以三电平双有源全桥(Dual Active Bridge,DAB)变换器为研究对象,对高频变压器的平面化设计进行了研究。同时,本文利用变压器的漏感代替电路中的功率电感,使其能够实现变换器的功率传输。全文具体研究内容如下:首先,论文详细介绍了三电平DAB变换器的电路结构,分析了其工作原理。以典型工作模式为例,详述了每个周期内的各工作模态;基于变换器的各个工作模态的具体波形,推导其电感电流分段表达式并以此得到每个开关周期内的功率传输特性,而后给出三电平DAB变换器的典型控制策略。最后,对三电平DAB变换器进行电路仿真。接着,对实际变压器等效电路进行建模,并对其重点分布参数、工作损耗进行分析和计算。在此基础上,对不同平面绕组布局进行了理论计算和对比。利用Maxwell 3D电磁仿真软件对四种典型绕组排布进行了电磁仿真,提取其中的漏感数据,最终得到的仿真数据与理论计算结果相同,为实际变压器的实现提供了设计方向。然后,基于三电平DAB变换器的实际技术指标参数,设计了一款平面变压器,重点研究了磁芯的选型、原副边绕组的设计包含绕组匝数、覆铜走线结构设计、覆铜宽度等等。所设计的变压器综合考虑了原副边绕组的排布方式以及间距,使得变压器的漏感值达到了实际的应用要求。最后对所设计的平面变压器进行实际工况的电磁仿真,通过其仿真磁力线回路以及磁动势分布云图可以发现平面变压器能够正常工作,没有出现磁饱和现象。搭建了装载平面变压器的三电平DAB变换器实验样机,同时搭建了装载传统利兹线变压器的实验样机作为对比,介绍了硬件电路与控制软件的设计。通过实验,验证了本文设计的平面变压器的有效性。由实验结果可知,平面变压器电路的效率在低功率工况下优于传统变压器电路,而在高功率工况下,其实验效率略低于传统变压器电路,论文给出了系统整体损耗分布结果。结合电磁仿真分析,高功率传输时效率略低于传统变压器电路。这是因为功率等级提高以后流过电流值加大,在副边绕组上接近磁芯中柱的位置,集肤效应明显导致绕组损耗增加。可以在绕组设计时将不同层的绕组错位排布,这样可以减少绕组间的正对面积,从而减少集肤效应和邻近效应。最终,采用平面变压器的变换器体积缩小了30%,变换器的功率密度得到较大提升。

关键词： 多物理场耦合   损耗计算   温升计算   影响因素   油浸式变压器  

摘要： 油浸式变压器作为电网中重要的能源变换设备,在其运行过程中涉及电磁场、流体场、温度场等多物理场的耦合。多物理场的相互作用使得油浸式变压器存在局部过热和热老化问题,严重影响了变压器的安全稳定运行。电磁场数值计算是解决电磁热耦合的基础,流体场和温度场耦合求解过程需要考虑温度对材料特性的影响。因此,开展油浸式变压器的电磁场、流体-温度场计算及变压器结构和材料对变压器的温升影响研究对变压器的设计和温升控制有较大的指导意义。本文以一台型号为S11-M-1000k VA10/0.4k V自冷油浸式变压器为对象,以电磁学和传热学为基础,对变压器损耗分析及流体-温度场计算开展研究工作。本课题的主要研究内容如下:首先,利用有限元分析软件COMSOL中流体和温度场模块,根据变压器工作状态对变压器油箱壁在自然对流散热情况下的对流换热系数开展数值计算,为三维变压器全局温度场计算奠定基础。其次,采用单片测量法对变压器铁心材料30ZH120硅钢片在工频75℃条件下的损耗曲线和磁化曲线进行测量,为磁场仿真计算提供精确的材料特性参数。以电磁场数值理论为基础,分别对变压器空载运行和负载运行时的磁场和损耗进行数值计算,得到铁心损耗和油箱上涡流损耗分布。将磁场分析中的损耗作为热源加载至流体-温度场耦合模型中,实现自冷油浸式变压器在初始油速为0m/s的状态至流体和温度场稳定时的瞬态场分析。最后,研究不同工况下油浸式变压器的温升分布,并讨论变压器结构参数及材料物性参数对变压器温升的影响。对变压器在负载系数为0.5、0.8、1.2工况下进行电磁场分析。基于损耗分析结果,开展不同负载系数下的温度场计算分析,得到不同负载系数下变压器内温升分布。从改善变压器温升分布及避免过热点产生的角度出发,研究变压器油的物性参数、油箱结构和散热片参数对变压器温度场和流体场的影响。提出合理增加变压耐热性和降低变压器热点温度调整方案。考虑到绕组简化模型和铁心热源分区对温度场影响,按照实际绕组分层结构和磁场计算中得到的铁心损耗分布对模型细化,计算比较两种模型温升和流体场。

关键词： 云雾协同   故障诊断   数据预处理   深度学习  

摘要： 电力是维系社会运转最主要、最直接的能源,变压器则是输送电力的关键设备,一旦出现故障,可能导致区域性停电,甚至会给人民生产和生活带来很大损失。如何确保变压器安全运行成为重要的研究课题。物联网、大数据等技术,为变压器故障诊断保障电力系统安全提供了有力的技术支撑。本文基于云雾协同框架,以电力变压器为对象,研究变压器故障信息表征及基于深度学习的变压器故障诊断方法,具有重要的理论意义和工程应用价值。建立了基于云雾协同的电力变压器故障诊断框架和故障诊断流程,研究了基于雾端的数据采集、传输、存储、预处理等关键技术,获得了电力变压器故障状态与油中气体量之间的关系,为故障表征提供了依据。建立了基于自组织映射神经网络与双向长短时记忆网络相结合的故障诊断模型。利用自组织映射神经网络提取变压器油中气体含量数据,作为故障量及表征参数,利用双向长短时记忆网络提取数据时序特征,采用差分进化优化算法优化网络权值,同时对模型超参数调优,提高了模型训练速度。通过实验并与其他的模型进行对比分析,验证了模型的优越性。针对现实场景中某些类型的故障没有训练数据,传统学习分类算法无法正确进行故障诊断处理的问题,提出了通过语义属性将故障类型转化为油气含量属性的描述方法,将K 最近邻算法作为二分类器,卷积神经网络作为特征提取器,获取语义特征向量。通过属性纠正和相似度比较,减小域偏移,实验验证了模型的可行性与有效性。基于OpenFog云雾协同架构,开发了变压器故障诊断原型系统,实现了变压器状态监测与实时故障诊断。验证了基于雾端的数据预处理方法和基于云端训练的故障诊断模型的正确有效性,为实现电力变压器故障诊断提供了有效的方法和技术支持。