关键词： 电力变压器   故障诊断   油中溶解气体   征兆优选   信息融合  

摘要： 电力变压器作为一种关键的输变电设备，在电力系统中发挥着重要作用，其运行状态直接影响着电力系统的安全与稳定。因此，进行电力变压器的状态监测，并及时预警早期的故障状态，对保障供电安全具有重要意义。目前，变压器油中溶解气体分析(DissolvedGasAnalysis,DGA)是变压器故障诊断领域应用最广泛的方法之一。通过监测油中溶解气体的含量信息，可为变压器故障诊断提供有效依据，并借助于构建智能诊断模型实现故障诊断。但传统模型仍存在输入征兆选择不合理与信息处理能力不足的问题。为此，本文从变压器的故障诊断征兆和信息融合模型两个角度入手，开展了基于DGA技术的变压器故障诊断方法研究。　　首先，介绍了变压器油中溶解气体的产气机理及其与故障状态之间的对应关系。针对智能诊断模型的输入征兆参量，对基于油中溶解气体的故障诊断征兆进行了分类总结。通过分析已有类型征兆的应用局限性，提出一种新型云征兆，进一步丰富了变压器智能诊断模型的输入信息多样性，为实现更高的诊断精度奠定了基础。　　其次，针对所提的新型云征兆，设计了一种自组织云概念提取神经网络(Self-organizedcloudconceptextraction,SOCCE)算法，构建了相应的云征兆状态空间，实现了原始的油中溶解气体数据向云征兆表达形式的转换。实验分析表明，该方法能够有效应对高维云征兆的云变换，以深度挖掘多油中溶解气体间的关联信息。　　然后，考虑到部分征兆的故障表征能力不足以及候选征兆集中的冗余问题，提出“先排序，后寻优”的征兆优选策略，并设计了强化灰狼算法(StrengthenedGreyWolfOptimizer,SGWO),实现了大规模征兆集下的征兆优选。实验分析表明，SGWO具有更强的全局搜索能力，且相较于传统征兆，优选获得的最优征兆集具有更好的故障辨识能力。　　最后，为了在变压器故障诊断过程中充分利用最优征兆集所提供的信息，设计了多征兆信息融合与多云信息融合策略，从而构建了一种基于信息融合的智能诊断模型。该模型充分利用了不同类型征兆的优势和变压器的多隶属云信息，提高了变压器故障诊断精度。实验分析表明，基于本文信息融合策略构建的诊断模型，具有更好的特征获取能力，其表现出的诊断性能优于传统诊断算法。

关键词： 脉冲变压器设计   等效电路   分布电容计算   波形畸变  

摘要： 脉冲变压器(Pulse Transformer,PT)是一种特殊类型的电力电子变压器,其通过磁链技术和电力电子技术实现电气隔离以及电能变换。随着脉冲变压器应用场景的不断拓展,尤其是在高新技术领域,对脉冲变压器的设计规范更加严谨,同时又要求尽可能的简化设计步骤。针对上述要求,本文对脉冲变压器的分布电容模型和样机设计开展了研究。本文具体进行了以下工作:(1)针对分布电容理论计算,论文基于电场能量法和电场线法提出了一种新的分布电容计算方法,并通过理论和仿真验证了该方法的精确性,同时探析了分布电容影响因素;(2)考虑到电磁参数对输出脉冲波形的影响,论文对脉冲变压器的等效电路进行了分析,通过理论计算和搭建仿真等效电路,进一步探究电磁参数如励磁电感、绕组电阻、漏感、分布电容对输出脉冲波形畸变的影响;(3)针对目前脉冲变压器传统设计步骤繁琐问题,论文基于脉冲伏秒积法和面积乘积法(AP法)推导了脉冲变压器整体设计方案,简化了设计步骤;(4)针对脉冲变压器分布电容计算方法的精确性和整体设计方案可行性问题,受限于实验室条件,论文依据所提出的整体设计方案,设计了一款1k Hz/45VA的脉冲变压器,并通过实物试验,证实了所提出的分布电容计算方法精确性以及整体设计方案的可行性。在脉冲变压器被广泛应用在高新技术的背景下,本文提出的设计方案顺应了脉冲变压器的发展方向,较传统设计方案,提高了设计效率,同时在制作脉冲变压器之前精确计算分布电容,提高脉冲变压器性能,降低研发成本,具有现实意义以及实用价值。

关键词： 并联数字液压变压器   控制策略   压力调节   能量回收   排量比   恒压网络  

摘要： 传统液压系统存在能耗高、效率低等不足，极大地影响了其进一步应用发展。恒压网络二次调节系统的出现改变了这一局面，因具有高效节能的优势，成为当今液压传动领域的研究热点。液压变压器正是该系统的核心控制元件，可以无节流损失地控制执行元件并能对负载端能量进行回收。本文提出一种并联数字液压变压器（Parallel Digital Hydraulic Transformer，PDHT），由4个排量按二进编码的泵/马达单元及控制阀组构成，通过改变控制阀组开关状态调节排量比，进而调节压力。本文在探究PDHT工作特性的基础上，制定其对液压缸的控制策略。　　首先，基于PDHT的工作原理和结构，建立了PDHT排量、流量、转矩和效率的数学模型，并在AMESim中搭建了PDHT仿真模型，为后续研究提供依据。　　其次，根据排量比规律进一步分析PDHT的工作特性，对PDHT在不同排量比和同一排量比下的压力、变压比、流量、转矩、转速和效率进行了研究。在此基础上对 PDHT 正向压力调节和逆向能量回收过程进行了分析，确定了排量比调节的判别指标，为制定PDHT的控制策略奠定基础。　　进而，将PDHT应用于恒压网络，设计了基于PDHT的液压缸控制系统，系统具有驱动模式和能量回收模式。为实现两种模式不同的控制目标，提出了基于压力换挡的控制策略，主要包括挡位制定、换挡规则和换挡策略三个方面，AMESim 仿真结果表明基于压力换挡的控制策略可实现系统的控制目标。　　最后，搭建了基于 PDHT 液压缸控制系统测试平台，进行工作特性验证实验和挡位测试，在此基础上进行系统的驱动模式实验，实验结果表明基于压力换挡的控制策略可使系统适应负载变化并高效平稳运行。

关键词： 电力设备   故障诊断   卷积神经网络   多源异构数据融合  

摘要： 变压器是我国电力领域至关重要的基础设施,关系到电力传输,电压电流变换,能量损耗等许多能源问题。变压器的健康状态,关系到局部大电网是否能够正常运转。传统工业界对变压器的故障判断,是采用人工判断,需要将变压器停机进行检修,这些检修操作受到气温环境,电磁环境,湿度的影响,导致了人工检修过程中流程繁琐、消耗时间长、检修成本高、判别标准模糊的问题。本文首先通过采集变压器的声音数据来判断变压器内部风机的故障状况,判断直流偏磁,放电的异常现象,生成声音信号对应的声谱图结合卷积神经网络对关键部件的故障状况和典型故障进行精确识别判断,最后对于放电故障,结合采集到的油中溶解气体数据,基于模糊理论改进后三比值法判断低能放电、电弧放电、局部放电等细化放电故障类型,判断低温过热、中温过热、高温过热等次要过热故障类型,相较于传统使用单一源头的数据,例如仅仅采用声音信号或是油中溶解气体数据,本文采用多源异构数据进行信息融合来综合诊断变压器健康状态具备精确度高,模型泛化能力好,鲁棒性高,可信度高,判别依据强的优势。相较于人工检修方法,本文采取的卷积神经网络与模糊理论智能化判断变压器故障技术具备检修速度快,识别精度高,判断成本低的优势。本论文的主要工作有以下几点:(1)通过专业仪器在变电站实地采集无嘈杂噪声环境下变压器的声音数据,混合常见环境声制作出标准样本库,模拟出变压器真实工作环境。在经过MFCC声谱图生成技术,观察到不同故障类型的声谱图在不同频率下的能量密度不同,不同故障之间的差异作为卷积神经网络能够分辨不同故障类型的理论依据。在综上所述的基础上,完成基于故障声谱图的特征提取算法研究。(2)基于声谱图特征数据,提取不同故障声谱图声音特征图,在Pytorch工具环境中搭建卷积神经网络模型,利用卷积神经网络模型学习不同故障对应的声谱图之间的细微差异,通过调节模型参数与模型优化来进一步提升CNN网络模型性能,从而达到具备工业应用价值的识别精度。(3)基于IEC改进后的油中溶解气体三比值算法,结合模糊理论研究来克服传统三比值法的缺点从而提出改良算法,通过实例验证改良算法相比于原始算法有更高的判断精度,结合CNN可以充分推理得出主次要细化故障类型。

关键词： 油浸式变压器   变压器故障诊断   t-SNE降维   改进金豺算法   KELM模型  

摘要： 针对油浸式变压器故障诊断准确率低的问题,提出了利用t分布随机邻域嵌入法(t-SNE)对变压器故障数据降维并结合改进金豺算法(IGJO)优化核极限学习机(KELM)的变压器故障诊断方法。针对高维度的故障数据中含有大量的冗余信息,会影响变压器故障诊断的精度这一问题,利用t-SNE对原始高维数据进行降维。为了验证该方法的优越性,将其与主成分分析(PCA)、核主成分分析(KPCA)、随机邻域嵌入(SNE)三种降维方法进行分离性参数对比,结果表明,t-SNE降维后得到的数据的可分离性更好。并结合KELM模型,利用降维前后的数据进行故障分类,进一步证明了降维的有效性。为了降低KELM的核参数与惩罚系数对模型分类精度的影响,建立IGJO-KELM故障诊断模型。在传统的GJO算法中引入混沌反向学习策略增加初始种群的多样性,提高种群中个体的质量,再引入正余弦搜索算法规范金豺种群的搜索行为,提高全局搜索能力;加入自适应t分布扰动策略对金豺的围捕行为进行干扰,避免种群陷入局部最优,提高局部开发能力。利用8种测试函数验证多策略改进的GJO的有效性与可靠性,用IGJO算法对KELM的参数进行寻优,建立IGJO优化KELM的变压器故障诊断模型。将提出的变压器故障诊断方法通过实际数据进行实验,将降维后的数据输入到IGJO-KELM模型中进行分类测试,并与GJO-KELM以及WOA-KELM的分类结果进行对比分析,说明了在KELM变压器故障诊断模型中,IGJO对于模型的参数具备更好的寻优能力,通过具体分析三种模型的分类精度以及多次实验的对比结果可知,IGJO-KELM的分类能力相较于其他两个模型更为突出,认为IGJO-KELM模型能够更为准确的辨识变压器故障诊断类型,具有较高的准确性和可靠性。该论文有图38幅,表19个,参考文献80篇。

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。