关键词： 牵引变压器   核主成分分析   模糊聚类   海鸥优化算法   故障诊断  

摘要： 车载牵引变压器是列车牵引供电系统的关键设备,广泛应用于列车牵引供电系统。在长期运行过程中,受运行工况和环境等因素的影响,车载牵引变压器因老化而出现各种缺陷或故障,从而导致变压器温度骤升和异常振动,严重时甚至会导致列车停运。为确保车载牵引变压器的安全可靠运行,基于信息融合思想及车载牵引变压器的各类状态监测数据,通过数据分析和处理,采用机器学习算法系统地开展了车载牵引变压器的故障诊断方法研究,并通过实际案例验证了所构建故障诊断模型和算法的准确性和实用性。主要开展的创新性研究工作如下:首先,针对车载牵引变压器状态检测数据类型多、关键故障特征难以准确提取的问题,提出了一种基于局部均值分解的车载牵引变压器特征信息提取方法。通过对车载牵引变压器内部的故障机理进行分析,建立了包含油中溶解气体、绝缘油测试数据、主绝缘老化状态的故障特征样本数据集;采用关联规则分析与长短时记忆网络相结合的方式,对故障特征样本数据集中的异常数据进行了识别插补。经过故障特征数据的预处理,为后续故障诊断算法的验证提供了可靠的数据保障。然后,针对车载牵引变压器状态监测数据类型和故障特征较多,导致传统故障算法分类不准确的问题,提出了一种基于核主成分分析和模糊聚类相结合的牵引变压器诊断算法。基于车载牵引变压器的各类状态监测数据,采用核主成分分析提取了可有效表征车载牵引变压器故障状态的特征量,有效降低了故障特征的维度和诊断过程的复杂性;在此基础上,通过模糊聚类算法对车载牵引变压器的故障状态进行了诊断。相比于传统方法,所提基于核主成分分析和模糊聚类的方法不仅考虑了牵引变压器在不同工况下的特征差异,而且能够实现故障状态的快速诊断。同时,针对车载牵引变压器故障诊断准确性的要求,提出了一种基于支持向量和改进海鸥优化算法的混合诊断方法。该方法首先采用核主成分分析对油中溶解气体数据、电气测量参数和绝缘油品质检测数据进行预处理和特征提取,以降低特征维度和数据复杂度;在此基础上,为了优化支持向量机的算法参数以解决过拟合问题,提出了一种改进的海鸥优化算法,通过模拟海鸥的觅食过程来寻找最优SVM参数组合,提高了SVM的分类准确性和鲁棒性。相较于模糊聚类方法,该方法在不同样本数量下均具有较高的诊断准确率,能够有效提高车载牵引变压器故障诊断的可靠性。最后,为了兼顾车载牵引变压器故障诊断的准确性和快速性,针对单一状态监测数据特征不能很好地表征牵引变压器故障的不足,提出了基于时频熵和概率神经网络相结合的综合故障诊断方法。利用状态监测信息与列车里程的关联关系,对故障特征进行有效选择,并利用时频熵对频域特征信号特征提取,通过概率神经网络较强的自适应性和非线性映射能力,对时频熵特征进行融合和故障分类,从而提高了故障诊断的准确性和快速性。所提方法能够满足车载牵引变压器在不同工况下的运维检修需求,在四级修及以上检修等级场景下,可采用诊断准确率较高的KPCA-ISOA-SVM方法;而在二/三级修时候,可采用诊断更为快速的KPCA与模糊聚类相结合的方法;在对检修时间要求迫切且对准确率要求高的一级修场景下,可采用所提的SSA-Ap En-PNN方法。研究工作将为车载牵引变压器的故障诊断提供快速、可靠的诊断方法,有效提升设备运检效率。

关键词： 电力变压器   故障诊断   非独立同分布数据   联邦学习   差分隐私  

摘要： 在数字时代电力系统运维管理新模式下，我国电力行业已大步迈向信息化、智能化转型，通过引入机器学习算法，可实现油浸式变压器故障类型的快速诊断。相较于浅层机器学习算法，深度神经网络可以充分挖掘变压器特征气体数据的内部特征，从而提高诊断效果。然而，工业“数据孤岛”现象的存在影响着基于深度学习的变压器故障诊断效率，同时针对模型参数的攻击也对多方数据持有者协同训练中的隐私保护能力带来了挑战。因此，采用具有隐私保护能力的分布式模型对电力变压器的运行状况进行诊断，具有较高的理论意义和实用价值。　　本文围绕油浸式变压器分布式深度故障诊断算法和隐私保护算法展开研究，相关研究内容如下：　　(1)本文首先针对上述“数据孤岛”问题，提出了一种基于联邦学习的含不平衡样本数据电力变压器故障诊断机制。该机制将变压器油中溶解气体数据进行特征增强并转换为二维图像，在充分考虑到了多种油中溶解气体内部耦合关系的同时赋予了一维数据空间特征。另一方面，与传统深度学习集中训练方式不同，该机制运用联邦学习架构，采用多个参与者分布训练的方式，通过中央服务器将本地模型进行聚合，实现了各变压器数据持有者在不获取其他各方本地数据的情况下进行协同训练。同时，考虑到数据的不平衡特点，提出了一种多步数据共享策略，以降低非独立同分布数据对模型效果的不利影响。实验结果证明，本文所提出的变压器故障诊断机制能够实现无数据交互的油浸式变压器故障协同诊断，同时提高在不平衡样本下基于联邦学习的变压器故障诊断精度。　　(2)针对联邦学习可能存在的隐私泄露风险，提出了一种基于自适应差分隐私和联邦学习的变压器故障诊断方法。该方法在基于联邦学习的含不平衡样本数据电力变压器故障诊断机制的基础上引入了差分隐私技术，通过对模型参数进行加噪处理，避免了参数上传过程中的隐私泄露风险。同样考虑到各方油浸式变压器本地数据的不平衡分布，本文就中心化和本地化差分隐私两个方面进行分析比较。提出了基于自适应参数裁剪的噪声注入策略，对不同数据持有者进行针对性的参数差值裁剪，从而实现了差分隐私噪声自适应注入，该方法提高了不平衡数据集下联邦学习的隐私保护能力。　　在文章的最后，对主要研究成果进行了总结，同时提出了本文方法存在一些不足之处，并对下一步的研究内容进行了展望。

关键词： 电力电子变压器   混合频率变换   效率优化策略   软开关   电流应力   回流功率  

摘要： 混合频率变换电力电子变压器(Mixed Frequency Conversion Power Electronic Transformer,MF-PET)相较传统的级联 H 桥(Cascaded H-bridge,CHB)型或模块化多电平(Modular Multilevel Converter,MMC)型PET在开关器件、电容、高频变压器(High Frequency Transformer,HFT)使用数量方面具有明显优势,在交直流混合配电网中具有较大的应用潜力。但MF-PET在现有单极性PWM调制下存在软开关实现较困难、网侧谐波含量较高、通态损耗较大以及难以实现全功率范围高效率运行等问题。本文研究了 MF-PET基于载波移相调制的零电压开关(Zero-Voltage-Switching,ZVS)工作模式;并基于ZVS工作模式,进行了相关电流应力优化策略研究。在此基础上,提出了在不同功率段分别采用ZVS优化、基于ZVS的电流应力优化以及考虑回流功率的电流应力优化的策略,具体研究内容如下:首先,研究了 MF-PET基于载波移相调制的软开关工作模式,建立了能实现MF-PET高、低压侧所有功率开关管ZVS的高频等效模型,推导了高频等效拓扑中高频电流和总电感值的计算方法,分析了软开关工作模式中高频等效拓扑的工作模态,并给出了拐点电流表达式。基于拐点电流得出了开关器件ZVS开通的约束条件,进而分析了软开关工作范围。仿真分析表明,与传统的单极性PWM调制软开关工作模式相比,采用本文提出的MF-PET基于载波移相调制的软开工作模式,能进一步减少MF-PET交流电网侧谐波含量、扩大软开关范围并具有较好的动态响应特性。其次,提出了一种基于ZVS的电流应力优化策略,抑制了 MF-PET软开关工作模式下的电流应力,有利于进一步提升PET的效率。在该优化策略下传输功率和控制量成正比,降低了等效拓扑的控制复杂度。对高频等效拓扑的工作模式进行划分,得出了新模式下拐点电流、电流应力、传输功率的表达式以及开关管ZVS约束条件;并以每种模式下电流应力为目标函数,构建拉格朗日函数求解电流应力最小化的最优控制变量组合。仿真结果表明,在最优控制变量组合下,所提的优化策略能在软开关范围内实现最小电流应力,且相较单极性PWM软开关工作模式,能实现ZVS的同时还有效降低了软开关工作模式中电流应力的大小。然后,综合考虑了 MF-PET软开关工作模式下的电流应力和回流功率问题,提出了一种考虑回流功率的电流应力优化策略。根据该优化策略和基于ZVS的电流应力优化策略的电流应力和回流功率表达式,得出了两种电流应力优化策略下的电流应力比和回流功率比,证明了考虑回流功率的电流应力优化策略相较基于ZVS的应力优化策略,不仅可抑制电流应力大小,还可大幅降低回流功率。仿真结果表明,考虑回流功率的电流应力优化策略能够降低MF-PET的回流功率,甚至在特定工况下可以消除回流功率。最后,根据所提优化策略能实现ZVS的功率范围,提出了一种多目标优化策略,在保证MF-PET软开关的同时实现电流应力和回流功率的双重优化,使得MF-PET在全功率范围内均具有较高的运行效率。

关键词： 电力变压器   短路   绕组   损伤   累积效应   机械寿命  

摘要： 电力变压器出口短路时,绕组承受额定运行数十倍的电磁力,可能导致绕组损伤甚至破坏。电力变压器短路绕组机械损伤研究与累积效应评价变得至关重要。准确表征绕组耐受短路能力,设计高机械强度的绕组,保障工艺控制,是降低绕组累积损伤和避免单次破坏的研究重点。然而,受差异化制造、复杂运行工况和缺乏绕组机械状态表征量等因素的影响,准确评价绕组机械损伤的状态仍然是行业难点。 一方面,现行单次短路绕组机械强度的校核方法未考虑在运变压器的短路特点,忽略了绕组热稳定对机械性能的影响,较少涉及动态受力的空间差异与时间特性,导致校核结果偏差较大,更难以实施机械损伤的评估。另一方面,变压器绕组破坏还可能是多次损伤的累积结果。但这种累积效应缺乏特征量与判断方法,而且累积损伤的过程物理量难以通过试验方法捕捉。绕组机械损伤与累积效应一直缺少系统的评价方法。 本文分别从轴向和径向开展绕组短路机械损伤与累积效应研究,补充特征量与判断方法,并完成了实际变压器的试验验证,主要的研究与创新工作如下: (1)开展电力变压器短路研究,描述了冲击电流与电磁力,分析绕组机械强度的影响因素,开发绕组机械强度校核软件,设计并研制实验研究变压器(新变压器),为后续章节的研究搭建了分析平台。 (2)提出一种基于动态相对位移的可靠性评估(A Reliability Evaluation Method based on Dynamic Relative Displacement,DRDE)方法。此方法考虑铁心柱与铁轭对磁场的影响,计及窗内和窗外压紧系统不可避免的工艺差异。试验结果表明,DRDE方法能更准确判断轴向受力与损伤。最后,基于累积微变形引起的支撑刚度变化,研究了轴向受力的累积效应。 (3)提出改进的径向屈曲分析(An Improved Radial Buckling Analysis Method,IRBA)方法。此方法提出等效柔度和制造偏差系数的特征量,建立了屈曲应力与导线厚度、绕组半径之间的关系,表征了装配间隙和支撑弱化对径向屈曲的影响。考虑支撑对绕组径向稳定性的影响,分析多次短路引起的屈曲应力变化,研究了径向受力的累积效应。 (4)提出一种以可靠性损失系数为核心特征量的绕组机械损伤与累积效应的评价方法。此方法计及变压器初始耐受短路的能力、短路电流幅值和故障次数等因素,短路损伤与绕组动态机械寿命得以量化。 本文研究成果可指导变压器设计与运行可靠性评价,具有较高工程应用价值。

关键词： 多模态融合   情感分析   变压器故障诊断   低秩分解   注意力机制   特征分离  

摘要： 变压器作为变电站的核心设备之一,具有联络电网、调节无功潮流和稳定负荷中心电压的重要作用,其安全可靠性直接关系到电网的安全稳定运行。随着电网规模持续扩大,变压器的重要性不断提高,变压器故障诊断的准确率需求也在逐渐提升。传统的变压器故障诊断都是基于气体数据一种模态,但变压器发生故障时不仅仅表现在气体一种模态上,单一的一种模态携带的故障信息量有限,限制了准确率的提升。为此,本文提出了构建多模态故障数据集,通过多模态融合的方法进行变压器故障诊断。本文的研究思路:在多模态情感分析领域中借鉴并创新多模态融合模型,迁移应用到基于多模态融合的变压器故障诊断场景中。本文的创新型研究成果总结如下:多模态融合模型:首先,本文借鉴Transformer模型、Multimodal Transformer(Mul T)模型以及低秩多模态融合模型LMF,受到了LMF-Mul T模型启发,将LMF模型连接到Mul T模型之后提出了创新模型Mul T-LMF,将多模态融合策略由多模态特征拼接转变为张量融合。模型很好的解决了多模态融合所遇到的多模态数据异构性和冗余性问题,但应用到变压器故障诊断多种模态场景时,模型会带来参数激增问题。其次,为了解决模型参数问题和多模态数据异构性和冗余性问题,本文借鉴基于模态共有和私有特征的MISA模型中特征分离思想,将不同模态的特征分别映射到模态共有和私有特征空间,分离出模态的共有和私有特征,通过Crossmodal Transformer模型对共有和私有模态特征进行跨模态特征增强,提出了创新模型MISA-CT,解决了模型参数问题并提升了多模态融合效率。多模态变压器故障诊断:变压器发生故障时,不仅会表现在气体溶度一种模态上,还会表现在其他模态数据。一种模态所携带的信息量并不能包含所有的故障信息,故障诊断的准确率难以提升。多模态的数据源包含更多的故障信息,可以很好的提升故障诊断的准确率,在其他多模态领域如多模态情感分析已经很好的证明了多模态的思想。本文使用收集的110KV变压器的多传感器数据作为多模态变压器故障数据集,采集了气体、特高频、振动、红外图像和监控视频五种模态数据,选择了正常、过热故障、套管破裂、漏油、局部放电和过载六种状态作为实验标签。将多模态情感分析的创新模型MISA-CT迁移应用到多模态变压器故障诊断场景中,创新模型MISA-CT与最新的IEC三比值法、支持向量机SVM以及基于对抗神经网络的CWGAN-GP等方法相比,故障诊断准确率得到了明显的提升。

关键词： CLLC谐振变换器   平面变压器   磁集成   优化设计  

摘要： “双碳”目标的提出对节能减排提出了新的挑战。直流微电网作为一种灵活的配用电方案,对节能减排具有重要意义。双向DC/DC变换器可以作为微电网中能量流动的桥梁,实现能量的双向流动。CLLC谐振变换器具有天然的软开关属性,可以提高传输效率,因而备受青睐。但是CLLC谐振变换器的磁性元器件的数量和体积较大,使变换器难以实现高功率密度。本文主要针对CLLC谐振变换器进行平面变压器的磁集成方案与优化设计。首先对CLLC谐振变换器的工作原理进行介绍,详细分析了变换器的各个工作模态。根据基波分析法推导出变换器的增益公式,通过增益曲线阐述了k值和Q值对变换器增益的影响,对CLLC谐振变换器主要控制方式进行了分析。根据设计指标对变换器的参数进行设计,并通过PSIM仿真验证了参数设计的合理性。其次,对平面变压器的基本原理进行了分析,为磁集成平面变压器的设计提供了理论基础。推导出平面变压器的磁芯损耗和绕组损耗公式,通过对平面变压器漏感和寄生电容的研究,分析了二者对CLLC谐振变换器的影响。本文提出了一种带有垂直气隙的平面磁集成变压器,对其进行磁阻建模与设计,推导出励磁电感和漏感的公式,并分析了气隙对二者的影响。考虑到气隙的边缘效应和绕组的交流损耗,借助Maxwell仿真分别对气隙的分布和绕组的排列进行优化设计。平面磁集成变压器的应用与优化提高了CLLC谐振变换器的效率与功率密度。最后,设计了一台1.2kW的试验样机并将设计的磁集成变压器运用于变换器中。对硬件电路进行了设计,包括主电路器件选型、辅助电源的设计、驱动电路和采样电路的设计。对变换器的损耗进行分析,通过试验对比了改进前后变换器的试验效率,验证了所提出磁集成变压器的可行性与优越性。

关键词： 变压器振动   多物理场耦合   振动测点位置优化   虚拟仿真模型   故障诊断  

摘要： 电力变压器是电力系统的核心设备,其振动与铁心和绕组的状态密切相关,因此研究变压器的振动特性及故障诊断方法对保障电网可靠供电具有重要意义。在能源与数字革命相互融合的时代背景下,作为能源产业重要枢纽的电力系统迫切需要实现数字化转型。构建变压器的虚拟仿真模型并获得振动仿真数据,与实体设备的振动数据互为补充,可以提高变压器的智能化运维水平。本文从变压器铁心和绕组的振动机理出发,建立了变压器振动的多物理场仿真模型,分析了变压器铁心和绕组的振动特性并对振动信号的测点位置进行优化,构建基于振动信号的变压器虚拟仿真模型,获取了铁心和绕组不同运行状态下的变压器振动信号,并通过人工智能算法实现变压器铁心及绕组的故障诊断。主要研究内容如下:首先分析了变压器铁心和绕组的振动机理,根据实际变压器的结构、尺寸与材料等参数建立了变压器几何仿真模型,在电-磁-力-声多物理场耦合的条件下利用有限元法求解分析了变压器铁心和绕组在电磁场下的振动形变情况。考虑了变压器油对于振动信号的衰减作用,仿真得到了变压器的振动信号经变压器油介质传播到油箱表面上的振动加速度分布云图,并据此优化了变压器振动传感器的测点位置。然后构建了基于振动信号的变压器虚拟仿真模型,搭建了振动信号的采集与传输平台,可对实际运行中的变压器振动信号进行实时采集与传输。通过对比正常工况下变压器的实测与仿真振动信号对有限元模型进行验证与修正,并基于虚拟仿真模型模拟生成变压器铁心和绕组在多种故障工况下的振动数据,解决了健康监测数据库中故障数据缺乏的问题。最后综合考虑变压器的仿真与实测振动数据,构建虚实融合的振动信号数据集,针对变压器的多测点振动数据,提出一种基于三通道并行卷积计算的长短时记忆神经网络,并将其应用于变压器铁心和绕组的故障诊断中。该模型结合了卷积神经网络和长短时记忆网络的优势,能够从原始的多测点振动数据中有效地提取振动特征,并挖掘变压器多测点振动数据中隐含的特征参量,三通道并行计算的卷积神经网络结构提高了模型的数据处理效率。通过实例分析,本文验证了三通道并行卷积长短时记忆神经网络模型在多测点虚实融合振动数据集上的故障诊断效果,并与其他方法进行了比较,结果表明该模型具有更高的准确率和更好的特征提取能力。