关键词： 三相油浸式变压器   有限元分析   COMSOL Multiphysics   蝠鲼算法   故障诊断  

摘要： 近年来,随着新型电力系统的构建及电网智能化的提高,作为电力系统中电磁转换和变换电压的重要电气设备变压器,其安全稳定尤为重要。电力变压器在运行时,不可避免的产生振动,利用振动法进行变压器故障诊断是当今的研究热点问题。但限制于对变压器振动特性的探究深度及诊断研究的不足,振动法进行故障诊断仍然难以达到预期效果。变压器的振动主要来源于变压器铁芯磁致伸缩及绕组所受电磁力作用。本文为探究铁芯及绕组的振动特性,以一台S11-M-15KV/400V的三相油浸式变压器为研究对象,建立变压器有限元模型,利用有限元分析软件COMSOL Multiphysics对变压器铁芯及绕组振动进行了多物理场耦合瞬态仿真分析。仿真结果表明,铁芯振动加速度频谱主要集中在0-400Hz,由于磁致伸缩的非线性作用,200Hz及300Hz分量占据一定的比例分量;此外随着铁芯松动程度的增加时,振动加速度100Hz分量呈现非单调特性,200Hz分量呈现下降趋势;当铁芯发生高度松动故障时,由于机械强度下降导致固有频率的降低,850Hz的频率因共振而出现突增。绕组在额定负载运行时,绕组所受漏磁关于绕组对称;电磁力表现在绕组上为轴向挤压和拉伸,径向外扩;同时线饼位置不同,振动信号有明显差异,绕组线饼的加速度振幅最大达到1m/s,最小振幅0.2m/s;在实际测量绕组振动波形时要注意测点的选择;同时仿真研究发现,绕组随着松动程度的加剧,振动加速度波形振幅呈非线性增长,同时波形发生偏移。最后,基于仿真得到的不同机械状态下铁芯及绕组振动加速度数据;在频域内提取了相关振动特征值;利用改进的蝠鲼算法（Manta ray foraging optimization,MRFO）优化BP神经网络,建立了基于变压器振动信号的故障诊断模型。经验证,本文提出的诊断模型准确率比传统BP神经网络、粒子群算法优化BP、蝙蝠算法优化BP建立的故障诊断模型分别高20.01%、8.58%、5.72%;同时在三条实际案例变压器状态预测上全部预测正确。

关键词： 变压器   DGA   故障诊断   哈里斯鹰搜索算法   核极限学习机  

摘要： 电力变压器是电力系统的核心组成部分,变压器的内部发生严重故障直接威胁着电力系统的正常运行和人们的正常生活。为了可以及时有效地发现变压器在工作过程中内部存在的潜伏性故障和变压器出现的早期内部故障,并及时采取相关的调整方法和防护措施。本文对于变压器的内部故障进行了研究,分析了变压器油中气体的产生机理及常见故障,变压器油及主要绝缘材料的性能,变压器油中溶解气体的来源及产生机理,不同类型的变压器故障会产生不同类型和不同含量的特征气体,根据绝缘油中气体产生的类型与含量占比作为区分变压器故障类型的依据,通过监测不同温度下绝缘油中气体成分和含量,建立变压器故障特征体系。通过MATLAB实验仿真的方法,对比分析了不同的变压器故障分类器模型,并通过SVM、ELM和KELM的变压器故障诊断模型对比分析,分析验证了不论是从变压器故障诊断的准确率还是故障诊断的稳定性,KELM的故障诊断模型都优于其他的故障诊断模型。针对于哈里斯鹰算法的种群初始化分布不均、产生优秀个体的随机性较大、易陷入局部最优等问题,严重影响算法寻优的稳定性、精确性及收敛速度,在标准哈里斯鹰优化算法的基础上,引入了混合Tent映射与折射反向学习、哈里斯鹰个体位置自适应调整策略及纵横交叉策略,提出了一种基于自适应变异的改进哈里斯鹰优化算法,使得IHHO算法相较于HHO算法寻优精度更高,收敛速度更快。选取12个基准测试函数对HHO、SSA、SCA、PSO与IHHO进行比较,并进行Wilcoxon秩和检验对算法显著性水平进行验证。实验表明,IHHO可以很好地平衡算法寻优过程中全局与局部的关系,在算法收敛精度及收敛速度上有一定提升,且平均耗时有一定改善。针对传统KELM随机产生的两个超参数致使模型性能不稳定的不足,引入IHHO优化这两个关键参数,提出了IHHO-KELM预测模型,显著提高了传统KELM模型的泛化能力。使用变压器内部实际数据进行仿真对比实验,建立了基于IHHO-KELM的变压器故障诊断模型,通过对比其他仿生学算法优化变压器故障诊断模型,验证了IHHO-KELM模型相比于其他模型具有较高的预测精度,能够较好的实现对变压器内部故障进行检测,为有效检测变压器内部故障提供了新参考方式。该论文有图17幅,表28个,参考文献76篇。

关键词： 分子动力学   放电故障   绝缘油产气   正态云模型   可靠性评估  

摘要： 有载分接开关作为变压器的重要部件,其绝缘状况的优劣对变压器的运行有直接的影响。有载分接开关在长期的运行中会发生多种放电,放电后会对绝缘材料造成不可逆的损伤,严重影响设备的可靠运行。虽然现阶段已有大量研究基于油中溶解气体分析法对有载分接开关放电故障进行了分析,且建立了相关的可靠性评估体系,但因为没有细致地进行相对优劣程度的划分,不能对放电后绝缘材料老化等级进行评估,不利于状态检修工作的实施,以至不能及时进行设备检修和更换,会造成一定经济损失。因此,为了及时掌握有载分接开关放电故障后的产气规律以及放电后的参数,本文进行了相关的研究,建立了相关的评估指标体系,保障有载分接开关的可靠运行。为了解决上述的问题,本文主要的研究内容如下:（1）研究了有载分接开关油介质在击穿放电后温度升高的特性,分析了绝缘材料是在电场和温度场共同作用下发生老化;利用分子动力学分析了矿物油分子体系和环氧树脂分子体系的裂解过程,并从分子键断裂的角度分析了绝缘材料放电后油中特征气体在电故障下的产气规律。（2）搭建了悬浮电极、针-板电极、柱-板电极三种电极模型,三种电极分别在间隙为1mm、3mm和5mm下发生五次击穿放电,通过仿真和实验相结合的手段来模拟有载分接开关典型故障放电击穿过程;且用气相色谱法检测放电后的油样,分析了油中特征气体的种类和含量变化规律。（3）基于有载分接开关发生击穿放电后的四个老化参数,击穿电压、油中溶解的总烃含量、CO/CO和H含量四种老化参数,综合考虑各指标的数据信息量,确定各评估指标的综合权重,提出绝缘老化可靠性评估云模型。对放电后绝缘老化程度进行划分,并用可靠性评估模型对在130℃的运行环境下、加压老化10天后的绝缘材料的老化数据进行验证,且评估的结果与实际情况基本相符。

关键词： 换流变压器   振动信号   盲源分离   特征提取   状态识别  

摘要： 近年来,我国电网逐渐向特高压、远距离、大容量方向发展,特高压直流输电和超高压系统的全球互联使得变压器的运行环境逐渐严苛,作为直流输电系统的核心设备,换流变压器的安全稳定运行至关重要。目前,国内外学者已经基于振动法针对普通电力变压器的振动特性和状态监测开展了广泛的研究,但对于换流变压器的研究并不完善。为保障换流变压器的平稳运行,实现换流变压器运行状态的监测和识别,本文围绕换流变压器的振动信号盲源分离算法和状态识别开展了一系列的研究,具体内容如下:搭建了一套基于LabVIEW的换流变压器振动测试系统,实现数据采集、数据分析、数据存储、数据检索功能,完成换流变压器振动数据的采集与预处理。开展换流变压器振动信号测试传感器布置研究,从换流变压器箱体平面不同位置、箱体特殊结构、多次实验相同测点传感器小幅错位等方面进行对比分析,提出了传感器优化布置方案。根据换流变压器的振动机理及振动信号的频谱特征分析换流变压器的振动来源和振动传递途径。为实现铁芯、绕组振动的独立分析,提出基于CEEMDAN-KPCA的单通道换流变压器振动信号盲源分离算法,并将实测换流变压器振动信号进行分离,成功分离出两组振动信号,根据换流变压器振动特性确定两个振动信号分别铁芯和绕组。为实现换流变压器振动信号特征提取,提出基于Levy飞行策略鲸鱼优化的变分模态分解(LWOA-VMD)特征提取方法,实现分解系数和惩罚因子最优搜索,并通过对额定电压下空载试验振动信号和额定电流下负载试验振动信号的自适应分解验证算法可行性和有效性。建立振动信号多维混合特征参数向量,从多维度对振动信号进行特征提取。开展换流变压器状态识别方法研究,引入深度置信网络(DBN)作为换流变压器运行状态识别的基本算法,利用LWOA算法对DBN的超参数进行最优选择,形成了基于LWOA-DBN的分类识别算法。将换流变压器不同负载状况及不同运行状态振动信号进行盲源分离,所得铁芯与绕组振动信号进行特征提取,利用LWOA-DBN分类识别算法进行状态识别,验证了算法可行性,借助分类准确率和识别效率验证了算法分类性能。实验表明,本文提出的换流变压器状态识别方法具有较好地工程实用性,还可以进一步应用至换流变压器故障识别和运行状态监测应用中。

关键词： 变压器   深度学习   神经网络   状态监测  

摘要： 电力变压器故障监测技术是一种监控电力变压器工作状态的方法,旨在经常检测变压器是否处于正常工作状态,如果出现异常,可以发出预警,方便工作人员进行检修。目前,变压器的故障检测在很多方面需要由人工去实现,其中状态检修、定期检修等要求专业人员进行定期操作。传统检测方法不但缺乏效率,还存在一定的安全风险,对工作人员在技术上和工作经验上都具有较高的要求。随着工业发展、科技进步和人们物质生活日益提高,电力市场的需求不断增加,电网容量也在不断扩大,传统的检测手段已经无法满足不断变化的需求。近年来随着计算机和电子技术的进步,实时在线故障监测技术已逐步发展起来。在当前诸多诊断手段中运用声音信号对变压器进行监测的优势在于变压器的声音可以直接反映其工作状态而且可以免受高电压高磁场的影响,相比于接触式检测方法,声音特征检测不需要对传感器的安装位置有过于严格的要求,且在后期维护方面更加简便。本文方案旨在实现变压器在线故障监测,通过分析变压器运行时所产生声音的时频特性,使用合适的检测算法进行采样和提取,区分正常运行和各种异常状态的差异,从而对异常状态进行识别。论文详细介绍并比较了现有的变压器声学诊断方法的优势与缺点,开展了有关变压器正常运行、局部放电和过载三种状态的声学诊断方法的研究工作。该研究主要针对变压器在不同运行状态下的可听声进行展开,其频率范围为20Hz-20k Hz。对变压器正常运行时的发声原理和常见故障类型进行了分析,并给出了变压器三种运行状态的语谱图。随后对非平稳声音信号的时频域分析方法进行探索,并对声音信号进行了MFCC(MelFrequency Ceptral Coefficients,MFCC)特征提取,利用现有的工作经验,分析了变压器运行状态与其产生的声波特征间的内部关联。在此基础上,提出了一种基于声音信号的油浸式变压器异常识别的新方案。技术路线是先进行了变压器运行时声波的原始数据采集,利用数据预处理的方法使声音数据具有可比较性与量化性;其次,采用梅尔倒谱频率系数提取信号特征向量,并根据所得特征值进行一阶、二阶差分构造连续性特征向量;最后,提出了声波信号的自编码器(Autoencoder,AE)正常异常判别模型以及基于Attention机制的时空神经网络(Convolutional Neural Network-Long Short-Term Memory,CNN-LSTM)的故障判别模型并进行了实验分析。实验结果表明,该方法能够有效地检测出变压器异常状态,同时验证了声纹特征对于变压器状态识别的有效性。最终的现场测试结果论证了此方案的合理性并验证了所采用算法的可行性。此方案非常适用于无人值守变电站对变压器进行远程实时故障在线监测,不但可以实时有效监测变压器状态,同时可以大大降低人员近距离在线检修变压器的必要性,对保障人身安全有重要意义,有较好的市场应用前景。

关键词： 干式变压器   匝间短路   电热耦合   故障诊断   神经网络  

摘要： 干式变压器有着体积小、环保、噪音小等优点,目前在电力系统和工业生产中得到了广泛地应用。大容量油浸式电力变压器多采用油中溶解气体作为故障诊断特征,而干式变压器多采用自然冷却,这使得对干式变压器进行故障诊断时特征参量的选取变得困难,针对这一问题,本课题通过建立电热耦合有限元模型,从匝间短路机理上分析其电热特性,提出了一种基于电热特征参量的故障诊断方案,具体工作如下:(1)建立了变压器匝间短路理论解析模型。电磁场方面,采用了经典三绕组理论对变压器匝间短路进行分析,在适当的假设条件下对模型进行了简化,得到了简化的匝间短路模型和计算矩阵。温度场方面,采用热电类比理论对变压器进行分析,得到了变压器热路模型和微分方程表达式。(2)建立了变压器电热耦合有限元模型并进行故障推演。电磁场方面,添加有限元模型的BH曲线、BP曲线等参数,通过与试验平台得到的空载、短路数据进行对比,验证电磁模型的准确性,同时利用BP曲线拟合斯坦门茨系数计算铁损,使用欧姆定律计算铜损。温度场方面,将上述计算出的损耗作为热源输入到温度场模型中作为激励进行耦合仿真,利用红外热成像装置完成温度场模型验证。在上述模型上进行匝间短路故障推演得出结论:当匝间短路发生时仅仅依靠绕组端口电流参数是无法进行有效判断的,而绕组温度在故障发生时显示出高敏感度,所以将绕组电参数和温度参数共同作为匝间短路故障辨识的特征参量。(3)完成基于电热特征的匝间短路故障诊断。利用上述模型构建匝间短路故障数据集并对数据进行预处理,分别完成了基于改进遗传算法优化BP神经网络和卷积神经网络的故障诊断,结果表明在浅层神经网络与深度学习算法中诊断准确率都达到了98%以上,证明了基于电热特征的故障诊断方案是切实有效的。

关键词： 牵引变压器   油中溶解气体   Adam-IPSO-RBF组合优化   故障诊断  

摘要： 牵引变压器作为铁路供电的重要设备,承担着电气化铁路电力输送和电压转换的重要作用,其运行情况决定了整个牵引供电系统的安全稳定运行。由于牵引变压器运行环境恶劣,运行时同时受“电-磁-力-热”等多种内外应力,而且负载特性复杂,使得牵引变压器的故障诊断难度增大。对牵引变压器的故障诊断研究,不仅可以在牵引变压器发生故障前及时进行预警,而且可以为牵引变压器的检修提供充分的理论支撑,从而提高铁路供电的安全性和高效性,本文将经典动量概念的自适应矩估计算法（Adaptive Moment Estimation,Adam）与粒子群算法（Particle Swarm Optimization,PSO）相结合,融合Adam算法与PSO算法各自特点,建立了基于Adam优化的IPSO-RBF（Improved Particle Swarm Optimization-Radial Basis Function,IPSO-RBF）牵引变压器故障诊断模型,以油浸式牵引变压器为研究对象,提出了一种基于Adam-IPSO-RBF组合优化的牵引变压器故障诊断新方法。（1）把PSO算法与RBF神经网络相结合,建立了基于PSO-RBF神经网络的牵引变压器故障诊断模型。在RBF神经网络中,中心参数和权值两项参数不容易确定,使用PSO算法优化RBF神经网络的权值和阈值,有效解决了RBF神经网络易陷入局部极值和收敛速度慢的缺点。从某铁路集团公司获取的300组样本数据,选择210组作为训练样本,90组作为测试样本进行仿真实验,实验结果表明该模型提高了对油浸式牵引变压器故障诊断效果。（2）分析PSO算法的基本参数,对惯性权重ω和加速因子c和c提出了改进策略,建立了加速因子的4种非线性组合方案,用Sphere函数、Rosenbrock函数、Griewank函数和Rastrigrin函数通过500次迭代试验,验证了加速因子指数递减搭配的寻优效果最好,四种测试函数的仿真结果均达到10误差精度的要求。建立基于IPSO-RBF的牵引变压器故障诊断模型,分析IPSO-RBF神经网络模型的训练误差曲线,在第142次迭代后开始趋于平缓,训练效果明显,表明加速因子的指数递减搭配可以加快粒子的搜索速度,减少粒子陷入局部极小值的可能,仿真结果表明改进后模型故障诊断的准确率进一步提升。（3）借鉴Adam算法引入动量的概念,把动量的概念与粒子群自适应惯性权重相结合,融合Adam算法与PSO算法各自特点,PSO算法用于RBF网络初始值寻优,Adam用于RBF网络的结构调整,建立了基于Adam优化的IPSO-RBF牵引变压器故障诊断模型。基于Adam优化IPSO-RBF的牵引变压器故障诊断模型在训练过程中自动对数据添加扰动,进一步保证自适应策略的稳定性,动量的概念和偏置校正不仅利用了粒子的特征,而且满足了惯性权重递减的设置,从而提高了模型的迭代能力。Adam优化的IPSO-RBF的模型诊断准确率为97.778%,验证了本文所提出的Adam-IPSO-RBF组合优化模型不仅保证了模型的稳定性,而且提高了模型的诊断速度和诊断正确率。

关键词： 三相变压器   多物理场耦合   匝间短路   磁场分布   温度分布  

摘要： 变压器作为电能转换的主要部件其安全性对电力系统至关重要。然而当前故障预警的手段不够快速和灵敏,变压器在早期绕组轻微匝间短路时,特征变化规律并不明显,很难对其进行有效识别。为了分析变压器早期匝间故障特性,因此本文以三相干式变压器为研究对象,从理论、仿真和实验三个角度展开对其绕组匝间短路故障的研究分析,具体的研究工作如下:首先,对变压器绕组匝间短路故障特性进行了相关理论分析,研究了电路、磁场以及温度场模型耦合迭代的方法和有限元分析法。针对变压器绕组匝间短路故障前后的电气、磁场以及温度信息进行了机理性的推导计算。其次,在COMSOL的环境下搭建了三相变压器的多物理场的仿真模型。根据实际运行的三相变压器的几何尺寸1:1搭建仿真模型,设置铁芯及绕组材料参数,考虑其仿真计算时间和收敛性,设置合适的网格单元大小、边界条件等。针对变压器早期匝间故障特性,模拟其故障状态。结果表明,变压器一次侧发生绕组匝间短路(匝数比例0～5%),一次端口电流升高,空载运行时增大到0～12倍,带载运行时增大到0～2.23倍;绕组间路径上的漏磁幅值升高,空载运行时增大到0～70倍,带载运行时增大到0～25倍,并且路径上磁密幅值不再呈对称分布;绕组短路匝附近温度升高0～18.6%;变压器匝间短路比例大小与故障相端口电流增幅、绕组路径漏磁增幅以及绕组热点温升呈正比,负载率大小与故障相端口电流增幅、绕组路径漏磁增幅呈反比。然后,搭建变压器绕组匝间短路实验平台,模拟了空载、30%负载率以及60%负载率三种工况下早期的绕组匝间短路故障,量测相关电流、温度参数,并与仿真所得数据比对,验证了仿真模型以及所得结论的有效性和正确性。综合分析了电流、磁场以及温度参数在三种工况下的变化规律,并提出了基于电-热特征的变压器早期绕组匝间短路的预警策略。最后,总结本文的主要研究工作和内容,并且指出本文所研究内容的不足之处,为后续的研究明确了方向。

关键词： 变压器   累积效应   有限元法   多次短路冲击   抗短路力  

摘要： 随着电力网络的日益建设和发展,电网的规模逐渐扩大,而短路故障频发会对电网的安全稳定运行造成威胁。其中,电力变压器作为电力系统中电能转换和传递的关键设备,对电力系统的高质量运行起着关键作用。相关研究表明,变压器遭受短路冲击后绕组变形通常由于多次累积而产生,严重时甚至造成变压器损坏。因此进一步研究累积效应下变压器绕组的变形对其抗短路能力提升具有重要意义。首先,总结了国内外电力变压器的短路电流计算方法、磁场、短路电磁力、累积效应以及绕组相关绝缘件的研究现状。从绕组受单次短路电磁力冲击的稳定性计算角度出发,归纳了变压器抗短路能力计算方法,包括绕组的轴向和辐向稳定性。然后,利用仿真软件COMSOL,以一台110 k V三绕组电力变压器作为研究对象,基于有限元法建立了变压器绕组的短路冲击仿真模型。通过变压器的电气参数计算出三相短路工况下的短路电流作为激励,计算出绕组附近的漏磁场和电磁力分布。并提出利用专业软件WELDINST进行抗短路能力的验证,通过对专业软件仿真结果和变压器返厂解体结果对比,验证了有限元法建立模型的有效性,结果表明通过该方法可有效地预测变压器绕组的抗短路能力。其次,在单次短路的仿真基础上建立多次循环冲击的仿真模型,通过电磁场-结构场耦合计算的方法对绕组变形进行仿真计算。考虑了不同短路工况以及垫块偏移量对绕组变形的影响,得到了绕组变形随元件失效参数变化的规律。最后,建立了适用于绕组铜导线累积效应的力学仿真模型,对不同三相短路工况下的绕组变形累积效应进行了仿真,并考虑了垫块偏移对绕组变形的影响。累积试验中考虑了热效应对不同电磁线线型的机械强度值影响,以及不同峰值循环冲击力对垫块的变形影响规律。确定了不同线型的电磁线机械强度随温度变化、保温时间的变化规律。本文的研究为进一步考察在力效应和热效应下绕组变形稳定性研究,设计实现能够考虑累积效应的具体电力设备抗短路需求的变压器奠定了技术基础。

关键词： 变压器   故障检测   声纹识别   深度学习   数据增强   交叉熵损失函数  

摘要： 电力变压器是电力系统中一种极为重要的设备，变压器运行的安全稳定是供电网络安全稳定的基础，因此准确评估变压器的运行状态，有效保持电力变压器的运行稳定性具有重要意义。传统的变压器故障检测方法是通过人工听取设备运行声音判断故障类型与故障位置，但这种方法存在一定的局限性、主观性。不同技术人员对变压器故障的判断标准可能不一样，且人耳不能准确捕捉一些细微的声音信号和超声信号，需要技术人员具有一定知识与经验的积累。因此，针对变压器工作时不同故障的声音特点，提出了一种利用变压器声音波形进行故障诊断的方法，利用声学信号处理和模式识别技术，可以对变压器的声波进行分析，并通过比较变压器正常和异常运行状态下声波信号的差异，判断变压器的运行状态;可以有效提高变压器故障预测的准确性和检测效率，帮助维护人员及时发现变压器的异常，降低故障发生率，提高供电网络的安全可靠性。　　通常，因为变压器的故障率较低，变压器故障数据（负样本数据）较难采集，而且，实际使用的变压器大多安装在开放的室外环境，与外界环境噪声混合，因此，声纹识别的训练样本数、样本精度和采样重复度等存在许多不足，影响了后续的声纹识别判断。针对这些问题，研究变压器声纹识别算法，改进训练的模型，完善声纹采集数据的预处理方法，提高识别准确率，这些都成了变压器声纹识别的研究重点。本文在深度学习算法的框架下，对变压器故障声纹识别进行了以下研究：　　(1)针对变压器故障声纹数据质量不高的问题，将人声干扰或风机噪声与变压器本体声音按不同的输入SNR混杂，计算去噪后声音信号的SNR、RMSE、LSD并得到平均值用于评价去噪方法的优劣。接着在两个数据集下进行实验比较，选择训练集与测试集的去噪方式，找出最适合变压器故障声纹识别的去噪方法。　　(2)针对数据偏少的问题，从两个方面出发。一方面，总的数据量偏少会引起过拟合，使测试集数据无法进行正确的分类或预测，因此本文使用正则化和数据增强的方法抑制过拟合。另一方面，在数据集内部也存在数据不均衡的问题，使用改进的交叉熵损失函数引入调节因子和权重因子，降低多样本类别的权重，提高少样本类别的权重来平衡。　　(3)针对传统算法识别效率低下的问题，采用基于x-vector向量的识别算法，搭建TDNN神经网络，通过训练得到固定长度的向量x-vector，使得相同故障类型的x-vector在向量空间中距离更近，不同故障类型的x-vector在向量空间中距离更远。然后使用测试数据集对x-vector模型进行评估，以计算声纹识别的准确率、重复率等指标，并完成了模型优化，搭建了完整的声纹识别系统。系统运行结果表明了各类算法的有效性和实时性。　　最后对全文进行了总结，并针对本文变压器故障识别方法不足之处提出展望。