CN105547465A - 一种变压器振动信号绕组状态特征提取方法 - Google Patents
一种变压器振动信号绕组状态特征提取方法 Download PDFInfo
- Publication number
- CN105547465A CN105547465A CN201510900903.XA CN201510900903A CN105547465A CN 105547465 A CN105547465 A CN 105547465A CN 201510900903 A CN201510900903 A CN 201510900903A CN 105547465 A CN105547465 A CN 105547465A
- Authority
- CN
- China
- Prior art keywords
- transformer
- vibration signal
- decomposition
- correlation coefficient
- effective
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
一种变压器振动信号绕组状态特征提取方法,用于解决变压器绕组的在线监测问题。其技术方案是,首先对采集的变压器振动信号进行集合经验模态分解;然后计算变压器振动信号与分解的本征模式函数的归一化相关系数,继而根据计算出的归一化相关系数筛选出有效的本征模式分量(有效IMF分量);最后利用筛选出的有效本征模式分量来构造特征矢量,并将特征矢量作为识别变压器绕组状态的依据。本发明利用相关系数法去除干扰项及伪分量。实验表明,该方法能够有效去除伪分量,保留有效分量,可获得非常高的状态识别率,为实现变压器绕组故障的在线监测提供了有利条件。
Description
技术领域
本发明涉及一种基于归一化相关系数的变压器振动信号绕组状态特征提取方法,属于变压器技术领域。
背景技术
变压器是电力系统中的基础设备,其安全、稳定运行是电力系统可靠运行的基本保障。变压器绕组故障占变压器故障的37.5%以上,因此加强对变压器绕组的监测,及时发现绕组故障并进行处理可有效减少变压器故障事故的发生。
变压器运行过程中,硅钢片的磁致伸缩会引起铁芯振动,流过负载电流的绕组在磁场力的作用下也会产生振动。绕组及铁芯的振动通过电力变压器自身和油传递到电力变压器的油箱,从而引起油箱振动。因此,在线实时监测变压器油箱表面振动信号,能够及时地分析电力变压器铁芯及绕组的工作状况。与频响分析法、短路电抗法和低压脉冲法相比,振动分析法的最大优点是通过贴在变压器器身上的振动传感器来监测变压器绕组及铁芯状况,与整个电力系统没有电气连接,对系统正常运行无任何影响。
目前,许多学者对振动法监测变压器绕组状态进行了研究,提出了一系列的监测方法,主要有傅里叶分析方法、小波分析方法、经验模态分解法(EMD)和集合经验模态分解法(EEMD)。傅里叶分析方法是对振动信号进行傅里叶变换,得到基频分量的幅值变化,以此作为判断变压器绕组是否发生松动的依据。该方法通常用于分析平稳随机信号,不能有效地提取变压器故障信号的非平稳特征,所以使用该方法分析故障信号可能造成遗漏;小波分析方法主要采用特定分解层数的系数作为特征矢量,将特征矢量作为变压器绕组故障的诊断依据。其缺点是小波函数一旦选定,需用它来分析整个信号的数据,自适应性差;经验模态分解法(EMD)是针对变压器故障信号的非平稳、非线性的特点,由希尔伯特谱判断变压器正常与否。该方法选取本征模式函数(IMF)时直接选取占能量比重很高的前几个分量,没有考虑变压器本体振动信号的频率范围,容易产生模态混叠的现象;集合经验模态分解法(EEMD)对变压器振动信号进行了能量特征提取,可有效识别变压器不同的故障特征。该方法虽然能够有效地解决EMD的模态混叠现象,但需要设定分解的层数及加入高斯白噪声的次数,分解得到的量仍会产生一定程度的混叠及一些与故障诊断无关的部分(即无关分量),给绕组状态的判定带来干扰,所以如何剔去无关分量是一个需要解决的问题。总之,已有的振动类监测方法都存在这样或那样的问题,还有必要进一步进行研究。
发明内容
本发明的目的在于针对现有技术之弊端,提供一种变压器振动信号绕组状态特征提取方法,以实现变压器绕组故障的在线监测。
本发明所述问题是以下述技术方案解决的:
一种变压器振动信号绕组状态特征提取方法,所述方法首先对采集的变压器振动信号进行集合经验模态分解;然后计算变压器振动信号与分解的本征模式函数的归一化相关系数,继而根据计算出的归一化相关系数筛选出有效的本征模式分量(有效IMF分量);最后利用筛选出的有效本征模式分量来构造特征矢量,并将特征矢量作为识别变压器绕组状态的依据。
上述变压器振动信号绕组状态特征提取方法,具体处理步骤如下:
a.对采集的变压器振动信号进行集合经验模态分解(EEMD),具体处理步骤如下:
①在待分析的振动信号中加入随机高斯白噪声序列:
Xi(t)=x(t)+rni(t)
式中Xi(t)为加入白噪声处理的信号,x(t)为待分析信号序列,r为白噪声的幅值系数,ni(t)(i=1,2,…,m)为随机高斯白噪声序列,m为信号序列个数;
②对每组加入白噪声处理的信号Xi(t)进行EMD分解,得出各自的IMF分量部分和余项部分,即:
式中,cij为对振动信号第i次加入高斯白噪声后的Xi(t)进行分解得到的第j个IMF分量,rin为第i次对Xi(t)进行分解后的余项,n为分解层数;
③每一次加入互不相同的高斯白噪声序列,继而按照步骤①和步骤②分解信号,最终得到EEMD的结果为:
其中cj(t)为原始信号进行集合经验模态分解(EEMD)后所得的第j个IMF分量,r(t)为剩余分量;
b.根据归一化相关系数提取有效分量:
对x(t)和cj(t)进行N次采样,计算振动信号与分解产生的本征模式函数之间的归一化相关系数rj(j=1,2,…,n)为:
其中,xk为x(t)第k次采样的样值,为x(t)N个样值的平均值,ckj为cj(t)第k次采样的样值,为N个样值的平均值cj(t),然后将rj与设定的阈值进行比较,若rj大于设定的阈值,则该IMF分量cj(t)为有效IMF分量,否则cj(t)为伪分量;
c.构造表征变压器绕组振动状态的特征矢量:
①求筛选出的各有效IMF分量的能量Ej:
Ej=∫|cj(t)|2dt
②采用有效IMF分量的能量构造表征变压器绕组振动状态的特征矢量V:
V=[v1,v2,…,vM]
其中M为筛选出的有效IMF分量个数,用特征矢量V来表征变压器绕组的状态信息。
上述变压器振动信号绕组状态特征提取方法,所述归一化相关系数rj的阈值为振动信号与剩余分量相关系数值的1.2倍。
本发明在原有集合经验模态分解法的基础上,利用相关系数法去除干扰项及伪分量。实验表明,该方法能够有效去除伪分量,保留有效分量,可获得非常高的状态识别率,为实现变压器绕组故障的在线监测提供了有利条件。
附图说明
下面结合附图对本发明作进一步详述。
图1是绕组松动前的振动信号;
图2是绕组松动时的振动信号;
图3是变压器绕组正常状态下的IMF分量;
图4是变压器绕组松动状态下的IMF分量。
文中各符号表示为:Xi(t)为加入白噪声处理的信号,x(t)为待分析信号序列,r为白噪声的幅值系数,ni(t)(i=1,2,…,m)为随机高斯白噪声序列,m为信号序列个数,cij为对振动信号第i次加入高斯白噪声后的Xi(t)进行分解得到的第j个IMF分量,rin为第i次对Xi(t)进行分解后的余项,n为分解层数,cj(t)为原始信号进行集合经验模态分解(EEMD)后所得的第j个IMF分量,r(t)为剩余分量,rj为振动信号与分解产生的本征模式函数之间的归一化相关系数,xk为x(t)第k次采样的样值,为x(t)N个样值的平均值,ckj为cj(t)第k次采样的样值,为N个样值的平均值cj(t),N为对x(t)和cj(t)采样的次数Ej为有效IMF分量cj(t)的能量,V为表征变压器绕组振动状态的特征矢量,M为筛选出的有效IMF分量个数。
具体实施方式
本发明首先对振动信号进行EEMD分解,然后通过计算变压器振动信号与分解的本征模式函数的归一化相关系数,来筛选出有用的IMF分量,最后利用筛选出的有效分量来构造特征矢量,并将其作为变压器绕组状态识别的依据。
本发明包括以下3个步骤:
1.振动信号的EEMD分解。
2.根据归一化相关系数提取有效分量。
3.构造表征变压器绕组振动状态的特征矢量。
第1步对变压器振动信号进行EEMD分解,首先对振动信号加入高斯白噪声,然后对其进行EMD分解。具体过程如下:
(1)在待分析的振动信号中加入随机高斯白噪声序列,如式(1)所示:x(t)为待分析信号序列;m为信号序列个数;r为白噪声的幅值系数,ni(t)(i=1,2,…,m)为随机高斯白噪声序列。
Xi(t)=x(t)+rni(t)(1)
(2)对每组加入白噪声处理的信号Xi(t)进行EMD分解,分解得出各自的IMF分量部分和余项部分,即:
式(2)中,cij为对振动信号第i次加入高斯白噪声后的Xi(t)进行分解得到的第j个IMF分量;rin为第i次对Xi(t)进行分解后的余项;n为分解层数。
(3)每一次加入互不相同的高斯白噪声序列,继而按照上述(1)和(2)分解信号;
(4)最终得到EEMD的结果为
其中cj(t)为原始信号进行EEMD后所得的第j个IMF分量,r(t)为剩余分量。
第2个步骤是根据归一化相关系数提取有效分量。为了去除伪分量或与故障无关的干扰项,计算振动信号与分解产生的本征模式函数之间的归一化相关系数rj(j=1,2,…,n)为:
然后通过设定合适的阈值筛选能有效反映变压器绕组振动特性的IMF分量,经多次试验发现设置阈值为剩余分量相关系数值1.2倍较为合适。
第3个步骤是构造表征变压器绕组振动状态的特征矢量。变压器振动信号中绕组状态的变化在各个IMF分量的能量中能准确地反映出来。因此,对变压器振动信号进行EEMD分解并选择有效IMF分量后,计算每个IMF分量的能量,在此基础上构造表征变压器绕组振动状态的特征矢量,用其定量地表征变压器绕组的振动状态。计算步骤如下:
(1)求筛选出的各有效IMF分量的能量Ej:
Ej=∫|cj(t)|2dt(5)
(2)采用有效IMF分量的能量构造表征变压器绕组振动状态的特征矢量V:
V=[v1,v2,…,vM](6)
其中用特征矢量V来表征变压器绕组的状态信息。
本专利针对变压器振动信号EEMD产生干扰及伪分量的问题,提出了利用相关系数法去除干扰及伪分量的方法。振动信号与分解产生的本征模式函数之间归一化相关系数的大小能够表征不同本证模式函数对振动信号的相关程度,即相关程度较高的分量应为有效分量。下述实验表明该方法能够有效去除伪分量,保留有效分量,并获得了非常高的状态识别率。
验证分析:
为了说明以上优点,采用实验方法加以验证。在实验室中对一台型号为S9-M-100/10,联接组号为Yyn0,电压比为10kV/0.4kV的变压器进行短路实验。对变压器在不同负载下绕组正常和松动的状况分别测量表面的振动信号。
振动信号采集系统主要包括ULT2008型压电加速度传感器,传感器采集到变压器表面的振动信号后转换成电荷信号输出。振动信号采集系统的采样频率为10kHz,每隔5分钟采样一次,每次采样1秒钟。测点位置选择离绕组故障设置点较近位置,信号的振动幅值较大。本实验在相同负载工况下进行。图1和图2分别描绘了负载电流为130A时正常和故障状态的绕组振动信号。
虽然从时域图可以看到绕组松动与正常情况下幅值有些变化,但是不是很明显,因此,需要对原始信号进行处理,提取对故障状态反应灵敏的特征量来诊断绕组发生松动故障的严重程度。
变压器本体振动信号的频率集中在1000Hz以下,对滤波后的变压器振动信号做集合经验模态分解(EEMD),图3,图4分别是变压器正常状态下和绕组松动状况下的EEMD分解结果。
经过集合经验模态分解后,变压器振动信号被自适应地分解为一系列本征模式函数,且由上至下按频率从高到低排列,得到7个IMF分量和一个剩余分量。接下来求各IMF分量及剩余分量与原振动信号的归一化相关系数,各个相关系数如表1所示
表1变压器振动信号和分解量的归一化相关系数
信号r(t)是一个单调函数,它反映了信号x(t)变化趋势。经多次试验得出设置阈值为剩余分量相关系数值1.2倍较为合适,可去除干扰及一些低频伪分量。此时设置变压器正常状态下阈值为0.31188,绕组松动时阈值为0.25824,所以只有IMF2-IMF5被留下来,可选为表征绕组振动状态的特征量。重构去掉无关及伪分量的变压器振动信号,并计算其与原振动信号的相关系数,正常时为0.9328,松动时为0.9566,进一步说明了选取特征的模式完备性,能够准确表现绕组状态变化。
在实验室中采集变压器正常和绕组松动2种状态下各10组短路试验振动数据。采用步骤3所述的故障特征提取方法计算得到两种状态下的特征矢量,用k-means算法得到聚类中心如下所示(分别在负载为130A,110A和140A时),得到的2个聚类中心即变压器处于2种模式下的特征值。
进行故障识别时,计算监测到的数据与这2个特征值的欧式距离,对应较小值的特征值所对应的状态即为待测样本数据所处的状态。对变压器的上述2种状态在不同负载下分别进行了10次测试,准确区分率均达到100%。
若利用现有的集合经验模态分解法,因绕组正常时前5个IMF分量能量总和占原始信号能量83.3%,绕组故障时占到85.98%(除剩余分量能量外),依此应选取前5个IMF分量作为研究对象。显然,本专利所提方法剔除了第一个干扰伪分量,提高了特征量的有效性。
Claims (3)
1.一种变压器振动信号绕组状态特征提取方法,其特征是,所述方法首先对采集的变压器振动信号进行集合经验模态分解;然后计算变压器振动信号与分解的本征模式函数的归一化相关系数,继而根据计算出的归一化相关系数筛选出有效的本征模式分量即有效IMF分量;最后利用筛选出的有效本征模式分量来构造特征矢量,并将特征矢量作为识别变压器绕组状态的依据。
2.根据权利要求1所述的一种变压器振动信号绕组状态特征提取方法,其特征是,具体处理步骤如下:
a.对采集的变压器振动信号进行集合经验模态分解(EEMD):
①在待分析的振动信号中加入随机高斯白噪声序列:
Xi(t)=x(t)+rni(t)
式中Xi(t)为加入白噪声处理的信号,x(t)为待分析信号序列,r为白噪声的幅值系数,ni(t)(i=1,2,…,m)为随机高斯白噪声序列,m为信号序列个数;
②对每组加入白噪声处理的信号Xi(t)进行EMD分解,得出各自的IMF分量部分和余项部分,即:
式中,cij为对振动信号第i次加入高斯白噪声后的Xi(t)进行分解得到的第j个IMF分量,rin为第i次对Xi(t)进行分解后的余项,n为分解层数;
③每一次加入互不相同的高斯白噪声序列,继而按照步骤①和步骤②分解信号,最终得到EEMD的结果为:
其中cj(t)为原始信号进行集合经验模态分解(EEMD)后所得的第j个IMF分量,r(t)为剩余分量;
b.根据归一化相关系数提取有效分量:
对x(t)和cj(t)进行N次采样,计算振动信号与分解产生的本征模式函数之间的归一化相关系数rj(j=1,2,…,n)为:
其中,xk为x(t)第k次采样的样值,为x(t)N个样值的平均值,ckj为cj(t)第k次采样的样值,为N个样值的平均值cj(t),然后将rj与设定的阈值进行比较,若rj大于设定的阈值,则该IMF分量cj(t)为有效IMF分量,否则cj(t)为伪分量;
c.构造表征变压器绕组振动状态的特征矢量:
①求筛选出的各有效IMF分量的能量Ej:
Ej=∫|cj(t)|2dt
②采用有效IMF分量的能量构造表征变压器绕组振动状态的特征矢量V:
V=[v1,v2,…,vM]
其中M为筛选出的有效IMF分量个数,用特征矢量V来表征变压器绕组的状态信息。
3.根据权利要求2所述的一种变压器振动信号绕组状态特征提取方法,其特征是,所述归一化相关系数rj的阈值为振动信号与剩余分量相关系数值的1.2倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510900903.XA CN105547465A (zh) | 2015-12-08 | 2015-12-08 | 一种变压器振动信号绕组状态特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510900903.XA CN105547465A (zh) | 2015-12-08 | 2015-12-08 | 一种变压器振动信号绕组状态特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105547465A true CN105547465A (zh) | 2016-05-04 |
Family
ID=55826816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510900903.XA Pending CN105547465A (zh) | 2015-12-08 | 2015-12-08 | 一种变压器振动信号绕组状态特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105547465A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442368A (zh) * | 2016-07-22 | 2017-02-22 | 天津理工大学 | 基于emd的二氧化硫紫外差分吸收光谱降噪重构方法 |
CN106646096A (zh) * | 2016-11-15 | 2017-05-10 | 国网四川省电力公司广安供电公司 | 基于振动分析法的变压器故障分类和识别方法 |
CN106990303A (zh) * | 2017-03-15 | 2017-07-28 | 国家电网公司 | 一种变压器故障诊断方法 |
CN107144829A (zh) * | 2017-06-29 | 2017-09-08 | 南京信息工程大学 | 一种高效的激光雷达回波信号去噪方法 |
CN107255513A (zh) * | 2017-05-15 | 2017-10-17 | 北京建筑大学 | 高层建筑摆幅测量方法及装置 |
CN107992804A (zh) * | 2017-11-16 | 2018-05-04 | 华北电力大学(保定) | 一种基于改进多尺度熵的变压器振动信号特征提取方法 |
CN108763678A (zh) * | 2018-05-16 | 2018-11-06 | 江苏大学镇江流体工程装备技术研究院 | 一种具备自适应性的振动信号有效分量提取方法 |
CN108919041A (zh) * | 2018-05-15 | 2018-11-30 | 贵州电网有限责任公司 | 一种基于聚类分析的变压器绕组状态在线监测方法 |
CN109357751A (zh) * | 2018-09-26 | 2019-02-19 | 东莞绿邦智能科技有限公司 | 一种电力变压器绕组松动缺陷检测系统 |
CN109374119A (zh) * | 2018-09-29 | 2019-02-22 | 国网山西省电力公司阳泉供电公司 | 变压器振动信号特征量提取方法 |
CN109443523A (zh) * | 2018-10-23 | 2019-03-08 | 国网天津市电力公司电力科学研究院 | 一种35kV户内或地下变电站结构噪声间接测量方法 |
CN109507299A (zh) * | 2018-10-15 | 2019-03-22 | 浙江大学 | 高压复合材料储氢气瓶声发射信号处理方法 |
CN109697437A (zh) * | 2019-02-28 | 2019-04-30 | 国网陕西省电力公司电力科学研究院 | 一种基于电激励的绕组模态分析方法及其应用和验证方法 |
CN110221155A (zh) * | 2019-06-24 | 2019-09-10 | 广东石油化工学院 | 一种基于振声的变压器异常状态的检测方法和装置 |
CN112183400A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种新型的配电变压器潜伏性故障特征提取方法及系统 |
CN112865625A (zh) * | 2021-04-12 | 2021-05-28 | 上海宏英智能科技股份有限公司 | 一种集成式多路直流电机控制器 |
CN113217102A (zh) * | 2021-05-18 | 2021-08-06 | 广西中金岭南矿业有限责任公司 | 声发射信号特征提取方法、识别方法、装置及存储介质 |
CN113532535A (zh) * | 2021-07-21 | 2021-10-22 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种电力变压器绕组状态判断方法 |
CN113701684A (zh) * | 2021-08-05 | 2021-11-26 | 西安交通大学 | 变压器绕组状态检测方法、装置、设备及存储介质 |
US11585692B2 (en) * | 2019-10-24 | 2023-02-21 | Palo Alto Research Center Incorporated | Fiber optic sensing system for grid-based assets |
US11719559B2 (en) | 2019-10-24 | 2023-08-08 | Palo Alto Research Center Incorporated | Fiber optic sensing system for grid-based assets |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101769787A (zh) * | 2010-01-29 | 2010-07-07 | 浙江大学 | 电力变压器铁心松动故障监测方法 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学(保定) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
-
2015
- 2015-12-08 CN CN201510900903.XA patent/CN105547465A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101769787A (zh) * | 2010-01-29 | 2010-07-07 | 浙江大学 | 电力变压器铁心松动故障监测方法 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学(保定) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
KE ZHANG 等: "Intrinsic Mode Selection of Transformer Vibration Signalbased on Correlation Coefficient", 《2015 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442368A (zh) * | 2016-07-22 | 2017-02-22 | 天津理工大学 | 基于emd的二氧化硫紫外差分吸收光谱降噪重构方法 |
CN106646096B (zh) * | 2016-11-15 | 2019-07-02 | 国网四川省电力公司广安供电公司 | 基于振动分析法的变压器故障分类和识别方法 |
CN106646096A (zh) * | 2016-11-15 | 2017-05-10 | 国网四川省电力公司广安供电公司 | 基于振动分析法的变压器故障分类和识别方法 |
CN106990303A (zh) * | 2017-03-15 | 2017-07-28 | 国家电网公司 | 一种变压器故障诊断方法 |
CN107255513A (zh) * | 2017-05-15 | 2017-10-17 | 北京建筑大学 | 高层建筑摆幅测量方法及装置 |
CN107144829A (zh) * | 2017-06-29 | 2017-09-08 | 南京信息工程大学 | 一种高效的激光雷达回波信号去噪方法 |
CN107144829B (zh) * | 2017-06-29 | 2019-11-19 | 南京信息工程大学 | 一种高效的激光雷达回波信号去噪方法 |
CN107992804A (zh) * | 2017-11-16 | 2018-05-04 | 华北电力大学(保定) | 一种基于改进多尺度熵的变压器振动信号特征提取方法 |
CN108919041B (zh) * | 2018-05-15 | 2021-08-20 | 贵州电网有限责任公司 | 一种基于聚类分析的变压器绕组状态在线监测方法 |
CN108919041A (zh) * | 2018-05-15 | 2018-11-30 | 贵州电网有限责任公司 | 一种基于聚类分析的变压器绕组状态在线监测方法 |
CN108763678A (zh) * | 2018-05-16 | 2018-11-06 | 江苏大学镇江流体工程装备技术研究院 | 一种具备自适应性的振动信号有效分量提取方法 |
CN109357751B (zh) * | 2018-09-26 | 2020-12-29 | 国网上海市电力公司 | 一种电力变压器绕组松动缺陷检测系统 |
CN109357751A (zh) * | 2018-09-26 | 2019-02-19 | 东莞绿邦智能科技有限公司 | 一种电力变压器绕组松动缺陷检测系统 |
CN109374119A (zh) * | 2018-09-29 | 2019-02-22 | 国网山西省电力公司阳泉供电公司 | 变压器振动信号特征量提取方法 |
CN109507299A (zh) * | 2018-10-15 | 2019-03-22 | 浙江大学 | 高压复合材料储氢气瓶声发射信号处理方法 |
CN109443523A (zh) * | 2018-10-23 | 2019-03-08 | 国网天津市电力公司电力科学研究院 | 一种35kV户内或地下变电站结构噪声间接测量方法 |
CN109697437A (zh) * | 2019-02-28 | 2019-04-30 | 国网陕西省电力公司电力科学研究院 | 一种基于电激励的绕组模态分析方法及其应用和验证方法 |
CN109697437B (zh) * | 2019-02-28 | 2021-03-02 | 国网陕西省电力公司电力科学研究院 | 一种基于电激励的绕组模态分析方法及其应用和验证方法 |
CN110221155A (zh) * | 2019-06-24 | 2019-09-10 | 广东石油化工学院 | 一种基于振声的变压器异常状态的检测方法和装置 |
US11719559B2 (en) | 2019-10-24 | 2023-08-08 | Palo Alto Research Center Incorporated | Fiber optic sensing system for grid-based assets |
US11585692B2 (en) * | 2019-10-24 | 2023-02-21 | Palo Alto Research Center Incorporated | Fiber optic sensing system for grid-based assets |
CN112183400A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种新型的配电变压器潜伏性故障特征提取方法及系统 |
CN112183400B (zh) * | 2020-09-30 | 2023-04-07 | 福州大学 | 一种新型的配电变压器潜伏性故障特征提取方法及系统 |
CN112865625A (zh) * | 2021-04-12 | 2021-05-28 | 上海宏英智能科技股份有限公司 | 一种集成式多路直流电机控制器 |
CN112865625B (zh) * | 2021-04-12 | 2022-11-15 | 上海宏英智能科技股份有限公司 | 一种集成式多路直流电机控制器 |
CN113217102A (zh) * | 2021-05-18 | 2021-08-06 | 广西中金岭南矿业有限责任公司 | 声发射信号特征提取方法、识别方法、装置及存储介质 |
CN113532535A (zh) * | 2021-07-21 | 2021-10-22 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种电力变压器绕组状态判断方法 |
CN113532535B (zh) * | 2021-07-21 | 2024-03-15 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种电力变压器绕组状态判断方法 |
CN113701684A (zh) * | 2021-08-05 | 2021-11-26 | 西安交通大学 | 变压器绕组状态检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105547465A (zh) | 一种变压器振动信号绕组状态特征提取方法 | |
Lee et al. | New fault diagnosis of circuit breakers | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN103398769B (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
CN202404166U (zh) | 一种变压器振动特性在线监测系统 | |
CN108229544A (zh) | 一种npc三电平光伏逆变器开路故障诊断方法 | |
CN105548832A (zh) | 高压电力电缆故障识别方法 | |
CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN109033612A (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
CN103018660B (zh) | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 | |
Yang et al. | Fault identification for circuit breakers based on vibration measurements | |
CN102914362B (zh) | 变压器绕组及铁芯振动信号的分离方法 | |
CN105698922A (zh) | 基于改进emd和谱峭度法变压器振动故障特征提取方法 | |
CN106441547A (zh) | 一种变压器振动监测方法及装置 | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
Long et al. | Research on features for diagnostics of filtered analog circuits based on LS-SVM | |
CN103439631A (zh) | 接地网腐蚀状态检测方法及系统 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN101900789A (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
CN109472288A (zh) | 一种抽水蓄能机组振动混合特征提取与分类方法 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
CN106093701A (zh) | 一种基于经验模态分解滤波的电缆故障信号检测方法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160504 |