CN110703151A - 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 - Google Patents
基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN110703151A CN110703151A CN201910959088.2A CN201910959088A CN110703151A CN 110703151 A CN110703151 A CN 110703151A CN 201910959088 A CN201910959088 A CN 201910959088A CN 110703151 A CN110703151 A CN 110703151A
- Authority
- CN
- China
- Prior art keywords
- transformer
- vibration
- signal
- fault
- frequency
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
本发明涉及一种基于振动盲源分离和贝叶斯模型的变压器故障诊断方法,属于电力系统领域。采用振动加速度传感器测量得到变压器振动信号,基本方法选取盲源分离算法,对测量得到的变压器振动信号采用盲源分离技术进行信号分离,得到相应的变压器内部构件信号频谱,基于贝叶斯网络理论建立贝叶斯网络模型,并将振动信号100Hz处的频率比重作为故障特征量导入贝叶斯网络模型作为根节点,设定变压器运行状态参数,并分别用不同数值来表示,根据根节点的列向量中的根节点数值,判断变压器的故障状态。
Description
技术领域
本发明属于电力系统领域,涉及基于振动盲源分离和贝叶斯模型的变压器故障诊断方法。
背景技术
对于变压器内部故障的常用的检测措施主要囊括:短路阻抗法、频响分析法、低压脉冲法、传递函数法等。但是这些方法或实验方法复杂,对设备状态要求不低,或需要变压器退出运行,难以满足无时间差监测的要求,亦或是监测结果具有滞后性,往往在难以在发生潜伏性故障的早期尽早发现故障。此外,这些方法大多无法实现对于变压器内部故障的定位,仅能用于判断变压器内部是否产生故障,具有较大的局限性。
变压器表面振动分析法是一种在变压器器身外的的分析检测方法,利用装设在变压器表面的压感式振动传感器,抓取变压器箱体振动脉冲的时频域特征,进一步抓取变压器绕组和铁芯的动态工作状态,实现对绕组和铁芯的无时间差监测,能为工作人员提供有效的实时绕组铁芯的状态信息,估计绕组和铁芯的健康程度,预判寿命周期和可能发生的异常状态。国家能源局和国家电网公司分别在2010年和2008年颁布相关行业标准,首次确定把振动频谱分析纳入变压器日常巡视检修的工作中,并给予极高的权重占比,作为日常变压器实时监测和状态评估的一个重要依据。但由于理论分析的缺少和长期在线监测应用的不足,在实际日常工作中应用仍有很多瓶颈:首先,传感器监测到的振动信号是由变压器内部绕组和铁芯等部件振动信号混叠而成,其振动频谱在100-2000Hz的频域中大多处于重叠状态,振动分析法通常基于振动100Hz振幅高低判定变压器内部故障情况,但由于变压器内部部件振动信号混叠,往往导致造成诊断难度上升,造成故障诊断正确率不高;其次,目前振动分析时采用的主要方法是小波分析和经验模态分解两种方法,但这两种方法只能将不同频率的振动信号进行分解,无法将不同部件产生的振动信号进行分离,无法将变压器故障位置较为准确的定位到变压器内部某个具体部件,需要停电进行状态检查才能进行判断,而停电检查往往会对供电可靠性造成较大影响。传统的振动分析法难以满足目前对于变压器内部故障诊断的准确性和故障定位的要求,必须引入新的方法对其进行改进
发明内容
有鉴于此,本发明的目的在于提供一种基于振动盲源分离和贝叶斯模型的变压器故障诊断方法。
为达到上述目的,本发明提供如下技术方案:
基于振动盲源分离和贝叶斯模型的变压器故障诊断方法,该方法包括以下步骤:
(1)振动信号的测量和采集;
(2)盲源分离算法;
(3)盲源分离算法性能验证;
(4)分离信号的特征量提取;
(5)变压器贝叶斯网络模型的建立。
可选的,所述步骤(1)具体为:
振动传感器依照均匀分布的原则安装在变压器油箱表面,输出的电压信号经信号适配器送入到基数据采集卡中,然后经USB接口将振动信号存储在计算机中。
可选的,所述步骤(2)具体为:
在源信号未知的前提下,对混合信号进行线性变换,使得变换后的信号和源信号具有相同的波形;假设源信号为S(t),各分量之间互相独立,观测到的混合信号为X(t)
X(t)=AS(t) (1)
式中,A为混合矩阵,为了简单起见,式(1)中S(t)和X(t)中的分量个数是相等的,这种情况下A即为一个方阵;ICA算法的目的是找到另一个方阵W,使得
可选的,所述步骤(3)具体为:
以根据变压器振动特性,对测量得到的得到的变压器振动信号进行分离;为检验分离效果,采用两种检验标准,分别用Amari误差率和信号波形相似系数进行检验。
可选的,所述步骤(4)具体为:
利用FFT获得分离后的振动信号50~4000Hz频率范围内,为50Hz倍频的振动频谱,获得以下6个的振动特征参数:基频幅值A100;、主频率fm、主频幅值Am、振动功率谱密度psd、奇偶次谐波比H和频率比重pf;对变压器振动信号进行分析时通常选取频率为100Hz的振动谐波分量进行分析,设定100Hz处的振动频率为基频,将频率比重p100作为故障特征量导入贝叶斯网络模型中作为根节点。
可选的,所述步骤(5)具体为:
在贝叶斯网络中,假设根节点、中间节点及叶节点所处的各个状态分别用和Lq变量表示,其中si、tj、q分别表示相应节点故障状态的个数;在贝叶斯网络算法基础上,构建电力变压器贝叶斯网络模型,将变压器划分为本体及附件两大部分,其中本体包括绝缘介质、绕组及铁芯;附件包括套管、冷却系统、分接开关;
首先将故障树中的顶事件对应贝叶斯网络中的叶节点,底事件对应贝叶斯网络中的根节点,中间事件对应贝叶斯网络中的中间节点;对于故障树中重复的事件,在贝叶斯网络中只须构建一个节点;然后根据故障树中各事件之间的逻辑关系连接各节点,有向边的指向与逻辑或门的输入、输出方向一致,即由逻辑或门的输入端指向输出端;假设贝叶斯网络的根节点变量为Ri,i=1,2,...,7,中间节点变量为Mj,j=1,2,叶节点变量为L,将分离得到的故障特征量导入变压器贝叶斯网络模型,判断变压器故障位置;
当变压器产生故障时,变压器故障部件振动产生的振动信号频谱会发生改变,但是由于变压器内部结构复杂,多个部件的振动信号混叠,对整体的振动信号进行分析时只能确定特定频率幅值发生改变,从而判断变压器发生故障;采用盲源分离技术分离变压器振动信号后,将振动信号频率比作为故障特征量导入贝叶斯网络模型,得到根节点向量,判断变压器的故障部位。
本发明的有益效果在于:采用振动加速度传感器测量得到变压器振动信号,基本方法选取盲源分离算法,对测量得到的变压器振动信号进行盲源分离,得到相应的变压器内部构件信号频谱,基于贝叶斯网络理论建立贝叶斯网络模型,并将振动信号100Hz处的频率比重作为故障特征量导入贝叶斯网络模型作为根节点,设定变压器运行状态参数,并分别用不同数值来表示,根据根节点的列向量中的根节点数值,判断变压器的故障状态。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为变压器振动测量系统;
图2为振动传感器布局图;
图3为盲源分离算法流程图;
图4为变压器故障树模型图;
图5为变压器贝叶斯网络模型图;
图6为测量得到的振动信号波形图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明提出一种变压器内部故障诊断方法,其特征在于采用如下步骤实现:
(1)振动信号的测量和采集
振动传感器安装在变压器油箱表面,其输出的电压信号经信号适配器送入到基数据采集卡中,然后经USB接口将振动信号存储在计算机中,整个振动测量系统如图1所示。振动传感器在变压器油箱表面的安装位置如图2所示。
(2)盲源分离算法
ICA盲源分离算法是指在源信号未知的前提下,对混合信号进行线性变换,使得变换后的信号和源信号具有相同的波形。假设源信号为S(t),各分量之间互相独立,观测到的混合信号为X(t)
X(t)=AS(t)(1)
式中,A为混合矩阵,为了简单起见,式(1)中S(t)和X(t)中的分量个数是相等的,这种情况下A即为一个方阵。ICA算法的目的是找到另一个方阵W,使得
盲源分离算法的核心内容是使得分离结果达到最大程度的不相关,根据对不相关性的量化标准的不同,也有着很多种不同的盲源分离算法算法,量化标准包括高阶统计量、互关联准则或者计算信号之间的熵值等。为了达到更高的计算和收敛效率,本发明采用一种快速盲源分离算法,即快速独立分量分离(fastICA)算法。fastICA算法的核心内容是对分离矩阵W的每行分别进行估计,以计算第p行为例简单说明其算法步骤如下:
步骤1:对混合信号X进行白化,使得其满足
E(XXT)=I (3)
其中I表示单位矩阵。
步骤2:设定分离矩阵第p行即wp的初始估计wp(1),使其满足
||wp(1)||=1 (4)
步骤3:通过递推公式对wp进行进一步估计,递推公式为
wi(k+1)=wi(k)E{Xg'[wi(k)TX]}-E{Xg[wi(k)TX]} (5)
式中,g为一个非二次函数,g′为其一次导数,g通常为
g(u)=u3 (6)
步骤4:对所得到的wp(k+1)进行正交处理,为
步骤5:对其进行归一化处理
步骤6:比较wi(k+1)与wi(k),若其两者相差很大,重复步骤3~5,若两者已基本相等,说明算法已经收敛,停止计算。wi(k+1)就是最终的wi。
盲源分离算法的流程图如图3所示。
(3)盲源分离算法性能验证
以根据变压器振动特性,对测量得到的得到的变压器振动信号进行分离。为了检验分离效果,本发明采用了两种检验标准。
①Amari误差率,定义如下:
式中,gij=[G]ij;G为全局矩阵,G=WA。误差率0≤Perr≤2,数值越小代表分离效果越好,即分离信号越接近于源信号;Perr=0时,代表分离信号与源信号完全相等。
②信号波形相似系数。两列长度为K的信号波形相似系数定义如下
式中,λij表示信号yi与sj之间的相似关系,其值0≤λ≤1,数值越大代表波形相似程度越高,当λ=1时,表示两信号的波形完全相等。波形相似系数矩阵M定义如下
(4)分离信号的特征量提取
利用FFT获得分离后的振动信号50~4000Hz频率范围内,为50Hz倍频的振动频谱,可以获得以下6个的振动特征参数:
①基频幅值A100。当电源频率为50Hz时,变压器振动的基频为100Hz。
②主频率fm。振动频谱中最大振幅对应频率。
③主频幅值Am。振动频谱中的最大振幅。
④振动功率谱密度psd。振动功率谱密度从帕斯瓦尔定理的角度出发,将频谱中各频点的振动幅值进行求和获得,见式(12)。
⑤奇偶次谐波比H。奇偶次谐波比为奇次谐波功率谱密度psdodd与偶次谐波功率谱密度psdeven的比值:
⑥频率比重pf。频率比重主要表征频率f处的谐波分量所占比重,计算式见式(5)。
对变压器振动信号进行分析时通常选取频率为100Hz的振动谐波分量进行分析,设定100Hz处的振动频率为基频,将频率比重p100作为故障特征量导入贝叶斯网络模型中作为根节点。
(5)变压器贝叶斯网络模型的建立
在贝叶斯网络中,假设根节点、中间节点及叶节点所处的各个状态分别用和Lq变量表示,其中si、tj、q分别表示相应节点故障状态的个数,若已知各个根节点处于各个状态的故障率为,...,则在根节点Ri处于故障状态的条件下,叶节点L处于故障状态Lq的条件概率为
根节点的后验概率表示由结果导出原因,即表示在系统叶节点发生故障的前提下推测由各个根节点引起的可能性大小,可根据后验概率的大小顺序对系统进行故障检修。
根节点Ri对于叶节点L处于故障状态Lq的概率重要度为
式中,P(L=Lq|Ri=0)表示在根节点Ri运行正常的情况下,叶节点L处于故障状态Lq的可能性,即由其他节点引起叶节点L发生故障的可能性。其中的含义为:当系统中只有根节点Ri处于故障状态的情况下,叶节点L处于故障状态Lq的概率,即为根节点Ri处于故障状态对叶节点L处于故障状态Lq的概率重要度。
在上述贝叶斯网络算法基础上,构建电力变压器贝叶斯网络模型,将变压器划分为本体及附件两大部分,其中本体包括绝缘介质、绕组及铁芯3个部件;附件包括套管、冷却系统、分接开关及其他(主要包括油枕、中性点设备等部件)4个部件。构建的变压器故障树模型如图4所示。
由于变压器故障树的结构与变压器贝叶斯网络的有向无环图一致,因此,本文采用将变压器故障树转换成变压器贝叶斯网络的有向无环图。首先将故障树中的顶事件对应贝叶斯网络中的叶节点,底事件对应贝叶斯网络中的根节点,中间事件对应贝叶斯网络中的中间节点。对于故障树中重复的事件,在贝叶斯网络中只须构建一个节点。然后根据故障树中各事件之间的逻辑关系连接各节点,有向边的指向与逻辑或门的输入、输出方向一致,即由逻辑或门的输入端指向输出端。假设贝叶斯网络的根节点变量为Ri(i=1,2,...,7),中间节点变量为Mj(j=1,2),叶节点变量为L,基于上述转化建立的电力变压器贝叶斯网络如图5所示。此时根据变压器贝叶斯网络模型建立条件概率表,将分离得到的故障特征量代入,即可判断变压器故障位置。
在上述理论支持下,对变压器振动信号进行测量,测量得到的振动信号时域波形图如图6所示。采用盲源分离算法进行分离,计算误差率Perr和相似系数矩阵M,分别得到
由结果可以看出Perr>0,y1与s1,y2与s2的相似系数分别为0.9999和0.9986,说明算法较好地分离出了源信号。分离后计算分离的振动信号频率比重p100远高于正常变压器振动信号频率比重,表明变压器产生故障,将故障特征量导入贝叶斯网络模型中作为根节点Ri。将R1,R2,…,R7,M1,M2,L分为正常、异常、严重、故障四种状态,并分别用0、1、2和3表示,则导入模型后得到的根节点R=[0200000],即表明变压器绕组发生严重故障,需要立即检修。
综上所述,当变压器产生故障时,其故障部件的振动信号会发生改变,但是由于变压器内部结构复杂,多个部件的振动信号混叠,对整体的振动信号进行分析时只能确定特定频率幅值发生改变,从而判断变压器发生故障,但是无法判断变压器具体故障部位。对变压器振动信号进行盲源分离后,将振动信号频率比作为故障特征量导入贝叶斯网络模型,可以快速根节点得到根节点向量,由此可以准确判断变压器的故障部位,便于检修维护,提升了电力系统的安全性和稳定性。
本发明的方法基于盲源分离算法和贝叶斯网络模型,实现变压器内部故障诊断,降低变压器异常运行的风险,提高电力系统运行的安全性和可靠性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.基于振动盲源分离和贝叶斯模型的变压器故障诊断方法,其特征在于:该方法包括以下步骤:
(1)振动信号的测量和采集;
(2)盲源分离算法;
(3)盲源分离算法性能验证;
(4)分离信号的特征量提取;
(5)变压器贝叶斯网络模型的建立。
2.根据权利要求1所述的基于振动盲源分离和贝叶斯模型的变压器故障诊断方法,其特征在于:所述步骤(1)具体为:
振动传感器依照均匀分布的原则安装在变压器油箱表面,输出的电压信号经信号适配器送入到基数据采集卡中,然后经USB接口将振动信号存储在计算机中。
4.根据权利要求1所述的基于振动盲源分离和贝叶斯模型的变压器故障诊断方法,其特征在于:所述步骤(3)具体为:
以根据变压器振动特性,对测量得到的得到的变压器振动信号进行分离;为检验分离效果,采用两种检验标准,分别用Amari误差率和信号波形相似系数进行检验。
5.根据权利要求1所述的基于振动盲源分离和贝叶斯模型的变压器故障诊断方法,其特征在于:所述步骤(4)具体为:
利用FFT获得分离后的振动信号50~4000Hz频率范围内,为50Hz倍频的振动频谱,获得以下6个的振动特征参数:基频幅值A100;、主频率fm、主频幅值Am、振动功率谱密度psd、奇偶次谐波比H和频率比重pf;对变压器振动信号进行分析时通常选取频率为100Hz的振动谐波分量进行分析,设定100Hz处的振动频率为基频,将频率比重p100作为故障特征量导入贝叶斯网络模型中作为根节点。
6.根据权利要求1所述的基于振动盲源分离和贝叶斯模型的变压器故障诊断方法,其特征在于:所述步骤(5)具体为:
在贝叶斯网络中,假设根节点、中间节点及叶节点所处的各个状态分别用和Lq变量表示,其中si、tj、q分别表示相应节点故障状态的个数;在贝叶斯网络算法基础上,构建电力变压器贝叶斯网络模型,将变压器划分为本体及附件两大部分,其中本体包括绝缘介质、绕组及铁芯;附件包括套管、冷却系统、分接开关;
首先将故障树中的顶事件对应贝叶斯网络中的叶节点,底事件对应贝叶斯网络中的根节点,中间事件对应贝叶斯网络中的中间节点;对于故障树中重复的事件,在贝叶斯网络中只须构建一个节点;然后根据故障树中各事件之间的逻辑关系连接各节点,有向边的指向与逻辑或门的输入、输出方向一致,即由逻辑或门的输入端指向输出端;假设贝叶斯网络的根节点变量为Ri,i=1,2,...,7,中间节点变量为Mj,j=1,2,叶节点变量为L,将分离得到的故障特征量导入变压器贝叶斯网络模型,判断变压器故障位置;
当变压器产生故障时,变压器故障部件振动产生的振动信号频谱会发生改变,但是由于变压器内部结构复杂,多个部件的振动信号混叠,对整体的振动信号进行分析时只能确定特定频率幅值发生改变,从而判断变压器发生故障;采用盲源分离技术分离变压器振动信号后,将振动信号频率比作为故障特征量导入贝叶斯网络模型,得到根节点向量,判断变压器的故障部位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959088.2A CN110703151A (zh) | 2019-10-10 | 2019-10-10 | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959088.2A CN110703151A (zh) | 2019-10-10 | 2019-10-10 | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110703151A true CN110703151A (zh) | 2020-01-17 |
Family
ID=69199038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910959088.2A Pending CN110703151A (zh) | 2019-10-10 | 2019-10-10 | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703151A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487491A (zh) * | 2020-04-17 | 2020-08-04 | 国网上海市电力公司 | 一种油浸式平波电抗器的健康状态检测与评估系统和方法 |
CN113759188A (zh) * | 2021-07-02 | 2021-12-07 | 国网河北省电力有限公司电力科学研究院 | 并联电抗器故障检测方法、装置及终端 |
CN114297569A (zh) * | 2021-11-22 | 2022-04-08 | 国网安徽省电力有限公司马鞍山供电公司 | 一种振动传感器的开关故障检测算法 |
CN115935153A (zh) * | 2023-01-06 | 2023-04-07 | 香港理工大学深圳研究院 | 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 |
CN116542655A (zh) * | 2023-07-04 | 2023-08-04 | 北京智盟信通科技有限公司 | 基于事件树的变电设备故障机理推演方法 |
US11899075B2 (en) * | 2020-08-04 | 2024-02-13 | Maschinenfabrik Reinhausen Gmbh | Device for determining an error probability value for a transformer component and a system having such a device |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389430A (zh) * | 2013-08-06 | 2013-11-13 | 华北电力大学 | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 |
CN107101714A (zh) * | 2017-05-09 | 2017-08-29 | 华北电力大学(保定) | 一种基于多测点振动信号特征的变压器健康状况评估方法 |
CN109325475A (zh) * | 2018-11-19 | 2019-02-12 | 国网河北省电力有限公司电力科学研究院 | 变压器振动信号分离方法及终端设备 |
-
2019
- 2019-10-10 CN CN201910959088.2A patent/CN110703151A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389430A (zh) * | 2013-08-06 | 2013-11-13 | 华北电力大学 | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 |
CN107101714A (zh) * | 2017-05-09 | 2017-08-29 | 华北电力大学(保定) | 一种基于多测点振动信号特征的变压器健康状况评估方法 |
CN109325475A (zh) * | 2018-11-19 | 2019-02-12 | 国网河北省电力有限公司电力科学研究院 | 变压器振动信号分离方法及终端设备 |
Non-Patent Citations (4)
Title |
---|
彭文邦 等: "电力变压器故障诊断", 《云南电力技术》 * |
栗科峰: "《盲信号处理技术及工程应用》", 30 November 2017 * |
钱国超 等: "电力变压器振动频谱特征值在绕组变形检测中的应用", 《云南电力技术》 * |
黄文婷: "便携式电力变压器振动监测系统的诊断算法研究及其软件开发", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487491A (zh) * | 2020-04-17 | 2020-08-04 | 国网上海市电力公司 | 一种油浸式平波电抗器的健康状态检测与评估系统和方法 |
US11899075B2 (en) * | 2020-08-04 | 2024-02-13 | Maschinenfabrik Reinhausen Gmbh | Device for determining an error probability value for a transformer component and a system having such a device |
CN113759188A (zh) * | 2021-07-02 | 2021-12-07 | 国网河北省电力有限公司电力科学研究院 | 并联电抗器故障检测方法、装置及终端 |
CN114297569A (zh) * | 2021-11-22 | 2022-04-08 | 国网安徽省电力有限公司马鞍山供电公司 | 一种振动传感器的开关故障检测算法 |
CN115935153A (zh) * | 2023-01-06 | 2023-04-07 | 香港理工大学深圳研究院 | 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 |
CN116542655A (zh) * | 2023-07-04 | 2023-08-04 | 北京智盟信通科技有限公司 | 基于事件树的变电设备故障机理推演方法 |
CN116542655B (zh) * | 2023-07-04 | 2023-11-03 | 北京智盟信通科技有限公司 | 基于事件树的变电设备故障机理推演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703151A (zh) | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
US11402438B2 (en) | Intelligent on-line diagnosis and positioning method for winding deformation of power transformers | |
CN206114822U (zh) | 一种电力变压器绕组形变状态多信息检测装置 | |
CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
CN103116090B (zh) | 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法 | |
CN108802525A (zh) | 基于小样本的设备故障智能预测方法 | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
CN106841949B (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN110687393B (zh) | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 | |
CN106404399B (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
Yang et al. | Complex field fault modeling-based optimal frequency selection in linear analog circuit fault diagnosis | |
Yang et al. | Fault identification for circuit breakers based on vibration measurements | |
CN112485747A (zh) | 一种电容式电压互感器误差状态评估方法 | |
CN110991481A (zh) | 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN109374323A (zh) | 基于振动信号指标能量的变压器机械故障检测方法 | |
CN116089857A (zh) | 一种基于ceemdan-dbn的变压器故障识别方法 | |
CN111521913A (zh) | 基于频段能量分析与随机森林的gis诊断系统及方法 | |
CN113591792B (zh) | 一种基于自组织竞争神经网络算法的变压器故障辨识方法 | |
CN112329825B (zh) | 基于信息分维及提升决策树的变压器机械故障诊断方法 | |
Jiang et al. | Characteristic Analysis and Optimization Strategy of Transformer Vibration Signal | |
Yang et al. | Transient fault diagnosis of track circuit based on MFCC-DTW | |
Song et al. | State diagnosis of elevator control transformer over vibration signal based on MEA-BP neural network | |
Huang et al. | Converter fault diagnosis method based on principal component analysis combined with improved similarity classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |