CN113483831A - 基于多维变量测量与多维信息诊断的变压器状态辨识方法 - Google Patents

基于多维变量测量与多维信息诊断的变压器状态辨识方法 Download PDF

Info

Publication number
CN113483831A
CN113483831A CN202111035417.8A CN202111035417A CN113483831A CN 113483831 A CN113483831 A CN 113483831A CN 202111035417 A CN202111035417 A CN 202111035417A CN 113483831 A CN113483831 A CN 113483831A
Authority
CN
China
Prior art keywords
transformer
signal
diagnosis
frequency domain
threshold value
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.)
Granted
Application number
CN202111035417.8A
Other languages
English (en)
Other versions
CN113483831B (zh
Inventor
曹辰
林莘
徐建源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN202111035417.8A priority Critical patent/CN113483831B/zh
Publication of CN113483831A publication Critical patent/CN113483831A/zh
Application granted granted Critical
Publication of CN113483831B publication Critical patent/CN113483831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Protection Of Transformers (AREA)

Abstract

本发明属于电、磁、温度、噪声、振动等多变量的测量与多维信息诊断，特别涉及一种基于多维变量测量与多维信息诊断的变压器状态辨识方法。通过测量变压器多维变量，建立多维变量与多维信息的信号幅值诊断模型、频域分布诊断模型和能量熵值诊断模型，智能辨识出变压器的故障状态。本发明可以突破以往状态辨识中判据单一和离线诊断的局限，能够有效提升在线运行变压器状态监测和诊断结果的准确性，为检修部门合理安排变压器检修运维工作提供理论依据，有利于提高电网状态检修的效率与水平，降低电网故障发生的风险。

Description

基于多维变量测量与多维信息诊断的变压器状态辨识方法
技术领域
本发明属于电、磁、温度、噪声、振动等多变量的测量与多维信息诊断，特别涉及一种基于多维变量测量与多维信息诊断的变压器状态辨识方法。
背景技术
作为电力系统的关键电力设备，变压器运行的安全可靠性直接影响电网的运行安全，提高变压器的运行可靠性，对整个电网的安全可靠运行具有十分重要的意义。目前，我国已有较多变压器运行年限超过20年，这些运行中的变压器面临着日益严重的设备故障和老化问题，发生事故的概率不断增加。变压器一旦发生事故可能会造成设备资产和停电等巨大损失，甚至会产生严重的社会影响,因此对变压器进行在线状态检修是当前国家电网急需解决的关键问题。
变压器检修是目前电力设备检修重点工作，变压器检修费用超过电力设备维修费用的一半以上。在无法确定变压器实际工作状态的情况下，对变压器盲目解体维修，不但会造成巨大的人力、财力浪费，而且降低了供电可靠性。变压器在线监测的提出就基于上述因素和现场需要，通过应用传感技术、检测技术和数字信号处理技术等，以变压器当前的实际工作状况为依据,通过实时的状态监测方法来判断设备的状态，对故障的严重程度、发展趋势做出判断,识别故障的早期征兆,并根据分析诊断结果在设备性能下降到一定程度或故障将要发生之前进行维修。
目前，国家电网公司开展大检修体系的建设，迫切需求能够对现场变压器运行状态进行诊断的技术和手段；针对电网运行中变压器故障开展有效的诊断技术与状态辨识方法研究是十分必要的。
发明内容
发明目的
本发明提供了一种基于多维变量测量与多维信息诊断的变压器状态辨识方法，其目的在于解决现场变压器运行状态辨识中判据单一和离线诊断的局限、以及效率低下、准确性不足的问题。
技术方案
基于多维变量测量与多维信息诊断的变压器状态辨识方法，其特征在于，按照以下步骤执行：
步骤一、测量变压器多维变量；变压器多维变量具体包括变压器一次侧电压信号、变压器二次侧电流信号、变压器油温信号、变压器铁芯磁场信号、变压器局放信号、变压器风扇振动信号、变压器分接开关振动信号、变压器绕组振动信号以及变压器噪声信号；
步骤二、根据不同的变压器多维变量，建立变压器多维变量与多维信息的诊断模型；诊断模型具体包括信号幅值诊断模型、频域分布诊断模型和能量熵值诊断模型；
步骤三、通过步骤二中的诊断模型判断测量的变压器多维变量的信号幅值、频域分布归一化占比和能量熵值与预设诊断阈值之间的关系，进而得出诊断结果。
所述步骤一中，具体测量方法为：
在变压器三相低压侧出线套管安装电流互感器，测量变压器二次侧电流信号I1、I2、I3；
在变压器的储油柜、油枕、油箱内部顶部、油箱内部底部4个位置分别安装内置光纤传感器，测量变压器储油柜、油枕、油箱内部顶部、油箱内部底部4个位置油温T1、T2、T3、T4，计算平均值T= (T1+T2+T3+T4) *1/4，作为变压器油温信号；
在变压器ABC三相铁芯中点以及上下铁轭中点5个位置安装霍尔传感器，测量变压器ABC三相铁芯以及上下铁轭5个位置磁感应强度B1、B2、B3、B4、B5，计算平均值B=（B1+B2+B3+B4+B5）*1/5，作为变压器铁芯磁场信号；
在变压器三相高压绕组以及三相低压绕组的端部绝缘6个位置内置光纤传感器，测量变压器三相高压绕组以及三相低压绕组的端部绝缘6个位置的紫外光局放信号F1、F2、F3、F4、F5、F6，计算平均值F=（F1+F2+F3+F4+F5+F6）*1/6，作为变压器局放信号；
在变压器三相高压侧出线套管安装电压互感器，测量变压器一次侧电压信号U1、U2、U3；
在变压器风扇基座安装压电式加速度传感器，测量变压器风扇振动信号；
在变压器分接开关操动机构的壳体表面安装压电式加速度传感器，测量变压器分接开关振动信号；
在变压器绕组端部位置安装内置式光纤传感器，测量变压器绕组振动信号；
靠近变压器低压侧端部对应到箱体外表面的水平位置处，安装声传感器，测量变压器噪声信号。
所述步骤二中，建立变压器多维变量与多维信息的信号幅值诊断模型：对比变压器二次侧电流信号幅值与第一预设诊断阈值之间关系，对比变压器油温信号幅值与第二预设诊断阈值之间关系，对比变压器铁芯磁场信号幅值与第三预设诊断阈值之间关系，对比变压器局放信号幅值与第四预设诊断阈值之间关系；
所述步骤三中，具体判断方式为：如果变压器二次侧电流信号幅值超过第一预设诊断阈值，则诊断为过负荷状态；如果变压器油温信号幅值超过第二预设诊断阈值，则诊断为过热状态；如果变压器铁芯磁场信号幅值超过第三预设诊断阈值，则诊断为铁芯过饱和状态；如果变压器局放信号幅值超过第四预设诊断阈值，则诊断为绝缘击穿状态。
所述步骤二中，建立变压器多维变量与多维信息的频域分布诊断模型：采用傅里叶变换方法求解变压器一次侧电压信号、变压器风扇振动信号、变压器分接开关振动信号的频域分布归一化占比，对比各频域分布与预设诊断阈值之间关系；具体方法如下：
采用傅里叶变换进行分析；信号的傅里叶变换定义见公式（1）：
Figure 765000DEST_PATH_IMAGE001
（1）
其中，
Figure 639415DEST_PATH_IMAGE002
为窗函数、
Figure 344066DEST_PATH_IMAGE003
为时间序列函数，m是傅里叶离散矩阵的列数，y是傅里叶离散矩阵的行数，ω为采样频率，
Figure 620326DEST_PATH_IMAGE004
，f为频率；如果对
Figure 853861DEST_PATH_IMAGE005
在N个等间隔的频率
Figure 481152DEST_PATH_IMAGE006
处采样，N为频率维中样本数，式中m的取值应满足：r(m)≠0 ，
Figure DEST_PATH_IMAGE007
，L为窗的长度，在
Figure 723914DEST_PATH_IMAGE008
以外r(m)=0 ；表示为公式（2）：
Figure 120261DEST_PATH_IMAGE009
（2）
如果
Figure 524697DEST_PATH_IMAGE010
，傅里叶变换表示为公式（3）：
Figure 639284DEST_PATH_IMAGE011
（3）
其中，
Figure 420158DEST_PATH_IMAGE012
，进行傅里叶逆变换如公式（4）：
Figure 936590DEST_PATH_IMAGE013
（4）
其中， 从y到y+L-1的区间内恢复时间序列值；
Figure 777507DEST_PATH_IMAGE014
是加窗序列
Figure 113810DEST_PATH_IMAGE015
的傅里叶变换，由于
Figure 698375DEST_PATH_IMAGE016
时r(m)≠0，公式（4）相当于把公式（2）对f进行了采样；若将
Figure DEST_PATH_IMAGE017
对时间y采样，则在
Figure 334893DEST_PATH_IMAGE018
内重构
Figure 81132DEST_PATH_IMAGE019
；
Figure 639153DEST_PATH_IMAGE020
（5）
其中，r和f均为整数，
Figure 27409DEST_PATH_IMAGE021
，R为时间维中的采样区间；其中，窗的长度L，在频率维中样本数N以及时间维中的采样区间R之间满足关系式
Figure 987274DEST_PATH_IMAGE022
；
求取傅里叶变换后振动信号的频段幅值A分布如公式（6）所示，
A=[A 1, A 2, A 3, A 4, A 5,…A q ] （6）
对频域分布各个频段的幅值进行求和，总频段的幅值总和A M 见公式（7），
A M =∑A i ，（i=1,2,3,4,5,…q） （7）
对于给定的频域分布而言，选定某一频域范围作为目标频段，求取目标频段幅值在总频段幅值总和中的占比；则目标频段频域分布占比计算公式为公式（8）：
G=A j /A M （8）
其中，A j 为目标频段的幅值，A M 为总频段的幅值总和；
所述步骤三中，具体判断方式为：对于变压器一次侧电压信号，目标频段频域分布占比为50Hz以上频域分布的归一化占比，如果超过第五预设诊断阈值，则诊断为高频谐波状态；对于变压器风扇振动信号，目标频段频域分布占比为100Hz以下频域分布的归一化占比，如果超过第六预设诊断阈值，则诊断为风扇故障状态；对于变压器分接开关振动信号，目标频段频域分布占比为1000Hz以上频域分布的归一化占比，如果超过第七预设诊断阈值，则诊断为分接开关故障状态。
所述步骤二中，建立变压器多维变量与多维信息的能量熵值诊断模型：用补充总体经验模态分解方法（Complementary Ensemble Empirical Mode Decomposition，CEEMD）将信号分解为本征模态函数，计算每个本征模态函数分量能量的归一化占比，得出能量熵值，对比变压器绕组振动信号与第八预设诊断阈值之间关系，对比变压器噪声信号的能量熵值与第九预设诊断阈值之间关系；
所述补充总体经验模态分解方法是将一个多分量信号分解为有限的几个单分量信号，每个单分量信号是调频和调幅的本征模态函数（Intrinsic Mode Functions, IMF），分解过程为：
首先，得到变压器绕组振动信号或变压器噪声信号
Figure 904415DEST_PATH_IMAGE023
的所有局部极值点，用局部极大值点拟合信号上包络线
Figure 480890DEST_PATH_IMAGE024
，以及局部极小值点拟合信号下包络线
Figure 141678DEST_PATH_IMAGE025
，得到均值包络线
Figure DEST_PATH_IMAGE026
，见公式（9）：
Figure 487209DEST_PATH_IMAGE027
（9）
将信号中减去均值包络线
Figure 840830DEST_PATH_IMAGE026
，得到新的信号
Figure 373442DEST_PATH_IMAGE028
，即公式（10）：
Figure 837922DEST_PATH_IMAGE029
（10）
把
Figure 772380DEST_PATH_IMAGE028
作为新的信号，重复上边步骤k次，两次连续筛选结果的标准差定义为：
Figure DEST_PATH_IMAGE030
（11）
其中t为测试信号对应的时间，T为测试信号的总时间；h 1(k-1) (t)和h 1k (t)均为重复公式（9）-（10）后处理得到的信号，h 1(k-1) (t)为重复公式（9）-（10）后第k-1次处理得到的信号，h 1k (t)为重复公式（9）-（10）后第k次处理得到的信号，当SD小于预设值时获得第一个本征模态函数
Figure 562481DEST_PATH_IMAGE031
，记
Figure 582390DEST_PATH_IMAGE032
；
令
Figure DEST_PATH_IMAGE033
，作为新的信号，再次重复公式（9）-（11），则得到第2、3直到第n个本征模态函数；信号用本征模态函数表示为公式（12）：
Figure 116139DEST_PATH_IMAGE034
（12）
其中，
Figure 905104DEST_PATH_IMAGE035
为趋势分量，为单调函数或均值函数，代表信号的平稳趋势；c 1，c 2，…，c i ，…，c n 为所得到的各个本征模态函数分量，包含了信号由高频段到低频段的不同成分；
变压器绕组振动信号或变压器噪声信号
Figure 600527DEST_PATH_IMAGE036
经过补充总体经验模态分解后得到n个本征模态函数分量
Figure 107732DEST_PATH_IMAGE037
和一个剩余的趋势分量
Figure 914014DEST_PATH_IMAGE038
，计算出n个本征模态函数分量的能量分别为
Figure DEST_PATH_IMAGE039
，在忽略剩余分量的能量情况下，由于补充总体经验模态分解具有正交性，n个本征模态函数的能量之和应该等于原始振动信号的总能量；
采用公式（17）计算每个本征模态函数分量的能量：
Figure 354222DEST_PATH_IMAGE040
（17）
其中，A i (t)是本征模态函数分量的信号各点幅值，t i-1和t i 为信号A i (t)对应时间区间的起止时刻，E i 是本征模态函数分量的信号能量；
采用公式（18）计算每个本征模态函数分量能量的归一化占比：
Figure 954968DEST_PATH_IMAGE041
（18）
其中，p i 表示第i个本征模态函数分量的能量在整个信号能量
Figure 100002_DEST_PATH_IMAGE042
中的比重；
每个本征模态函数分量c 1，c 2，…，c i ，…，c n 包含不同的频率成分，且具有不同的能量，从而
Figure 480627DEST_PATH_IMAGE043
形成了变压器绕组振动信号能量在频率域的一种划分，由此计算补充总体经验模态分解能量熵值H EN 为，
Figure 825021DEST_PATH_IMAGE044
（19）
所述步骤三中，具体判断方式为：对于变压器绕组振动信号，如果计算的能量熵值小于第八预设诊断阈值，则诊断为绕组松动状态；对于变压器噪声信号，如果计算的能量熵值小于第九预设诊断阈值，则诊断为变压器内部变形故障状态。
所述补充总体经验模态分解方法是在经验模态分解的基础上加入一对幅值相同、相位角相差180°的辅助噪声，其具体分解步骤和原理如下：
（1）对信号
Figure 854157DEST_PATH_IMAGE045
添加I次白噪声
Figure 625804DEST_PATH_IMAGE046
，
Figure 107601DEST_PATH_IMAGE047
，白噪声以正负对形式加入，得到
Figure 255685DEST_PATH_IMAGE048
个信号，即公式（13）
Figure 873748DEST_PATH_IMAGE049
（13）
（2）分别对集合中每个信号
Figure 347455DEST_PATH_IMAGE050
，
Figure 50969DEST_PATH_IMAGE051
做补充总体经验模态分解方法分解，得到一个本征模态函数
Figure 737165DEST_PATH_IMAGE052
，这里计算1个固有函数
Figure 740893DEST_PATH_IMAGE053
（14）
第1个余量为
Figure 854343DEST_PATH_IMAGE054
（15）
（3）对于
Figure 45153DEST_PATH_IMAGE055
，计算k个余量：
Figure 535040DEST_PATH_IMAGE056
，之后分解的函数变为
Figure 393274DEST_PATH_IMAGE057
，系数
Figure 943205DEST_PATH_IMAGE058
表示信噪比，这里取常数，E(ω i [n]) 为补充总体经验模态分解方法分解的i个函数；则有
Figure 621311DEST_PATH_IMAGE059
，重复步骤（3）直到筛选终止，得到：
Figure 649309DEST_PATH_IMAGE060
（16）
经过系列运算后，得到一组本征模态函数。
优点及效果：
本发明所公开的一种基于多维变量测量与多维信息诊断的变压器状态辨识方法，其具有以下优点：
1. 专利技术内容可以突破以往状态辨识中判据单一和离线诊断的局限，满足我国能源互联网的建设需求，引领我国电力设备状态检修领域中基于多参量监测的技术趋势。
2. 能够有效提升在线运行变压器状态监测和诊断结果的准确性，为检修部门合理安排变压器检修运维工作提供理论依据，有利于提高电网状态检修的效率与水平，降低电网故障发生的风险。
附图说明
附图1为本发明基于多维变量测量与多维信息诊断的变压器状态辨识方法流程图；
附图2为本发明多维变量与多维信息的信号幅值诊断模型图；
附图3为本发明多维变量与多维信息的频域分布诊断模型图；
附图4为本发明多维变量与多维信息的能量熵值诊断模型图；
附图5为本发明实施例中变压器正常绕组振动信号；
附图6为本发明实施例中变压器正常绕组IMF分量信号；
附图7为本发明实施例中变压器多次短路冲击后绕组振动信号；
附图8为本发明实施例中变压器多次短路冲击后绕组IMF分量信号。
具体实施方式
下面结合附图对本发明进一步描述：
本发明研究一种基于多维变量测量与多维信息诊断的变压器状态辨识方法，通过测量变压器一次侧电压信号、二次侧电流信号、油温信号、铁芯磁场信号、局放信号、风扇振动信号、分接开关振动信号、绕组振动信号以及噪声信号，建立多维变量与多维信息的信号幅值诊断模型、频域分布诊断模型和能量熵值诊断模型，智能辨识出变压器的过负荷状态、过热状态、绝缘击穿状态、铁芯过饱和状态、高频谐波状态、风扇故障状态、分接开关故障状态、绕组松动状态与变压器内部变形故障状态。
具体实施过程为：
一、测量变压器多维变量，包括，变压器一次侧电压信号、变压器二次侧电流信号、变压器油温信号、变压器铁芯磁场信号、变压器局放信号、变压器风扇振动信号、变压器分接开关振动信号、变压器绕组振动信号以及变压器噪声信号。
具体测量过程为：在变压器三相高压侧出线套管安装电压互感器，测量变压器一次侧电压信号（U1、U2、U3）；在变压器三相低压侧出线套管安装电流互感器，测量变压器二次侧电流信号（I1、I2、I3）；在变压器的储油柜、油枕、油箱内部顶部、油箱内部底部4个位置分别安装内置光纤传感器，测量变压器储油柜、油枕、油箱内部顶部、油箱内部底部4个位置油温（T1、T2、T3、T4），计算平均值T= (T1+T2+T3+T4) *1/4，作为变压器测量的温度信号；在变压器ABC三相铁芯中点以及上下铁轭中点5个位置安装霍尔传感器，测量变压器ABC三相铁芯中点以及上下铁轭中点5个位置磁感应强度（B1、B2、B3、B4、B5），计算平均值B=（B1+B2+B3+B4+B5）*1/5，作为变压器测量的铁芯磁场信号；在变压器三相高压绕组以及三相低压绕组的端部绝缘6个位置内置光纤传感器，测量变压器三相高压绕组以及三相低压绕组的端部绝缘6个位置的紫外光局放信号（F1、F2、F3、F4、F5、F6），计算平均值F=（F1+F2+F3+F4+F5+F6）*1/6，作为变压器测量的局放信号；在变压器风扇基座安装压电式加速度传感器，测量变压器风扇振动信号；在变压器分接开关操动机构的壳体表面安装压电式加速度传感器，测量变压器分接开关振动信号；在变压器绕组端部位置安装内置式光纤传感器，测量变压器绕组振动信号；靠近变压器低压侧端部对应到箱体外表面的水平位置处，安装声传感器，测量变压噪声信号。
二、如图1所示，建立多维变量与多维信息的信号幅值诊断模型、频域分布诊断模型和能量熵值诊断模型：
1、如图2所示，建立多维变量与多维信息的信号幅值诊断模型：对比变压器二次侧电流信号、变压器油温信号、变压器铁芯磁场信号和变压器局放信号的幅值与预设诊断阈值之间关系；如果变压器二次侧电流信号幅值超过第一预设诊断阈值，则诊断为过负荷状态；如果变压器油温信号幅值超过第二预设诊断阈值，则诊断为过热状态；如果变压器铁芯磁场信号幅值超过第三预设诊断阈值，则诊断为铁芯过饱和状态；如果变压器局放信号幅值超过第四预设诊断阈值，则诊断为绝缘击穿状态。
预设诊断阈值的确定来源于《油浸式变压器(电抗器)状态评价导则》、《输变电设备状态检修试验规程》、《油浸式电力变压器技术参数和要求》、《电力设备预防性试验规程》，以及预防性试验结果。
2、如图3所示，建立多维变量与多维信息的频域分布诊断模型：采用傅里叶变换方法求解变压器一次侧电压信号、变压器风扇振动信号、变压器分接开关振动信号的频域分布归一化占比，对比变压器一次侧电压信号、变压器风扇振动信号、变压器分接开关振动信号的频域分布与预设诊断阈值之间关系：对于变压器一次侧电压信号，目标频段频域分布占比为50Hz以上频域分布的归一化占比，如果超过第五预设诊断阈值，则诊断为高频谐波状态；对于变压器风扇振动信号，目标频段频域分布占比为100Hz以下频域分布的归一化占比，如果超过第六预设诊断阈值，则诊断为风扇故障状态；对于变压器分接开关振动信号，目标频段频域分布占比为1000Hz以上频域分布的归一化占比，如果超过第七预设诊断阈值，则诊断为分接开关故障状态。
诊断阈值的确定来源于《油浸式变压器(电抗器)状态评价导则》、《输变电设备状态检修试验规程》、《油浸式电力变压器技术参数和要求》、《电力设备预防性试验规程》，以及预防性试验结果。
多维变量与多维信息的频域分布诊断具体过程为：
对信号进行傅里叶变换，
Figure 362050DEST_PATH_IMAGE001
（1）
式中，
Figure 82882DEST_PATH_IMAGE002
为窗函数、
Figure 248284DEST_PATH_IMAGE003
为时间序列函数，m是傅里叶离散矩阵的列数，y是傅里叶离散矩阵的行数，ω为采样频率，
Figure 79974DEST_PATH_IMAGE004
，f为频率；如果对
Figure 381642DEST_PATH_IMAGE005
在N个等间隔的频率
Figure 273375DEST_PATH_IMAGE061
处采样，式中
Figure 191652DEST_PATH_IMAGE062
的取值应满足：r(m)≠0
Figure 92612DEST_PATH_IMAGE063
，在
Figure DEST_PATH_IMAGE064
以外r(m)=0。这样可表示为：
Figure 311104DEST_PATH_IMAGE065
（2）
如果
Figure 639317DEST_PATH_IMAGE066
，那么由采样后的傅里叶变换可表示为：
Figure 779311DEST_PATH_IMAGE067
（3）
式中，
Figure 483962DEST_PATH_IMAGE068
是加窗序列
Figure 25802DEST_PATH_IMAGE069
的傅里叶变换，利用逆变换有：
Figure 524916DEST_PATH_IMAGE070
（4）
式中，Z(m+y)为时间序列函数，N为频率维中样本数，
Figure 152207DEST_PATH_IMAGE071
为窗函数，
Figure 129390DEST_PATH_IMAGE072
，从y到y+L-1的区间内恢复时间序列值。由于
Figure 791315DEST_PATH_IMAGE073
时r(m)≠0，式（4）相当于把式（2）对
Figure 461331DEST_PATH_IMAGE074
进行了采样。若将
Figure 575918DEST_PATH_IMAGE075
对时间
Figure 91213DEST_PATH_IMAGE076
采样，则可以在
Figure 607645DEST_PATH_IMAGE077
，内重构
Figure 448562DEST_PATH_IMAGE078
。
Figure 50444DEST_PATH_IMAGE020
（5）
式中，r和f均为整数，
Figure 369430DEST_PATH_IMAGE021
，涉及到如下整数型参数：窗的长度
Figure 763806DEST_PATH_IMAGE079
，N为频率维中样本数，R为时间维中的采样区间。在频率维中样本数N以及时间维中的采样区间R。选择
Figure 775625DEST_PATH_IMAGE066
保证可以由变换
Figure 333645DEST_PATH_IMAGE075
来重构加窗信号段。若
Figure 456322DEST_PATH_IMAGE080
，则信号段有重叠；但若
Figure DEST_PATH_IMAGE081
，则信号的一些样本用不上。这样不能由
Figure 212925DEST_PATH_IMAGE075
重构原信号。采样的3个参数满足关系式
Figure 130066DEST_PATH_IMAGE082
。
求取傅里叶变换后振动信号的频段幅值分布，
A=[A 1, A 2, A 3, A 4, A 5,…A q ] （6）
对频域分布各个频段的幅值进行求和，总频段的幅值总和A M 为，
A M =∑A i ，（i=1,2,3,4,5,…q） （7）
对于给定的频域分布而言，可以选定某一频域范围作为目标频段，求取目标频段幅值在总频段幅值总和中的占比。则目标频段频域分布占比计算公式为，
G=A j /A M （8）
其中，A j 为目标频段的幅值，A M 为总频段的幅值总和。
对于变压器一次侧电压信号，目标频段频域分布占比为50Hz以上频域分布的归一化占比，如果超过第五预设诊断阈值，则诊断为高频谐波状态；对于变压器风扇振动信号，目标频段频域分布占比为100Hz以下频域分布的归一化占比，如果超过第六预设诊断阈值，则诊断为风扇故障状态；对于变压器分接开关振动信号，目标频段频域分布占比为1000Hz以上频域分布的归一化占比，如果超过第七预设诊断阈值，则诊断为分接开关故障状态。
3、如图4所示，建立多维变量与多维信息的能量熵值诊断模型：求解绕组振动信号、噪声信号的能量熵值，对比变压器绕组振动信号、变压器噪声信号的能量熵值与预设诊断阈值之间关系，如果变压器绕组振动信号，经过补充总体经验模态分解后的能量熵值小于第八预设诊断阈值，则诊断为绕组松动状态；如果变压器噪声信号，经过补充总体经验模态分解后的能量熵值小于第九预设诊断阈值，则诊断为变压器内部变形故障状态。
诊断阈值的确定来源于《油浸式变压器(电抗器)状态评价导则》、《输变电设备状态检修试验规程》、《油浸式电力变压器技术参数和要求》、《电力设备预防性试验规程》，以及预防性试验结果。
多维变量与多维信息的能量熵值诊断具体过程为：
补充总体经验模态分解方法是一种基于数据的自适应分解方法，其将一多分量信号分解为有限的几个单分量信号，每个单分量信号是调频和调幅的本征模态函数，分解过程为，
首先，得到信号
Figure 706540DEST_PATH_IMAGE083
的所有局部极值点，用局部极大值点拟合信号上包络线
Figure 632908DEST_PATH_IMAGE024
，以及局部极小值点拟合信号下包络线
Figure 447280DEST_PATH_IMAGE084
。得到均值包络线
Figure 66481DEST_PATH_IMAGE085
。
Figure 599093DEST_PATH_IMAGE086
（9）
将信号中减去均值包络线
Figure 63572DEST_PATH_IMAGE085
，得到新的信号
Figure 998030DEST_PATH_IMAGE087
，即：
Figure 788132DEST_PATH_IMAGE088
（10）
把h 1作为新的信号，重复上边步骤
Figure 73620DEST_PATH_IMAGE089
次，两次连续筛选结果的标准差定义为：
Figure 607369DEST_PATH_IMAGE090
（11）
当
Figure 396334DEST_PATH_IMAGE091
小于某一预设值时获得第一个本征模态函数
Figure 91757DEST_PATH_IMAGE092
，记
Figure 864541DEST_PATH_IMAGE093
。
令
Figure 936402DEST_PATH_IMAGE094
，作为新的信号，再次重复（9）-（11），则得到第2、3直到第
Figure 845452DEST_PATH_IMAGE095
个本征模态函数。于是，信号可用本征模态函数表示为：
Figure 242936DEST_PATH_IMAGE096
（12）
式中，
Figure 971857DEST_PATH_IMAGE097
为趋势分量，为单调函数或均值函数，代表信号的平稳趋势；
Figure 112989DEST_PATH_IMAGE098
为所得到的各个IMF分量，包含了信号由高频段到低频段的不同成分。
CEEMD方法通过加入一对幅值相同、相位角相差180°的辅助噪声，能够减少有效信号的损失，保持原信号特性，具体分解步骤和原理如下：
对绕组振动信号或噪声信号
Figure 142125DEST_PATH_IMAGE045
添加I次白噪声
Figure 913772DEST_PATH_IMAGE099
，白噪声以正负对形式加入，得到
Figure 661148DEST_PATH_IMAGE048
个信号。即
Figure 809232DEST_PATH_IMAGE049
（13）
分别对集合中每个信号
Figure 427295DEST_PATH_IMAGE100
做CEEMD分解，得到一个
Figure 635423DEST_PATH_IMAGE052
，这里计算1个固有函数
Figure 338937DEST_PATH_IMAGE053
（14）
第1个余量为
Figure 290712DEST_PATH_IMAGE054
（15）
对于
Figure 28861DEST_PATH_IMAGE055
，计算k个余量：
Figure 407890DEST_PATH_IMAGE056
，之后分解的函数变为
Figure 598700DEST_PATH_IMAGE101
，E(ω i [n]) 为补充总体经验模态分解方法分解的i个函数，则有
Figure 354166DEST_PATH_IMAGE059
，重复上述过程直到筛选终止，得到：
Figure 946821DEST_PATH_IMAGE060
（16）
式中：系数
Figure 496751DEST_PATH_IMAGE102
表示信噪比，这里取常数， E(ω i [n])是CEEMD分解的i个函数。经过系列运算后，得到一组IMF函数。
绕组振动信号和噪声信号
Figure 174857DEST_PATH_IMAGE036
经过CEEMD分解后可以得到n个IMF分量
Figure 468436DEST_PATH_IMAGE103
和一个剩余分量
Figure 181177DEST_PATH_IMAGE104
，计算出n个IMF分量的能量分别为
Figure 433166DEST_PATH_IMAGE105
。在忽略剩余分量的能量情况下，由于CEEMD分解具有正交性，n个IMF的能量之和应该等于原始振动信号的总能量。
采用公式计算每个IMF分量的能量，
Figure DEST_PATH_IMAGE106
（17）
其中，A i (t)是IMF分量的信号各点幅值，t i-1和t i 为信号A i (t)对应时间区间的起止时刻，E i 是IMF分量的信号能量。
采用公式计算每个IMF分量能量的归一化占比，
Figure 395306DEST_PATH_IMAGE107
（18）
式中，p i 表示第i个IMF分量的能量在整个信号能量
Figure 492575DEST_PATH_IMAGE042
中的比重。
每个IMF分量
Figure 794244DEST_PATH_IMAGE108
包含不同的频率成分，且具有不同的能量，从而
Figure 951555DEST_PATH_IMAGE109
形成了变压器绕组振动信号能量在频率域的一种划分，由此可计算CEEMD能量熵值为，
Figure 338674DEST_PATH_IMAGE044
（19）
对于变压器绕组振动信号，如果计算的能量熵值小于第八预设诊断阈值，则诊断为绕组松动状态；对于变压器噪声信号，如果计算的能量熵值小于第九预设诊断阈值，则诊断为变压器内部变形故障状态。
实施例
以一台500kVA、35kV变压器的绕组振动信号为例，说明建立的多维变量与多维信息的能量熵值诊断模型实施过程：测试绕组振动信号，计算经过补充总体经验模态分解后的能量熵值，对比绕组振动信号的能量熵值与预设诊断阈值之间关系，如果绕组振动信号，经过补充总体经验模态分解后的能量熵值大于诊断阈值，则诊断为正常状态；如果绕组振动信号，经过补充总体经验模态分解后的能量熵值小于诊断阈值，则诊断为绕组松动状态。
开展500kVA、35kV变压器正常绕组以及多次短路冲击后绕组振动测试实验。首先测试一台变压器正常绕组振动信号如图5所示。建立多维变量与多维信息的能量熵值诊断模型。采用补充总体经验模态分解方法，根据公式（9）-（19）提取振动数据的IMF分量如图6所示，由公式（17）-（19）计算所有IMF分量的归一化能量和能量熵值，计算正常绕组变压器绕组振动信号CEEMD分解后IMF分量的能量熵值如表1所示。根据预防性试验可知，此类变压器松动绕组振动信号，经过补充总体经验模态分解后的能量熵值的第八预设诊断阈值为0.5529。对图表分析可知，该台变压器绕组能量熵值为0.6659，大于预设诊断阈值0.5529；通过多维变量与多维信息的能量熵值诊断模型诊断结果为：正常状态。
表1
Figure DEST_PATH_IMAGE110
然后测试一台变压器多次短路冲击后绕组振动信号如图7所示。建立多维变量与多维信息的能量熵值诊断模型。采用补充总体经验模态分解方法，根据公式（9）-（19）提取振动数据的IMF分量如图8所示，由公式（17）-（19）计算所有IMF分量的归一化能量和能量熵值，计算多次短路冲击后绕组变压器绕组振动信号CEEMD分解后IMF分量的能量熵值如表2所示。根据预防性试验可知，此类变压器松动绕组振动信号，经过补充总体经验模态分解后的能量熵值的第八预设诊断阈值为0.5529。多次短路冲击后该台变压器绕组能量熵值为0.4268，小于给定的第八预设诊断阈值0.5529。通过多维变量与多维信息的能量熵值诊断模型诊断结果为：绕组松动状态。
表2
Figure 505213DEST_PATH_IMAGE111
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。

Claims (6)

1.基于多维变量测量与多维信息诊断的变压器状态辨识方法，其特征在于，按照以下步骤执行：
步骤一、测量变压器多维变量；变压器多维变量具体包括变压器一次侧电压信号、变压器二次侧电流信号、变压器油温信号、变压器铁芯磁场信号、变压器局放信号、变压器风扇振动信号、变压器分接开关振动信号、变压器绕组振动信号以及变压器噪声信号；
步骤二、根据不同的变压器多维变量，建立变压器多维变量与多维信息的诊断模型；诊断模型具体包括信号幅值诊断模型、频域分布诊断模型和能量熵值诊断模型；
步骤三、通过步骤二中的诊断模型判断测量的变压器多维变量的信号幅值、频域分布归一化占比和能量熵值与预设诊断阈值之间的关系，进而得出诊断结果。
2.根据权利要求1所述的基于多维变量测量与多维信息诊断的变压器状态辨识方法，其特征在于：所述步骤一中，具体测量方法为：
在变压器三相低压侧出线套管安装电流互感器，测量变压器二次侧电流信号I1、I2、I3；
在变压器的储油柜、油枕、油箱内部顶部、油箱内部底部4个位置分别安装内置光纤传感器，测量变压器储油柜、油枕、油箱内部顶部、油箱内部底部4个位置油温T1、T2、T3、T4，计算平均值T= (T1+T2+T3+T4) *1/4，作为变压器油温信号；
在变压器ABC三相铁芯中点以及上下铁轭中点5个位置安装霍尔传感器，测量变压器ABC三相铁芯以及上下铁轭5个位置磁感应强度B1、B2、B3、B4、B5，计算平均值B=（B1+B2+B3+B4+B5）*1/5，作为变压器铁芯磁场信号；
在变压器三相高压绕组以及三相低压绕组的端部绝缘6个位置内置光纤传感器，测量变压器三相高压绕组以及三相低压绕组的端部绝缘6个位置的紫外光局放信号F1、F2、F3、F4、F5、F6，计算平均值F=（F1+F2+F3+F4+F5+F6）*1/6，作为变压器局放信号；
在变压器三相高压侧出线套管安装电压互感器，测量变压器一次侧电压信号U1、U2、U3；
在变压器风扇基座安装压电式加速度传感器，测量变压器风扇振动信号；
在变压器分接开关操动机构的壳体表面安装压电式加速度传感器，测量变压器分接开关振动信号；
在变压器绕组端部位置安装内置式光纤传感器，测量变压器绕组振动信号；
靠近变压器低压侧端部对应到箱体外表面的水平位置处，安装声传感器，测量变压器噪声信号。
3.根据权利要求1所述的基于多维变量测量与多维信息诊断的变压器状态辨识方法，其特征在于：所述步骤二中，建立变压器多维变量与多维信息的信号幅值诊断模型：对比变压器二次侧电流信号幅值与第一预设诊断阈值之间关系，对比变压器油温信号幅值与第二预设诊断阈值之间关系，对比变压器铁芯磁场信号幅值与第三预设诊断阈值之间关系，对比变压器局放信号幅值与第四预设诊断阈值之间关系；
所述步骤三中，具体判断方式为：如果变压器二次侧电流信号幅值超过第一预设诊断阈值，则诊断为过负荷状态；如果变压器油温信号幅值超过第二预设诊断阈值，则诊断为过热状态；如果变压器铁芯磁场信号幅值超过第三预设诊断阈值，则诊断为铁芯过饱和状态；如果变压器局放信号幅值超过第四预设诊断阈值，则诊断为绝缘击穿状态。
4.根据权利要求1所述的基于多维变量测量与多维信息诊断的变压器状态辨识方法，其特征在于：所述步骤二中，建立变压器多维变量与多维信息的频域分布诊断模型：采用傅里叶变换方法求解变压器一次侧电压信号、变压器风扇振动信号、变压器分接开关振动信号的频域分布归一化占比，对比各频域分布与预设诊断阈值之间关系；具体方法如下：
采用傅里叶变换进行分析；信号的傅里叶变换定义见公式（1）：
Figure 338543DEST_PATH_IMAGE001
（1）
其中，
Figure 731651DEST_PATH_IMAGE002
为窗函数、
Figure 42547DEST_PATH_IMAGE003
为时间序列函数，m是傅里叶离散矩阵的列数，y是傅里叶离散矩阵的行数，ω为采样频率，
Figure 234493DEST_PATH_IMAGE004
，f为频率；如果对
Figure 580024DEST_PATH_IMAGE005
在N个等间隔的频率
Figure 933645DEST_PATH_IMAGE006
处采样，N为频率维中样本数，式中m的取值应满足：r(m)≠0 ，
Figure 731837DEST_PATH_IMAGE007
，L为窗的长度，在
Figure 461895DEST_PATH_IMAGE008
以外r(m)=0 ；表示为公式（2）：
Figure 661933DEST_PATH_IMAGE009
（2）
如果
Figure DEST_PATH_IMAGE010
，傅里叶变换表示为公式（3）：
Figure 983193DEST_PATH_IMAGE011
（3）
其中，
Figure 268680DEST_PATH_IMAGE012
，进行傅里叶逆变换如公式（4）：
Figure 536851DEST_PATH_IMAGE013
（4）
其中， 从y到y+L-1的区间内恢复时间序列值；
Figure 591394DEST_PATH_IMAGE014
是加窗序列的傅里叶变换，由于
Figure 552397DEST_PATH_IMAGE015
时r(m)≠0，公式（4）相当于把公式（2）对f进行了采样；若将
Figure 325181DEST_PATH_IMAGE016
对时间y采样，则在
Figure 397042DEST_PATH_IMAGE017
内重构
Figure 571672DEST_PATH_IMAGE018
；
Figure DEST_PATH_IMAGE019
（5）
其中，r和f均为整数，
Figure 969155DEST_PATH_IMAGE020
，R为时间维中的采样区间；其中，窗的长度L，在频率维中样本数N以及时间维中的采样区间R之间满足关系式
Figure 494814DEST_PATH_IMAGE021
；
求取傅里叶变换后振动信号的频段幅值A分布如公式（6）所示，
A=[A 1, A 2, A 3, A 4, A 5,…A q ] （6）
对频域分布各个频段的幅值进行求和，总频段的幅值总和A M 见公式（7），
A M =∑A i ，（i=1,2,3,4,5,…q） （7）
对于给定的频域分布而言，选定某一频域范围作为目标频段，求取目标频段幅值在总频段幅值总和中的占比；则目标频段频域分布占比计算公式为公式（8）：
G=A j /A M （8）
其中，A j 为目标频段的幅值，A M 为总频段的幅值总和；
所述步骤三中，具体判断方式为：对于变压器一次侧电压信号，目标频段频域分布占比为50Hz以上频域分布的归一化占比，如果超过第五预设诊断阈值，则诊断为高频谐波状态；对于变压器风扇振动信号，目标频段频域分布占比为100Hz以下频域分布的归一化占比，如果超过第六预设诊断阈值，则诊断为风扇故障状态；对于变压器分接开关振动信号，目标频段频域分布占比为1000Hz以上频域分布的归一化占比，如果超过第七预设诊断阈值，则诊断为分接开关故障状态。
5.根据权利要求1所述的基于多维变量测量与多维信息诊断的变压器状态辨识方法，其特征在于：所述步骤二中，建立变压器多维变量与多维信息的能量熵值诊断模型：用补充总体经验模态分解方法将信号分解为本征模态函数，计算每个本征模态函数分量能量的归一化占比，得出能量熵值，对比变压器绕组振动信号与第八预设诊断阈值之间关系，对比变压器噪声信号的能量熵值与第九预设诊断阈值之间关系；
所述补充总体经验模态分解方法是将一个多分量信号分解为有限的几个单分量信号，每个单分量信号是调频和调幅的本征模态函数，分解过程为：
首先，得到变压器绕组振动信号或变压器噪声信号
Figure 104787DEST_PATH_IMAGE022
的所有局部极值点，用局部极大值点拟合信号上包络线
Figure 133923DEST_PATH_IMAGE023
，以及局部极小值点拟合信号下包络线
Figure 436728DEST_PATH_IMAGE024
，得到均值包络线
Figure 918525DEST_PATH_IMAGE025
，见公式（9）：
Figure 332189DEST_PATH_IMAGE026
（9）
将信号中减去均值包络线
Figure 215831DEST_PATH_IMAGE025
，得到新的信号
Figure DEST_PATH_IMAGE027
，即公式（10）：
Figure 689538DEST_PATH_IMAGE028
（10）
把
Figure 658631DEST_PATH_IMAGE027
作为新的信号，重复上边步骤k次，两次连续筛选结果的标准差定义为：
Figure 610407DEST_PATH_IMAGE029
（11）
其中t为测试信号对应的时间，T为测试信号的总时间；h 1(k-1) (t)和h 1k (t)均为重复公式（9）-（10）后处理得到的信号，h 1(k-1) (t)为重复公式（9）-（10）后第k-1次处理得到的信号，h 1k (t)为重复公式（9）-（10）后第k次处理得到的信号，当SD小于预设值时获得第一个本征模态函数
Figure 614135DEST_PATH_IMAGE030
，记
Figure 258743DEST_PATH_IMAGE031
；
令
Figure 980711DEST_PATH_IMAGE032
，作为新的信号，再次重复公式（9）-（11），则得到第2、3直到第n个本征模态函数；信号用本征模态函数表示为公式（12）：
Figure 736177DEST_PATH_IMAGE033
（12）
其中，
Figure DEST_PATH_IMAGE034
为趋势分量，为单调函数或均值函数，代表信号的平稳趋势；c 1，c 2，…，c i ，…，c n 为所得到的各个本征模态函数分量，包含了信号由高频段到低频段的不同成分；
变压器绕组振动信号或变压器噪声信号
Figure 328833DEST_PATH_IMAGE035
经过补充总体经验模态分解后得到n个本征模态函数分量
Figure DEST_PATH_IMAGE036
和一个剩余的趋势分量
Figure 675501DEST_PATH_IMAGE037
，计算出n个本征模态函数分量的能量分别为
Figure 619186DEST_PATH_IMAGE038
，在忽略剩余分量的能量情况下，由于补充总体经验模态分解具有正交性，n个本征模态函数的能量之和应该等于原始振动信号的总能量；
采用公式（17）计算每个本征模态函数分量的能量：
Figure 443922DEST_PATH_IMAGE039
（17）
其中，A i (t)是本征模态函数分量的信号各点幅值，t i-1和t i 为信号A i (t)对应时间区间的起止时刻，E i 是本征模态函数分量的信号能量；
采用公式（18）计算每个本征模态函数分量能量的归一化占比：
Figure DEST_PATH_IMAGE040
（18）
其中，p i 表示第i个本征模态函数分量的能量在整个信号能量
Figure 422243DEST_PATH_IMAGE041
中的比重；
每个本征模态函数分量c 1，c 2，…，c i ，…，c n 包含不同的频率成分，且具有不同的能量，从而
Figure DEST_PATH_IMAGE042
形成了变压器绕组振动信号能量在频率域的一种划分，由此计算补充总体经验模态分解能量熵值H EN 为，
Figure 408653DEST_PATH_IMAGE043
（19）
所述步骤三中，具体判断方式为：对于变压器绕组振动信号，如果计算的能量熵值小于第八预设诊断阈值，则诊断为绕组松动状态；对于变压器噪声信号，如果计算的能量熵值小于第九预设诊断阈值，则诊断为变压器内部变形故障状态。
6.根据权利要求5所述的基于多维变量测量与多维信息诊断的变压器状态辨识方法，其特征在于：所述补充总体经验模态分解方法是在经验模态分解的基础上加入一对幅值相同、相位角相差180°的辅助噪声，其具体分解步骤和原理如下：
（1）对信号
Figure DEST_PATH_IMAGE044
添加I次白噪声
Figure 636372DEST_PATH_IMAGE045
，
Figure DEST_PATH_IMAGE046
，白噪声以正负对形式加入，得到
Figure 999220DEST_PATH_IMAGE047
个信号，即公式（13）
Figure DEST_PATH_IMAGE048
（13）
（2）分别对集合中每个信号
Figure 363206DEST_PATH_IMAGE049
，
Figure DEST_PATH_IMAGE050
做补充总体经验模态分解方法分解，得到一个本征模态函数
Figure DEST_PATH_IMAGE051
，这里计算1个固有函数
Figure DEST_PATH_IMAGE052
（14）
第1个余量为
Figure 848414DEST_PATH_IMAGE053
（15）
（3）对于
Figure DEST_PATH_IMAGE054
，计算k个余量：
Figure 297849DEST_PATH_IMAGE055
，之后分解的函数变为
Figure DEST_PATH_IMAGE056
，系数
Figure 729968DEST_PATH_IMAGE057
表示信噪比，这里取常数，E(ω i [n]) 为补充总体经验模态分解方法分解的i个函数；则有
Figure DEST_PATH_IMAGE058
，重复步骤（3）直到筛选终止，得到：
Figure 682880DEST_PATH_IMAGE059
（16）
经过系列运算后，得到一组本征模态函数。
CN202111035417.8A 2021-09-06 2021-09-06 基于多维变量测量与多维信息诊断的变压器状态辨识方法 Active CN113483831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111035417.8A CN113483831B (zh) 2021-09-06 2021-09-06 基于多维变量测量与多维信息诊断的变压器状态辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111035417.8A CN113483831B (zh) 2021-09-06 2021-09-06 基于多维变量测量与多维信息诊断的变压器状态辨识方法

Publications (2)

Publication Number Publication Date
CN113483831A true CN113483831A (zh) 2021-10-08
CN113483831B CN113483831B (zh) 2022-01-21

Family

ID=77947161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111035417.8A Active CN113483831B (zh) 2021-09-06 2021-09-06 基于多维变量测量与多维信息诊断的变压器状态辨识方法

Country Status (1)

Country Link
CN (1) CN113483831B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252749A (zh) * 2022-02-28 2022-03-29 国网湖北省电力有限公司检修公司 基于多传感器的变压器局部放电检测方法及装置
CN117192313A (zh) * 2023-11-08 2023-12-08 国网天津市电力公司电力科学研究院 检测气体绝缘开关设备局部放电的光纤传感系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4689752A (en) * 1983-04-13 1987-08-25 Niagara Mohawk Power Corporation System and apparatus for monitoring and control of a bulk electric power delivery system
CN1532554A (zh) * 2002-12-10 2004-09-29 ��������ķ������ 变压器绕组故障诊断方法
CN101236856A (zh) * 2008-03-05 2008-08-06 沈阳工业大学 高压断路器圆筒型永磁直线电机操动机构
CN102141416A (zh) * 2010-12-30 2011-08-03 广东大榕树信息科技有限公司 动力环境监控系统
CN102997838A (zh) * 2012-11-20 2013-03-27 中国电力科学研究院 一种基于扫频短路特征的变压器绕组变形故障诊断方法
CN103234450A (zh) * 2013-04-11 2013-08-07 上海交通大学 变压器绕组变形在线监测方法及装置
CN103487514A (zh) * 2013-09-05 2014-01-01 昆明理工大学 一种基于小波变换和证据推理的变压器在线监测信息聚合方法
CN104181569A (zh) * 2009-08-11 2014-12-03 瑟塔思唯优科技有限责任公司 配备移动/便携装置的定位设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4689752A (en) * 1983-04-13 1987-08-25 Niagara Mohawk Power Corporation System and apparatus for monitoring and control of a bulk electric power delivery system
CN1532554A (zh) * 2002-12-10 2004-09-29 ��������ķ������ 变压器绕组故障诊断方法
CN101236856A (zh) * 2008-03-05 2008-08-06 沈阳工业大学 高压断路器圆筒型永磁直线电机操动机构
CN104181569A (zh) * 2009-08-11 2014-12-03 瑟塔思唯优科技有限责任公司 配备移动/便携装置的定位设备
CN102141416A (zh) * 2010-12-30 2011-08-03 广东大榕树信息科技有限公司 动力环境监控系统
CN102997838A (zh) * 2012-11-20 2013-03-27 中国电力科学研究院 一种基于扫频短路特征的变压器绕组变形故障诊断方法
CN103234450A (zh) * 2013-04-11 2013-08-07 上海交通大学 变压器绕组变形在线监测方法及装置
CN103487514A (zh) * 2013-09-05 2014-01-01 昆明理工大学 一种基于小波变换和证据推理的变压器在线监测信息聚合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XU,JY: "Research on State Diagnosis Model of Transformer Winding Based on Multiple Physical Fields Coupling", 《IEEE》 *
曹辰: "电力变压器绕组变形状态信息融合评估方法", 《高电压技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252749A (zh) * 2022-02-28 2022-03-29 国网湖北省电力有限公司检修公司 基于多传感器的变压器局部放电检测方法及装置
CN114252749B (zh) * 2022-02-28 2022-06-17 国网湖北省电力有限公司检修公司 基于多传感器的变压器局部放电检测方法及装置
CN117192313A (zh) * 2023-11-08 2023-12-08 国网天津市电力公司电力科学研究院 检测气体绝缘开关设备局部放电的光纤传感系统
CN117192313B (zh) * 2023-11-08 2024-02-27 国网天津市电力公司电力科学研究院 检测气体绝缘开关设备局部放电的光纤传感系统

Also Published As

Publication number Publication date
CN113483831B (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
US9404957B2 (en) Fault diagnosis and preliminary location system and method for transformer core looseness
Mehala Condition monitoring and fault diagnosis of induction motor using motor current signature analysis
CN113483831B (zh) 基于多维变量测量与多维信息诊断的变压器状态辨识方法
Stone A perspective on online partial discharge monitoring for assessment of the condition of rotating machine stator winding insulation
Jahromi et al. An approach to power transformer asset management using health index
Almounajjed et al. Diagnosis of stator fault severity in induction motor based on discrete wavelet analysis
Mortazavizadeh et al. A review on condition monitoring and diagnostic techniques of rotating electrical machines
Yang et al. Fault identification for circuit breakers based on vibration measurements
RU2431152C2 (ru) Способ диагностики механизмов и систем с электрическим приводом
CN106570644B (zh) 一种基于统计工具的输变电设备量化评估方法
Mehala et al. Condition monitoring methods, failure identification and analysis for Induction machines
CN111487491A (zh) 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
Malik et al. Make use of DGA to carry out the transformer oil-immersed paper deterioration condition estimation with fuzzy-logic
Bagheri et al. On-line transformer winding deformation diagnosis: A profound insight to methods
Yu et al. Statistical analysis of vibration characteristics of power transformers with different voltage levels
Pilloni et al. Fault detection in induction motors
Chang et al. Fuzzy theory-based partial discharge technique for operating state diagnosis of high-voltage motor
Zhan et al. Winding Mechanical Fault Diagnosis Technique of Power Transformer Based on Time-Frequency Vibration Analysis
Kumar et al. A new burg method based approach to mcsa for broken rotor bar detection
RU2532762C1 (ru) Способ диагностики и оценки остаточного ресурса электроприводов переменного тока
Yuan et al. Comparison on multiple signal analysis method in transformer core looseness fault
CN114062910A (zh) 一种电机在线诊断系统和方法
CN112985676A (zh) 基于变压器振动特征的紧固件松动的在线监测方法
Ibragimov et al. Exploration of the combined vibration parameters and external magnetic field in diagnosing asynchronous electric motors
Deeb et al. Envelope Stator Current Analysis of an Induction Motor for Short-Circuit Fault Diagnosis

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
GR01 Patent grant
GR01 Patent grant