CN115166393A - 一种变压器的智能诊断及状态评估方法 - Google Patents
一种变压器的智能诊断及状态评估方法 Download PDFInfo
- Publication number
- CN115166393A CN115166393A CN202210764955.9A CN202210764955A CN115166393A CN 115166393 A CN115166393 A CN 115166393A CN 202210764955 A CN202210764955 A CN 202210764955A CN 115166393 A CN115166393 A CN 115166393A
- Authority
- CN
- China
- Prior art keywords
- transformer
- signal
- vibration
- fault
- sensor
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 238000004804 winding Methods 0.000 claims abstract description 71
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000001845 vibrational spectrum Methods 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 6
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种变压器的智能诊断及状态评估方法,属于变压器诊断技术领域,包括如下步骤:(1)提取波形特征;(2)提取采集的声纹及振动的波普信号;(3)建立变压器绕组状态的声纹及振动矢量分析模型;(4)根据积累的实验数据、故障分析模型和仿真模型,针对故障状态进行仿真实验;(5)通过针对正常情况进行的仿真实验;(6)得出故障情况下的仿真特征量,与正常情况下的仿真特征量的实验数据进行对比分析,得出故障诊断的结果;(7)将故障诊断结果存储导入故障分析模型中,完善故障分析模型。本发明准确快速实现变压器故障诊断和状态评估,挖掘设备使用潜力,提高设备运行可靠性,保证电力变压器和电力系统的安全可靠运行。
Description
技术领域
本发明涉及变压器诊断技术领域,具体涉及一种变压器的智能诊断及状态评估方法。
背景技术
变压器是电力系统最昂贵和最重要的一次单件设备,也是结构最复杂、故障率较高的设备,变压器的安全运行对保证供电可靠性具有重要意义。电力变压器的故障率较高,不仅极大地影响电力系统的安全运行,而且将给电力企业和电力用户造成巨大的经济损失。
随着电网容量的日益增大,短路容量亦随之不断增大,变压器短路冲击电流产生的巨大电磁作用力对变压器绕组的机械强度和动稳定性构成严重的威胁。变压器遭受突发短路后,绕组将会发生松动或轻微变形。大量的实验研究与实践证明,绕组松动与变形具有累积效应。其累积到一定程度后,将导致变压器的抗短路能力大幅下降,再次遭受短路冲击时将可能引发重大事故。而如果变压器制造过程中存在缺陷,绕组也会容易出现渐进性的松散失稳,从而导致变压器的抗短路能力下降,对系统构成了严重的安全隐患,因此及时发现变压器绕组机械稳定性状态的变化对电网运行安全具有非常重要的意义。
公开号为CN114167315A的专利文献公开了一种变压器智能在线监测系统及其方法,包括:声纹传感器,用于采集变压器在工作时的声纹信号;振动传感器,用于采集变压器在工作时的振动信号;处理器,获取所声纹信号和振动信号,提取对应的频谱特征,并将其获取的采集变压器正常工作时的频谱特征作为初始特征;所述处理器构建神经网络模型,并以获取的变压器在正常工作时的声纹信号和振动信号及频谱特征作为样本进行训练得到预测模型,并根据预测模型对获取的变压器在工作时的声纹信号和振动信号进行预测,得到其对应的频谱特征,并与所述初始特征进行比对,并据此判断是否存在异常,针对变压器典型故障的产生根因进行深入研究分析,并据此提供了全方位的变压器异常监测。但是,该声纹传感器围绕在变压器四周,不能对绕组状态进行准确监控,测到的信号没有进行处理,结果不够准确。
公开号为CN113900049A的专利文献公开了一种三相变压器故障检测方法,其特征在于,具体包括如下步骤:S1接线测试:短接变压器三相绕组中的一相绕组,对剩下的两组绕组施加电压,获取这一过程中变压器的电流数据和电压数据;S2确定故障绕组:若S1中测试电流值在标准电流区间并且测试电压值在标准电压区间时,则短接的一相绕组为故障绕组;若S1中测试电流值不在标准电流区间或/和测试电压值不在标准电压区间时,则短接的一相绕组无故障;采用S1的方法最终找到三相中的故障绕组;S3确定故障点位置:对故障绕组从低到高施加电压,通过红外线成像测温仪对故障绕组进行扫描测温,温度较高处即为故障点。该检测方法通过对电压和电流的检测,通过红外线成像测温仪判断故障位置,步骤复杂,而且慢。
发明内容
有鉴于此,本发明提供了一种变压器的智能诊断及状态评估方法。
为解决上述技术问题,本发明所采取的技术方案是:
一种变压器的智能诊断及状态评估方法,包括如下步骤:
(1)提取波形特征,在变压器上安装传感器单元,采集变压器的声纹及振动的信号波形特征;
(2)提取采集的声纹及振动的波普信号,采用盲源分离和EEMD相结合的方式提取变压器的声纹及振动波谱信号特征,获取声纹及振动波谱信号时域、频域和Mel频谱倒谱系数特性;
(3)建立变压器绕组状态的声纹及振动矢量分析模型,对运行中的变压器的绕组状态进行监测和预测;
(4)根据积累的实验数据、故障分析模型和仿真模型,针对故障状态进行仿真实验;
(5)通过针对正常情况进行的仿真实验,得出正常情况下的仿真特征量的实验数据;
(6)通过针对故障情况进行的仿真实验,得出故障情况下的仿真特征量,与正常情况下的仿真特征量的实验数据进行对比分析,得出故障诊断的结果;
(7)将故障诊断结果作为积累的实验数据存储导入故障分析模型中,继续完善故障分析模型的内容。
进一步的,所述步骤(1)中,所述传感器单元包括设置在所述变压器箱体上表面的第一传感器组件、第二传感器组件、第三传感器组件,及分别设置在所述变压器两侧的振动传感器一和振动传感器二;所述第一传感器组件包括第一振动传感器和第一声纹传感器,所述第二传感器组件包括第二振动传感器和第二声纹声纹传感器,所述第三传感器组件包括第三振动传感器和第三声纹传感器。
进一步的,所述振动传感器一和振动传感器二固定在所述变压器的左右两侧;所述第一传感器组件设置在所述变压器A相高压绕组和低压绕组之间,所述第二传感器组件设置在所述变压器B相高压绕组和低压绕组之间,所述第三传感器组件设置在所述变压器C相高压绕组和低压绕组之间。
进一步的,所述步骤(2)中,在提取变压器的声纹及振动波谱信号特征时,需要获取在变压器本体噪声信号、冷却系统噪声信号、典型运行工况下的噪声信号及其对应的声纹及振动波谱信号。
进一步的,所述步骤(2)中,对获取到的信号进行去噪处理:
原信号经过窗函数的分窗之后,变为可以进行分解的信号,对一个窗内的信号,进行去噪,然后进入下一个矩形窗进行去噪,依此类推,这样便大大地提高了去噪的效率,减小了计算机的负荷,对每一个去噪后的窗信号,进行重构,得到去噪后的信号,重构公式如式所示:
其中,M为分窗的个数,xwl(m)为第l个去噪后的窗口信号,m为每个窗的釆样点数;
(b)引入矩形窗后去噪算法的性能分析:对采样点数为n的信号,假设所分矩形窗数为w,添加白噪声次数为a,则对此信号进行分解的时间复杂度为a*n*(log2(n/w)-1),可以看到分窗数越多,每个窗内的采样点数越少,则计算机分解信号多占用的时间也越少,从而有效地避免了死机现象。
进一步的,所述步骤(2)中,建立声振波谱信号特征图谱库,获取变压器绕组铁芯声纹振动声振波谱信号时域、频域和Mel频谱倒谱系数特性。
进一步的,所述步骤(3)中,采用健康值来综合测度设备运行状态,运用层次分析法,对评价层级结构中各状态参量的权重进行量化分析,建立基于层次分析法的变压器设备状态量化评价模型并通过实际运行评估变压器的运行状态。
进一步的,所述步骤(3)中,把变压器的运行状态分为5个等级,分别是优秀、良好、一般、故障、严重故障,评价集为V=(v1,v2,v3,v4,v5)=(优秀,良好,一般,故障,严重故障)=([85-100],[60-85],[40-60],[20-40],[20-40])。
进一步的,所述步骤(6)中,采用隐马尔科夫模型获取故障诊断结果,并建立变压器声振波谱信号特征图谱库。
目前,声学可视化成像技术是一种较为新颖的技术,声学成像技术解决了长期以来声场测量的直观显示问题,使得可以通过“眼睛”来观测声场,因此具备最为直观的感受,为变压器噪声及振动监测提供最为感性的认知。通过建立声阵列,通过近场或者远场的测量方法可以重构变压器表面声场,同时可对相干或者不相干的声源进行识别,对于变压器的声场分布特别是异常声源的定位非常有效,这对于变压器异常运行状况判别十分有利。
另外,振动检测法是近年来提出的一种新的检测方法,它的基本出发点是把变压器看作一个机械结构体,当绕组结构或受力,分接开关动作调节发生任何变化时,都可以从它的机械振动特性变化上得到反映。振动通过变压器内部结构连接件传递到变压器箱体,所以变压器箱体表面检测得到的振动信号与变压器的绕组特性、分接开关动作特性有密切的关系,因此,变压器箱体表面的振动信号分析可以作为变压器故障诊断的一个途径。
本发明的有益效果是:
把变压器绕组看作一个机械结构体,当变压器绕组结构或受力发生任何变化时,都可从它的机械振动特性变化上得到反映,变压器绕组的声纹及振动通过变压器内部结构连接件传递到变压器箱体,所以变压器箱体表面检测得到的声纹及振动波谱信号与变压器的绕组特性有密切的关系,因此,变压器箱体表面的声纹及振动信号分析可以作为变压器绕组故障诊断的一个途径,因此声波与振动两者之间是相互联系的,两者信号在同种故障状态下可认为是同源的,只是传播介质不同,但其属于非接触式测量,通过分析声波与振动信号的各种影响因素可以找出变压器绕组状态变化引起的声波与振动变化特征。
对于变压器绕组和铁芯,以及变压器有载分接开关的动作引起的的机械声纹和信号包含着大量的设备状态信息,这些声振信号在时域上形成一个信号时间序列,因此,采用声纹及振动传感器拾取信号波形特征可对变压器绕组和铁芯异常,以及变压机有载分接开关的机械状态的改变进行有效识别。
与电气测量法相比较,声纹及振动波谱分析法的最大优点是无需停电且非侵入方式,即可获得变压器的声纹及振动信号,通过分析其特性的变化来判断绕组状态的变化情况,只要绕组的机械特性(如结构变形、预紧力松动等)发生变化,都可以从它的机械声纹及振动特性变化上得到反映,相较于电气测量法,该检测法不仅可以大大提高检测的灵敏度,同时可以方便地实现在线检测。
使用声振波谱联合的新方法对变压器绕组和铁芯状态进行监测,通过非侵入式的振动及声频信号捕捉,实现对变压器的绕组等机械状态的在线监测,可以实现运行中的变压器绕组、铁芯等部件的振动信息的在线监测与状态评估,通过振动趋势图谱及特征分析及时发现故障隐患,实现变压器故障诊断和状态评估,挖掘设备使用潜力,提高设备运行可靠性,保证电力变压器和电力系统的安全可靠运行,同时也开拓变压器诊断新方法的实用性,为今后行业标准的制定提供前期运行经验、数据积累和可靠性保证,具有十分重要的现实意义。
附图说明
下面结合附图对本使用新型作进一步的详细说明。
图1是本发明设置在变压器上传感器组件的结构示意图。
各附图标记的含义如下:
1:变压器、2:第一传感器组件、3:第二传感器组件、4:第三传感器组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图1,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
实施例
一种变压器的智能诊断及状态评估方法,包括如下步骤:
(1)提取波形特征,在变压器上安装传感器单元,采集变压器的声纹及振动的信号波形特征;
(2)提取采集的声纹及振动的波普信号,采用盲源分离和EEMD相结合的方式提取变压器的声纹及振动波谱信号特征,获取声纹及振动波谱信号时域、频域和Mel频谱倒谱系数特性;
(3)建立变压器绕组状态的声纹及振动矢量分析模型,对运行中的变压器的绕组状态进行监测和预测;
(4)根据积累的实验数据、故障分析模型和仿真模型,针对故障状态进行仿真实验;
(5)通过针对正常情况进行的仿真实验,得出正常情况下的仿真特征量的实验数据;
(6)通过针对故障情况进行的仿真实验,得出故障情况下的仿真特征量,与正常情况下的仿真特征量的实验数据进行对比分析,得出故障诊断的结果;
(7)将故障诊断结果作为积累的实验数据存储导入故障分析模型中,继续完善故障分析模型的内容。
作为本实施例的一种优选方式,如图1所示,所述步骤(1)中,所述传感器单元包括设置在所述变压器1箱体上表面的第一传感器组件2、第二传感器组件3、第三传感器组件4,及分别设置在所述变压器两侧的振动传感器一和振动传感器二;所述第一传感器组件2包括第一振动传感器和第一声纹传感器,所述第二传感器组件3包括第二振动传感器和第二声纹声纹传感器,所述第三传感器组件4包括第三振动传感器和第三声纹传感器。
所述振动传感器一和振动传感器二固定在所述变压器的左右两侧;所述第一传感器组件2设置在所述变压器A相高压绕组和低压绕组之间,所述第二传感器组件3设置在所述变压器B相高压绕组和低压绕组之间,所述第三传感器组件4设置在所述变压器C相高压绕组和低压绕组之间。
第一传感器组件2设置在所述变压器A相高压绕组和低压绕组之间,对A相的绕组进行准确监测,所述第二传感器组件3设置在所述变压器B相高压绕组和低压绕组之间,对B相的绕组进行准确监测,所述第三传感器组件4设置在所述变压器C相高压绕组和低压绕组之间,对C相的绕组进行准确监测,能够更加准确监测到各相高压绕组接线柱之间的声振信号。第一振动传感器、第二振动传感器、第三振动传感器采用的型号均为ZKHY-IVOD-009,测量精度高,第一声纹传感器、第二声纹传感器、第三声纹传感器采用的型号均为ZKHY-IVOD-001,能够有效屏蔽外界噪声,振动传感器一或振动传感器二采用的型号为XJVB-01LI,传感器单元将信号传输给数据采集器,数据采集器通过无线信号传输给工控机。数据采集器型号为WebDAQ504,能够将数据信号通过WiFi传递给工控机,工控机型号为SK-13.3BDGD,能将数据显示在显示屏上。
所述步骤(2)中,在提取变压器的声纹及振动波谱信号特征时,需要获取在变压器本体噪声信号、冷却系统噪声信号、典型运行工况下的噪声信号及其对应的声纹及振动波谱信号。
作为本实施例的一种优选方式,所述步骤(2)中,盲源分离和EEMD结合算法的步骤:
1.得到变压器的检测信号;
2.对检测信号进行EEMD分解;
3.进行源数估计,可以根据变压器实际情况和源估计算法进行估计;
4.将观察信号与新分解的信号进行重新组合,使其维数等于或大于源信号数;
5.用ICA的盲源分离算法进行分离。
将EEMD算法与盲源算法结合起来,利用各自的优点,对一些特殊情况下的信号进行特征提取具有很好的可操作性。
作为本实施例的一种优选方式,所述步骤(2)中,对获取到的信号进行去噪处理:
原信号经过窗函数的分窗之后,变为可以进行分解的信号,对一个窗内的信号,进行去噪,然后进入下一个矩形窗进行去噪,依此类推,这样便大大地提高了去噪的效率,减小了计算机的负荷,对每一个去噪后的窗信号,进行重构,得到去噪后的信号,重构公式如式所示:
其中,M为分窗的个数,xwl(m)为第l个去噪后的窗口信号,m为每个窗的釆样点数;
(b)引入矩形窗后去噪算法的性能分析:对采样点数为n的信号,假设所分矩形窗数为w,添加白噪声次数为a,则对此信号进行分解的时间复杂度为a*n*(log2(n/w)-1),可以看到分窗数越多,每个窗内的采样点数越少,则计算机分解信号多占用的时间也越少,从而有效地避免了死机现象。
所述步骤(2)中,建立声振波谱信号特征图谱库,获取变压器绕组铁芯声纹振动声振波谱信号时域、频域和Mel频谱倒谱系数特性。
在EEMD分解过程中,每一次IMF信号的产生,都伴随着一次对信号的扫描,以及对信号所有极大值和极小值的求解。分析所占用的时间复杂度为a*n*(log2(n-1),其中a为所添加白噪声的重复次数,n为所分析信号的采样点数,其时间复杂度随着输入信号的采样点数而迅猛增长。当分解次数为100,信号的采样点数超过20000时,分解速度会明显变慢,当采样点数超过30000点时,计算机出现了比较多的死机现象,随着设备釆样率的越来越高,有必要采取相关措施减少死机现象的发生。由于每一次分析的时间复杂度随采样点数的增加而迅速增长,故可对一个长信号进行分段,以有效减少每段信号数据的分解所需要的计算量,最终有可能使总的计算量大为减少,从而避免了死机现象。
作为本实施例的一种优选方式,在进行加窗去噪后,采用EEMD滤波去噪,EEMD算法是基于EMD算法的改进算法,原理简单,由于白噪声均值为零的特性,在对多次EMD获得的IMF分量取均值时会消去白噪声,实现滤除白噪声的效果。EEMD算法流程如下:
1)将原始信号x(t)叠加正态分布的白噪声,作为EMD的原始信号进行IMF分解;
2)重复步骤1),每次叠加不同的正态分布白噪声;
3)将多次获得的IMF分量进行集成平均处理,最终信号即滤波后的信号。
经过两次去噪后,能够消除干扰噪声,有效提高提取的精确性。
作为本实施例的一种优选方式,所述步骤(3)中,采用健康值来综合测度设备运行状态,运用层次分析法,对评价层级结构中各状态参量的权重进行量化分析,建立基于层次分析法的变压器设备状态量化评价模型并通过实际运行评估变压器的运行状态。
所述步骤(3)中,把变压器的运行状态分为5个等级,分别是优秀、良好、一般、故障、严重故障,评价集为V=(v1,v2,v3,v4,v5)=(优秀,良好,一般,故障,严重故障)=([85-100],[60-85],[40-60],[20-40],[20-40])。
所述步骤(6)中,采用隐马尔科夫模型获取故障诊断结果,并建立变压器声振波谱信号特征图谱库。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (10)
1.一种变压器的智能诊断及状态评估方法,其特征在于:包括如下步骤:
(1)提取波形特征,在变压器上安装传感器单元,采集变压器的声纹及振动的信号波形特征;
(2)提取采集的声纹及振动的波普信号,采用盲源分离和EEMD相结合的方式提取变压器的声纹及振动波谱信号特征,获取声纹及振动波谱信号时域、频域和Mel频谱倒谱系数特性;
(3)建立变压器绕组状态的声纹及振动矢量分析模型,对运行中的变压器的绕组状态进行监测和预测;
(4)根据积累的实验数据、故障分析模型和仿真模型,针对故障状态进行仿真实验;
(5)通过针对正常情况进行的仿真实验,得出正常情况下的仿真特征量的实验数据;
(6)通过针对故障情况进行的仿真实验,得出故障情况下的仿真特征量,与正常情况下的仿真特征量的实验数据进行对比分析,得出故障诊断的结果;
(7)将故障诊断结果作为积累的实验数据存储导入故障分析模型中,继续完善故障分析模型的内容。
2.根据权利要求1所述的变压器的智能诊断及状态评估方法,其特征在于:所述步骤(1)中,所述传感器单元包括设置在所述变压器箱体上表面的第一传感器组件、第二传感器组件、第三传感器组件,及分别设置在所述变压器两侧的振动传感器一和振动传感器二;所述第一传感器组件包括第一振动传感器和第一声纹传感器,所述第二传感器组件包括第二振动传感器和第二声纹声纹传感器,所述第三传感器组件包括第三振动传感器和第三声纹传感器。
3.根据权利要求2所述的变压器的智能诊断及状态评估方法,其特征在于:所述振动传感器一和振动传感器二固定在所述变压器的左右两侧;所述第一传感器组件设置在所述变压器A相高压绕组和低压绕组之间,所述第二传感器组件设置在所述变压器B相高压绕组和低压绕组之间,所述第三传感器组件设置在所述变压器C相高压绕组和低压绕组之间。
4.根据权利要求1所述的变压器的智能诊断及状态评估方法,其特征在于:所述步骤(2)中,在提取变压器的声纹及振动波谱信号特征时,需要获取在变压器本体噪声信号、冷却系统噪声信号、典型运行工况下的噪声信号及其对应的声纹及振动波谱信号。
5.根据权利要求4所述的变压器的智能诊断及状态评估方法,其特征在于:所述步骤(2)中,对获取到的信号进行去噪处理:
其中,M为分窗的个数,xwl(m)为第l个去噪后的窗口信号,m为每个窗的釆样点数;
(b)引入矩形窗后去噪算法的性能分析:对采样点数为n的信号,假设所分矩形窗数为w,添加白噪声次数为a,则对此信号进行分解的时间复杂度为a*n*(log2(n/w)-1)。
6.根据权利要求1所述的变压器的智能诊断及状态评估方法,其特征在于:所述步骤(2)中,建立声振波谱信号特征图谱库,获取变压器绕组铁芯声纹振动声振波谱信号时域、频域和Mel频谱倒谱系数特性。
7.根据权利要求1所述的变压器的智能诊断及状态评估方法,其特征在于:所述步骤(3)中,采用健康值来综合测度设备运行状态,运用层次分析法,对评价层级结构中各状态参量的权重进行量化分析,建立基于层次分析法的变压器设备状态量化评价模型并通过实际运行评估变压器的运行状态。
8.根据权利要求7所述的变压器的智能诊断及状态评估方法,其特征在于:所述步骤(3)中,把变压器的运行状态分为5个等级,分别是优秀、良好、一般、故障、严重故障,评价集为V=(v1,v2,v3,v4,v5)=(优秀,良好,一般,故障,严重故障)=([85-100],[60-85],[40-60],[20-40],[20-40])。
10.根据权利要求1所述的变压器的智能诊断及状态评估方法,其特征在于:所述步骤(6)中,采用隐马尔科夫模型获取故障诊断结果,并建立变压器声振波谱信号特征图谱库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210764955.9A CN115166393A (zh) | 2022-06-29 | 2022-06-29 | 一种变压器的智能诊断及状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210764955.9A CN115166393A (zh) | 2022-06-29 | 2022-06-29 | 一种变压器的智能诊断及状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115166393A true CN115166393A (zh) | 2022-10-11 |
Family
ID=83488991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210764955.9A Pending CN115166393A (zh) | 2022-06-29 | 2022-06-29 | 一种变压器的智能诊断及状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166393A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115638875A (zh) * | 2022-11-14 | 2023-01-24 | 国家电投集团河南电力有限公司技术信息中心 | 基于图谱分析的电厂设备故障诊断方法及系统 |
CN115879345A (zh) * | 2022-12-14 | 2023-03-31 | 兰州理工大学 | 一种基于磁力声的变压器健康状态评估方法及系统 |
CN116400209A (zh) * | 2023-03-10 | 2023-07-07 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的调压开关故诊断方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137247A (zh) * | 2015-09-21 | 2015-12-09 | 江苏省电力公司南京供电公司 | 变压器绕组状态监测辅助装置 |
CN105445585A (zh) * | 2015-11-27 | 2016-03-30 | 广州供电局有限公司 | 电网一次回路的故障诊断方法和系统 |
CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析系统 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN110737867A (zh) * | 2018-07-19 | 2020-01-31 | 武汉盛捷达电力科技有限责任公司 | 基于深度学习的变压器,机械振动带电采集处理装置 |
CN114137373A (zh) * | 2021-12-01 | 2022-03-04 | 国网河南省电力公司南阳供电公司 | 一种基于振动和声纹特征量提取的gil设备故障联合定位及预警方法 |
CN114167315A (zh) * | 2021-11-18 | 2022-03-11 | 广东亿嘉和科技有限公司 | 一种变压器智能在线监测系统及其方法 |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
CN114547924A (zh) * | 2021-11-12 | 2022-05-27 | 国网江苏省电力有限公司南京供电分公司 | 基于多物理场耦合的变压器绕组振动声纹分析方法及系统 |
-
2022
- 2022-06-29 CN CN202210764955.9A patent/CN115166393A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137247A (zh) * | 2015-09-21 | 2015-12-09 | 江苏省电力公司南京供电公司 | 变压器绕组状态监测辅助装置 |
CN105445585A (zh) * | 2015-11-27 | 2016-03-30 | 广州供电局有限公司 | 电网一次回路的故障诊断方法和系统 |
CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析系统 |
CN110737867A (zh) * | 2018-07-19 | 2020-01-31 | 武汉盛捷达电力科技有限责任公司 | 基于深度学习的变压器,机械振动带电采集处理装置 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN114547924A (zh) * | 2021-11-12 | 2022-05-27 | 国网江苏省电力有限公司南京供电分公司 | 基于多物理场耦合的变压器绕组振动声纹分析方法及系统 |
CN114167315A (zh) * | 2021-11-18 | 2022-03-11 | 广东亿嘉和科技有限公司 | 一种变压器智能在线监测系统及其方法 |
CN114137373A (zh) * | 2021-12-01 | 2022-03-04 | 国网河南省电力公司南阳供电公司 | 一种基于振动和声纹特征量提取的gil设备故障联合定位及预警方法 |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
张成;王昕;郑益慧;李立学;: "基于聚类经验模态分解和差分熵的输电线路故障测距研究", 电测与仪表, no. 21, 10 November 2018 (2018-11-10), pages 86 - 92 * |
袁娜: "结合矩形窗的 EEMD 局部放电信号去噪", 《电 力 系 统 及 其 自 动 化 学 报》, vol. 27, no. 3, 31 March 2015 (2015-03-31), pages 54 - 58 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115638875A (zh) * | 2022-11-14 | 2023-01-24 | 国家电投集团河南电力有限公司技术信息中心 | 基于图谱分析的电厂设备故障诊断方法及系统 |
CN115638875B (zh) * | 2022-11-14 | 2023-08-18 | 国家电投集团河南电力有限公司技术信息中心 | 基于图谱分析的电厂设备故障诊断方法及系统 |
CN115879345A (zh) * | 2022-12-14 | 2023-03-31 | 兰州理工大学 | 一种基于磁力声的变压器健康状态评估方法及系统 |
CN115879345B (zh) * | 2022-12-14 | 2023-11-03 | 兰州理工大学 | 一种基于磁力声的变压器健康状态评估方法及系统 |
CN116400209A (zh) * | 2023-03-10 | 2023-07-07 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的调压开关故诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115166393A (zh) | 一种变压器的智能诊断及状态评估方法 | |
Yang et al. | Fault identification for circuit breakers based on vibration measurements | |
Amirat et al. | EEMD-based notch filter for induction machine bearing faults detection | |
Moradzadeh et al. | Turn-to-turn short circuit fault localization in transformer winding via image processing and deep learning method | |
JP7270773B2 (ja) | 誘導電動機の軸受故障重大度を推定する方法 | |
Yang et al. | A new vibration analysis approach for detecting mechanical anomalies on power circuit breakers | |
CN112147444B (zh) | 一种电力变压器工作状态监测方法及系统 | |
Attoui et al. | Novel machinery monitoring strategy based on time–frequency domain similarity measurement with limited labeled data | |
CN113191192A (zh) | 基于小波分析与模糊神经网络算法的断路器故障检测方法 | |
Ghanbari et al. | Inter-turn fault detection of induction motors using a method based on spectrogram of motor currents | |
Khafidli et al. | Implementation AC series arc fault recognition using mikrokontroller based on fast Fourier transform | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
Guezam et al. | Fault diagnosis of induction motors rotor using current signature with different signal processing techniques | |
Yu et al. | A new method to select frequency band for vibration signal demodulation and condition estimation of rolling bearings | |
Mei et al. | Wavelet packet transform and improved complete ensemble empirical mode decomposition with adaptive noise based power quality disturbance detection | |
Gong et al. | An integrated health condition detection method for rolling bearings using time-shift multi-scale amplitude-aware permutation entropy and uniform phase empirical mode decomposition | |
CN110377927B (zh) | 一种基于matlab仿真的泵站机组转子状态监控方法 | |
Kavitha et al. | Magnetoresistance sensor-based rotor fault detection in induction motor using non-decimated wavelet and streaming data | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
Shang et al. | Mechanical fault diagnosis system based on acoustic feature analysis in gas insulated switchgear | |
Pons-Llinares et al. | Bar breakage detection on Squirrel Cage Induction Motors via Transient Motor Current Signal Analysis based on the Wavelet Transform. A Review | |
CN115238726A (zh) | 一种基于性能退化空间波动评估的旋转机械状态监测方法 | |
CN114091593A (zh) | 一种基于多尺度特征融合的网络级电弧故障诊断方法 | |
Rossetti et al. | Classification of bearing faults through time-frequency analysis and image processing | |
CN112881839A (zh) | 基于频率集中度和振动平稳性互信息的变压器诊断方法 |
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 |