CN116415115A - 变压器绕组状态确定方法及装置、变压器 - Google Patents
变压器绕组状态确定方法及装置、变压器 Download PDFInfo
- Publication number
- CN116415115A CN116415115A CN202310250947.7A CN202310250947A CN116415115A CN 116415115 A CN116415115 A CN 116415115A CN 202310250947 A CN202310250947 A CN 202310250947A CN 116415115 A CN116415115 A CN 116415115A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- transformer
- winding state
- winding
- determining
- 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
- 238000004804 winding Methods 0.000 title claims abstract description 213
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000000605 extraction Methods 0.000 claims abstract description 82
- 238000013210 evaluation model Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 33
- 230000005484 gravity Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 abstract description 30
- 238000004458 analytical method Methods 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005520 electrodynamics Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种变压器绕组状态确定方法及装置、变压器。其中，该方法包括：对变压器的振动信号进行去噪处理，得到去噪后的振动信号；从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的多个特征值；将多个特征值输入至绕组状态评估模型，以利用绕组状态评估模型对多个特征值进行处理，得到变压器的绕组状态，其中，绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，多组训练数据的每一组均包括：特征值和与特征值对应的绕组状态。本发明解决了相关技术中在变压器绕组状态评估时基于单一模式的特征提取和分析，无法全面准确地反映出绕组的运行状态的技术问题。
Description
技术领域
本发明涉及电力系统故障诊断技术领域，具体而言，涉及一种变压器绕组状态确定方法及装置、变压器。
背景技术
变压器作为电力系统的重要连接设备，在电力系统中起着电压、电流变换以及电能分配和传输的重要作用。随着电网容量的增大，变压器故障率居高不下，其中，绕组机械故障是导致变压器故障的重要原因之一。
变压器运行时，通有交变电流的绕组线圈在磁场中受到电磁力的作用而产生振动。机械振动理论表明，变压器振动信号频谱集中分布在100Hz及其倍频分量上，且100Hz为主要频谱分量。当变压器绕组出现松动或变形时，其振动状态及信号分布随之改变，从而为绕组机械状态的振动信号检测提供依据。但在多数情况下，由于故障所引起的振动信号的微弱变化被淹没在强背景信号中，为更直观地分析绕组运行状态，通常需要提取表征故障特征的振动参数以实现绕组机械状态的有效评估。
有研究表明：当绕组松动时，振动信号基频幅值增大，频谱复杂度降低；绕组幅向变形程度越大，基频幅值和频谱复杂度越低，可据此判变压器绕组状态。
目前已有研究多基于变压器振动信号的频谱特性展开研究，但变压器的振动模型是一个多自由度系统，绕组的自由振动特性受绝缘的等效阻尼和刚度的影响，故绕组振动信号在多数情况下呈现出非线性、非平稳的特点，单一模式的特征提取及分析方法往往无法全面准确地反映出绕组的运行状态。
针对上述相关技术中在变压器绕组状态评估时基于单一模式的特征提取和分析，无法全面准确地反映出绕组的运行状态的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种变压器绕组状态确定方法及装置、变压器，以至少解决相关技术中在变压器绕组状态评估时基于单一模式的特征提取和分析，无法全面准确地反映出绕组的运行状态的技术问题。
根据本发明实施例的一个方面，提供了一种变压器绕组状态确定方法，包括：对变压器的振动信号进行去噪处理，得到去噪后的所述振动信号；从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的多个特征值，其中，所述多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，所述多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量；将所述多个特征值输入至绕组状态评估模型，以利用所述绕组状态评估模型对所述多个特征值进行处理，得到所述变压器的绕组状态，其中，所述绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，所述多组训练数据的每一组均包括：特征值和与所述特征值对应的绕组状态，所述特征值为所述绕组状态评估模型的输入，与所述特征值对应的绕组状态为所述绕组状态评估模型的输出。
可选地，对变压器的振动信号进行去噪处理，包括：确定初始噪声信号序列中的噪声信号的平均值和标准差，其中，所述初始噪声信号是预先设定的噪声信号；根据所述平均值和所述标准差构建满足高斯分布的去噪函数；确定所述振动信号的信号阈值；根据所述信号阈值和所述去噪函数构造高斯阈值去噪函数；利用所述高斯阈值去噪函数对所述振动信号进行去噪处理。
可选地，从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的峭度值，包括：通过第一公式确定所述峭度值，其中，所述第一公式为：
k表示所述峭度值，Af(k)表示去噪后的所述振动信号，E(A)代表A的期望，σ(A)代表A的标准差。
可选地，从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的谐波畸变率，包括：对去噪后的所述振动信号进行快速傅里叶变换，得到去噪后的所述振动信号的频谱波形；根据所述频谱波形将去噪后的所述振动信号划分为多个频带信号；确定所述多个频带信号中每一个的能量值；根据所述能量值确定所述振动信号的谐波畸变率。
可选地，确定所述多个频带信号中每一个的能量值，包括：通过第二公式确定所述多个频带信号中每一个的能量值，其中，所述第二公式为：
Efr表示所述多个频带信号中每一个的能量值，Afr(k)表示第r个频带信号，N表示所述频带信号的数量。
可选地，根据所述能量值确定所述振动信号的谐波畸变率，包括：通过第三公式确定所述谐波畸变率，其中，所述第三公式为：
H表示所述谐波畸变率，Efr表示所述多个频带信号中每一个的能量值，r表示所述频带信号的数量。
可选地，从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的重心频率，包括：通过第四公式确定所述重心频率，其中，所述第四公式为：
fc表示所述重心频率，Af(k)表示去噪后的所述振动信号，N表示所述频带信号的数量。
可选地，从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的总能量，包括：通过第五公式确定所述总能量，其中，所述第五公式为：
E表示所述总能量，Af(k)表示去噪后的所述振动信号，N表示所述频带信号的数量。
可选地，在将所述多个特征值输入至绕组状态评估模型，以利用所述绕组状态评估模型对所述多个特征值进行处理，得到所述变压器的绕组状态之前，该变压器绕组状态确定方法还包括：采集历史时间段内的多个特征值和与所述多个特征值对应的绕组状态；采用支持向量机方式对包括所述多个特征值和与所述多个特征值对应的绕组状态的训练数据进行训练，得到所述绕组状态评估模型。
根据本发明实施例的另外一个方面，还提供了一种变压器绕组状态确定装置，包括：去噪单元，用于对变压器的振动信号进行去噪处理，得到去噪后的所述振动信号；特征提取单元，用于从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的多个特征值，其中，所述多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，所述多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量；处理单元，用于将所述多个特征值输入至绕组状态评估模型，以利用所述绕组状态评估模型对所述多个特征值进行处理，得到所述变压器的绕组状态，其中，所述绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，所述多组训练数据的每一组均包括：特征值和与所述特征值对应的绕组状态，所述特征值为所述绕组状态评估模型的输入，与所述特征值对应的绕组状态为所述绕组状态评估模型的输出。
可选地，所述去噪单元，包括：第一确定模块，用于确定初始噪声信号序列中的噪声信号的平均值和标准差，其中，所述初始噪声信号是预先设定的噪声信号；构建模块，用于根据所述平均值和所述标准差构建满足高斯分布的去噪函数；第二确定模块，用于确定所述振动信号的信号阈值；构造模块，用于根据所述信号阈值和所述去噪函数构造高斯阈值去噪函数；去噪模块，用于利用所述高斯阈值去噪函数对所述振动信号进行去噪处理。
可选地，所述特征提取单元，包括：第三确定模块，用于通过第一公式确定所述峭度值，其中，所述第一公式为：
k表示所述峭度值，Af(k)表示去噪后的所述振动信号，E(A)代表A的期望，σ(A)代表A的标准差。
可选地，所述特征提取单元，包括：变换模块，用于对去噪后的所述振动信号进行快速傅里叶变换，得到去噪后的所述振动信号的频谱波形；划分模块，用于根据所述频谱波形将去噪后的所述振动信号划分为多个频带信号；第四确定模块，用于确定所述多个频带信号中每一个的能量值；第五确定模块，用于根据所述能量值确定所述振动信号的谐波畸变率。
可选地，所述第四确定模块，包括：第一确定子模块，用于通过第二公式确定所述多个频带信号中每一个的能量值，其中，所述第二公式为：
Efr表示所述多个频带信号中每一个的能量值，Afr(k)表示第r个频带信号，N表示所述频带信号的数量。
可选地，所述第五确定模块，包括：第二确定子模块，用于通过第三公式确定所述谐波畸变率，其中，所述第三公式为：
H表示所述谐波畸变率，Efr表示所述多个频带信号中每一个的能量值，r表示所述频带信号的数量。
可选地，所述特征提取单元，包括：第三确定子模块，用于通过第四公式确定所述重心频率，其中，所述第四公式为：
fc表示所述重心频率，Af(k)表示去噪后的所述振动信号，N表示所述频带信号的数量。
可选地，所述特征提取单元，包括：第四确定子模块，用于通过第五公式确定所述总能量，其中，所述第五公式为：
E表示所述总能量，Af(k)表示去噪后的所述振动信号，N表示所述频带信号的数量。
可选地，该变压器绕组状态确定装置还包括：采集单元，用于在将所述多个特征值输入至绕组状态评估模型，以利用所述绕组状态评估模型对所述多个特征值进行处理，得到所述变压器的绕组状态之前，采集历史时间段内的多个特征值和与所述多个特征值对应的绕组状态；训练单元，用于采用支持向量机方式对包括所述多个特征值和与所述多个特征值对应的绕组状态的训练数据进行训练，得到所述绕组状态评估模型。
根据本发明实施例的另外一个方面，还提供了一种变压器，所述变压器使用上述中任一项所述的变压器绕组状态确定方法。
根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行上述中任意一项所述的变压器绕组状态确定方法。
根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的变压器绕组状态确定方法。
在本发明实施例中，对变压器的振动信号进行去噪处理，得到去噪后的振动信号；从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的多个特征值，其中，多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量；将多个特征值输入至绕组状态评估模型，以利用绕组状态评估模型对多个特征值进行处理，得到变压器的绕组状态，其中，绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，多组训练数据的每一组均包括：特征值和与特征值对应的绕组状态，特征值为绕组状态评估模型的输入，与特征值对应的绕组状态为绕组状态评估模型的输出。通过本发明实施例提供的上述技术方案，实现了在对变压器绕组进行状态评估时，对振动信号进行多维度的特征提取与分析，利用多维度特征值对变压器绕组进行状态评估的目的，达到了提高变压器绕组状态评估的全面性的技术效果，进而解决了相关技术中在变压器绕组状态评估时基于单一模式的特征提取和分析，无法全面准确地反映出绕组的运行状态的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的变压器绕组状态确定方法的流程图；
图2是根据本发明实施例的变压器绕组状态确定方法的框架图；
图3(a)是根据本发明实施例的原始正常振动信号的示意图；
图3(b)是根据本发明实施例的去噪后的正常振动信号的示意图；
图3(c)是根据本发明实施例的原始故障振动信号的示意图；
图3(d)是根据本发明实施例的去噪后的故障振动信号的示意图；
图4是根据本发明实施例的变压器绕组状态评估结果的示意图；
图5是根据本发明实施例的变压器绕组状态确定装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种变压器绕组状态确定方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的变压器绕组状态确定方法的流程图，如图1所示，该变压器绕组状态确定方法包括如下步骤：
步骤S102，对变压器的振动信号进行去噪处理，得到去噪后的振动信号。
为了对变压器绕组状态进行比较准确的评估，在该实施例中，可以对变压器的振动信号进行去噪处理，以得到去噪后的振动信号。
步骤S104，从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的多个特征值，其中，多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量。
在该实施例中，可以对去噪后的振动信号进行特征提取以得到振动信号的多个特征值。
步骤S106，将多个特征值输入至绕组状态评估模型，以利用绕组状态评估模型对多个特征值进行处理，得到变压器的绕组状态，其中，绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，多组训练数据的每一组均包括：特征值和与特征值对应的绕组状态，特征值为绕组状态评估模型的输入，与特征值对应的绕组状态为绕组状态评估模型的输出。
由上可知，在本发明实施例中，可以对变压器的振动信号进行去噪处理，得到去噪后的振动信号；从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的多个特征值，其中，多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量；将多个特征值输入至绕组状态评估模型，以利用绕组状态评估模型对多个特征值进行处理，得到变压器的绕组状态，其中，绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，多组训练数据的每一组均包括：特征值和与特征值对应的绕组状态，特征值为绕组状态评估模型的输入，与特征值对应的绕组状态为绕组状态评估模型的输出，实现了在对变压器绕组进行状态评估时，对振动信号进行多维度的特征提取与分析，利用多维度特征值对变压器绕组进行状态评估的目的，达到了提高变压器绕组状态评估的全面性的技术效果。
因此，通过本发明实施例提供的上述技术方案，解决了相关技术中在变压器绕组状态评估时基于单一模式的特征提取和分析，无法全面准确地反映出绕组的运行状态的技术问题。
图2是根据本发明实施例的变压器绕组状态确定方法的框架图，如图2所示，该变压器绕组状态确定方法使用融合振动信号的高斯阈值去噪模块、多参量机械振动特征提取模块及变压器绕组状态评估模块从变压器振动信号的频谱分析、能量分析及稳定性分析三个角度出发，建立变压器绕组机械状态多参量综合评价指标体系，为实现变压器绕组故障监测与评估提供新的参考。下面进行详细说明。
根据本发明上述实施例，对变压器的振动信号进行去噪处理，包括：确定初始噪声信号序列中的噪声信号的平均值和标准差，其中，初始噪声信号是预先设定的噪声信号；根据平均值和标准差构建满足高斯分布的去噪函数；确定振动信号的信号阈值；根据信号阈值和去噪函数构造高斯阈值去噪函数；利用高斯阈值去噪函数对振动信号进行去噪处理。
由于变压器状态监测现场环境恶劣，监测信号常伴随着大量的噪声，使早期信号的信噪比降低，因此在分析前需先对信号进行预处理，去除噪声部分去除，提取有用信号。信号处理是开展机械状态评估的前提和基础，其有效程度直接影响后续状态评估的结果。高斯滤波可有效抑制服从正态分布的噪声，假设yb(k)代表噪声信号序列，其均值和标准差分别用Me和σe表示，yb(k)满足高斯分布：
在这里采用一种基于3σ准则的方法来求取门限阈值，若变量z符合高斯分布，即z-N(μ，σ2)，则会有：p{-3σ＜z-μ＜3σ}＝0.9974，由此可求取门限阈值Th＝Me+3σe，故高斯阈值去噪函数可定义为：
在上述实施例中，已经明确，在本发明实施例中，结合频谱分析、能量分析及稳定性分析三个方面，对去噪后的信号进行峭度、谐波畸变率、重心频率和总能量四种特征值的提取，共同构成机械状态多参量综合评价指标。现定义经过高斯阈值去噪处理后的振动信号表示为Af(k)，下面对四种特征值进行详细说明。
根据本发明上述实施例，从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的峭度值，包括：通过第一公式确定峭度值，其中，第一公式为：
k表示峭度值，Af(k)表示去噪后的振动信号，E(A)代表A的期望，σ(A)代表A的标准差。
峭度是设备故障诊断中常用的无量纲指标，通常用来度量信号中冲击分量的强弱。在本发明实施例中，可以通过上述公式来确定振动信号的峭度值。
根据本发明上述实施例，从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的谐波畸变率，可以包括：对去噪后的振动信号进行快速傅里叶变换，得到去噪后的振动信号的频谱波形；根据频谱波形将去噪后的振动信号划分为多个频带信号；确定多个频带信号中每一个的能量值；根据能量值确定振动信号的谐波畸变率。
谐波畸变率可以用来考量一个信号波形相对于正弦波形而言的失真程度。对信号进行快速傅里叶变换(FFT)得到其频谱波形，根据其频谱把信号划分为多个频带，对其中第r个频带信号yfr(k)求其能量Efr(n)。
在上述实施例中，确定多个频带信号中每一个的能量值，包括：通过第二公式确定多个频带信号中每一个的能量值，其中，第二公式为：
Efr表示多个频带信号中每一个的能量值，Afr(k)表示第r个频带信号，N表示频带信号的数量。
在上述实施例中，根据能量值确定振动信号的谐波畸变率，包括：通过第三公式确定谐波畸变率，其中，第三公式为：
H表示谐波畸变率，Efr表示多个频带信号中每一个的能量值，r表示频带信号的数量。
根据本发明上述实施例，从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的重心频率，包括：通过第四公式确定重心频率，其中，第四公式为：
fc表示重心频率，Af(k)表示去噪后的振动信号，N表示频带信号的数量。
重心频率能够描述振动信号在频谱中分量较大的信号频率的成分，反映信号功率谱的分布情况。其表达式fc如上第四公式。
根据本发明上述实施例，从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的总能量，包括：通过第五公式确定总能量，其中，第五公式为：
E表示总能量，Af(k)表示去噪后的振动信号，N表示频带信号的数量。
总能量可以衡量频域振动信号的幅值变化特性，求取信号总能量E，具体方式如上第五公式。
根据本发明上述实施例，在将多个特征值输入至绕组状态评估模型，以利用绕组状态评估模型对多个特征值进行处理，得到变压器的绕组状态之前，该变压器绕组状态确定方法还可以包括：采集历史时间段内的多个特征值和与多个特征值对应的绕组状态；采用支持向量机方式对包括多个特征值和与多个特征值对应的绕组状态的训练数据进行训练，得到绕组状态评估模型。
由于本发明提取的特征量具有多维度和非线性的特点，因此选取支持向量机(support vector machines，SVM)方法构建状态评估模型。SVM本质上是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。SVM的学习策略是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题，其学习算法使求解凸二次规划的最优化算法。对于线性不可分的情况，支持向量机首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，在高维特征空间构造决策超平面，从而把平面上本身不好分的非线性数据分开。
假设d维空间中线性判别函数的一般形式为g(x)＝ω·x+b，划分超平面的方程为：ω·x+b＝0，式中：ω表示参数向量；b表示平移向量。将判别函数归一化，使两类所有样本都满足|g(x)|≥1，这样分类间隔等于2/||ω||，因此使间隔最大等价于使||ω||最小；而要求分类线对所有样本正确分类，就是要求满足yi[(ω·xi)+b]-1≥0 i＝1,2,…,n。因此，满足上述条件且使||ω||最小的分类面就是最优分类面，超平面上的训练样本就成为支持向量。
基于已提取的四种特征量构成参量矩阵作为SVM的输入向量训练绕组状态评估模型，能够实现绕组是否存在故障及故障严重程度的有限判别，将测试数据代入训练好的模型中输出绕组状态的评估结果。
下面结合具体实例对本发明实施例提供的变压器绕组状态确定方法进行有效性验证。
1)高斯阈值去噪：分别选取绕组正常状态及绕组松动故障状态下的振动信号采用高斯阈值去噪处理，处理前后时域信号的对比图如图3(a)、图3(b)、图3(c)、图以及3(d)所示(图3(a)是根据本发明实施例的原始正常振动信号的示意图，图3(b)是根据本发明实施例的去噪后的正常振动信号的示意图，图3(c)是根据本发明实施例的原始故障振动信号的示意图，图3(d)是根据本发明实施例的去噪后的故障振动信号的示意图)。从图中可以看出，信号经过去噪之后变得相对平滑，对于后续信号分析更为有利。
2)多参量机械振动特征提取：选取变压器绕组处于正常、轻微松动故障及严重松动故障三种状态下的振动信号先经高斯阈值去噪后分别进行峭度、谐波畸变率、重心频率、总能量四种特征值提取，不同健康状态的变压器绕组振动信号的特征值如表1所示。可以发现，除峭度值呈现出故障信号小于正常信号外，其余三种特征值大小均表现为故障信号较正常状态有明显增大，且故障越严重特征值增长幅度越大。
变压器在长期运行过程中，绕组匝间绝缘、垫块等轴向收缩引起绕组安匝不平衡，绕组在受到短路力作用时产生位移。由于短路力的累积效应引起绕组辐向和轴向错位变形，进一步改变压紧力，引起电动力作用产生的线圈振动加速度值增大，信号总能量增大。同时整体系统发生阻尼下降和刚度软化的下降，故产生非线性动力行为，多倍频信号显著，频谱发散，带来谐波畸变率和重心频率的增长。表1示出了不同健康状态的变压器绕组振动信号的特征值，如表1所示：
表1
| 振动特征 | 绕组正常状态 | 绕组轻微松动 | 绕组严重松动 |
| 峭度k | 3995.04 | 1820.31 | 974.410 |
| 谐波畸变率H | 0 | 0.092 | 0.155 |
| 重心频率fc | 100 | 189.698 | 411.436 |
| 总能量E | 0.056 | 0.501 | 0.759 |
3)变压器绕组状态评估：基于已提取的三种健康状态下多参量机械振动特征样本集(正常定义为状态1、轻微松动定义为状态2、严重松动定义为状态3)，将样本数据按2:1的比例随机划分为训练数据集和测试数据集，每种状态下的训练数据集和测试数据集均分别包含240和120组数据，将测试集代入以训练好的变压器绕组状态评估SVM模型中，输出状态如图4所示(图4是根据本发明实施例的变压器绕组状态评估结果的示意图)的混淆矩阵。可以发现，正常状态下的绕组状态评估效果可达到100％，轻微和严重松动故障的准确率分别达到97.5％和98.333％，整体评估效果为98.61％，验证了该模型可实现变压器绕组状态的准确辨识。
综上，通过本发明实施例提供的变压器绕组状态确定方法，相比于已有研究的变压器绕组振动参数的提取，通过结合频谱分析、能量分析及稳定性分析三个方面，多角度地挖掘故障振动信息，峭度、谐波畸变率、重心频率、总能量四个参量在绕组松动状态下呈现明显的故障特征，可以有效判别变压器运行状态。此外，本发明实施例结合SVM算法构建了变压器绕组状态的评估模型，评估准确率可达到98％及以上，可为基于振动分析法的变压器绕组机械状态检测方法提供依据。具有以下有益效果：(1)本发明实施例提出的峭度、谐波畸变率、重心频率及总能量四个特征值更全面地提取了绕组振动信号的故障特征；(2)本发明实施例提出的基于多参量特征值的变压器绕组状态评估SVM模型，可以准确判别绕组是否存在故障及故障严重程度，具有较高的状态评估精度。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
根据本发明实施例，还提供了一种用于实施上述变压器绕组状态确定方法的变压器绕组状态确定装置，图5是根据本发明实施例的变压器绕组状态确定装置的示意图，如图5所示，该装置包括：去噪单元51，特征提取单元53以及处理单元55。下面对该变压器绕组状态确定装置进行说明。
去噪单元51，用于对变压器的振动信号进行去噪处理，得到去噪后的振动信号。
特征提取单元53，用于从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的多个特征值，其中，多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量。
处理单元55，用于将多个特征值输入至绕组状态评估模型，以利用绕组状态评估模型对多个特征值进行处理，得到变压器的绕组状态，其中，绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，多组训练数据的每一组均包括：特征值和与特征值对应的绕组状态，特征值为绕组状态评估模型的输入，与特征值对应的绕组状态为绕组状态评估模型的输出。
此处需要说明的是，上述去噪单元51，特征提取单元53以及处理单元55对应于实施例中的步骤S102至步骤S106，三个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。
由上可知，本发明上述实施例记载的方案中，可以利用去噪单元对变压器的振动信号进行去噪处理，得到去噪后的振动信号；接着利用特征提取单元从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的多个特征值，其中，多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量；以及利用处理单元将多个特征值输入至绕组状态评估模型，以利用绕组状态评估模型对多个特征值进行处理，得到变压器的绕组状态，其中，绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，多组训练数据的每一组均包括：特征值和与特征值对应的绕组状态，特征值为绕组状态评估模型的输入，与特征值对应的绕组状态为绕组状态评估模型的输出，实现了在对变压器绕组进行状态评估时，对振动信号进行多维度的特征提取与分析，利用多维度特征值对变压器绕组进行状态评估的目的，达到了提高变压器绕组状态评估的全面性的技术效果。
因此，通过本发明实施例提供的上述技术方案，解决了相关技术中在变压器绕组状态评估时基于单一模式的特征提取和分析，无法全面准确地反映出绕组的运行状态的技术问题。
可选地，去噪单元，包括：第一确定模块，用于确定初始噪声信号序列中的噪声信号的平均值和标准差，其中，初始噪声信号是预先设定的噪声信号；构建模块，用于根据平均值和标准差构建满足高斯分布的去噪函数；第二确定模块，用于确定振动信号的信号阈值；构造模块，用于根据信号阈值和去噪函数构造高斯阈值去噪函数；去噪模块，用于利用高斯阈值去噪函数对振动信号进行去噪处理。
可选地，特征提取单元，包括：第三确定模块，用于通过第一公式确定峭度值，其中，第一公式为：
k表示峭度值，Af(k)表示去噪后的振动信号，E(A)代表A的期望，σ(A)代表A的标准差。
可选地，特征提取单元，包括：变换模块，用于对去噪后的振动信号进行快速傅里叶变换，得到去噪后的振动信号的频谱波形；划分模块，用于根据频谱波形将去噪后的振动信号划分为多个频带信号；第四确定模块，用于确定多个频带信号中每一个的能量值；第五确定模块，用于根据能量值确定振动信号的谐波畸变率。
可选地，第四确定模块，包括：第一确定子模块，用于通过第二公式确定多个频带信号中每一个的能量值，其中，第二公式为：
Efr表示多个频带信号中每一个的能量值，Afr(k)表示第r个频带信号，N表示频带信号的数量。
可选地，第五确定模块，包括：第二确定子模块，用于通过第三公式确定谐波畸变率，其中，第三公式为：
H表示谐波畸变率，Efr表示多个频带信号中每一个的能量值，r表示频带信号的数量。
可选地，特征提取单元，包括：第三确定子模块，用于通过第四公式确定重心频率，其中，第四公式为：
fc表示重心频率，Af(k)表示去噪后的振动信号，N表示频带信号的数量。
可选地，特征提取单元，包括：第四确定子模块，用于通过第五公式确定总能量，其中，第五公式为：
E表示总能量，Af(k)表示去噪后的振动信号，N表示频带信号的数量。
可选地，该变压器绕组状态确定装置还包括：采集单元，用于在将多个特征值输入至绕组状态评估模型，以利用绕组状态评估模型对多个特征值进行处理，得到变压器的绕组状态之前，采集历史时间段内的多个特征值和与多个特征值对应的绕组状态；训练单元，用于采用支持向量机方式对包括多个特征值和与多个特征值对应的绕组状态的训练数据进行训练，得到绕组状态评估模型。
根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的变压器绕组状态确定方法。
根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，程序执行上述中任意一项的变压器绕组状态确定方法。
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于通信设备群中的任意一个通信设备中。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对变压器的振动信号进行去噪处理，得到去噪后的振动信号；从多个特征提取维度对去噪后的振动信号进行特征提取，得到振动信号的多个特征值，其中，多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量；将多个特征值输入至绕组状态评估模型，以利用绕组状态评估模型对多个特征值进行处理，得到变压器的绕组状态，其中，绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，多组训练数据的每一组均包括：特征值和与特征值对应的绕组状态，特征值为绕组状态评估模型的输入，与特征值对应的绕组状态为绕组状态评估模型的输出。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：确定初始噪声信号序列中的噪声信号的平均值和标准差，其中，初始噪声信号是预先设定的噪声信号；根据平均值和标准差构建满足高斯分布的去噪函数；确定振动信号的信号阈值；根据信号阈值和去噪函数构造高斯阈值去噪函数；利用高斯阈值去噪函数对振动信号进行去噪处理。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：通过第一公式确定峭度值，其中，第一公式为：
k表示峭度值，Af(k)表示去噪后的振动信号，E(A)代表A的期望，σ(A)代表A的标准差。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对去噪后的振动信号进行快速傅里叶变换，得到去噪后的振动信号的频谱波形；根据频谱波形将去噪后的振动信号划分为多个频带信号；确定多个频带信号中每一个的能量值；根据能量值确定振动信号的谐波畸变率。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：通过第二公式确定多个频带信号中每一个的能量值，其中，第二公式为：
Efr表示多个频带信号中每一个的能量值，Afr(k)表示第r个频带信号，N表示频带信号的数量。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：通过第三公式确定谐波畸变率，其中，第三公式为：
H表示谐波畸变率，Efr表示多个频带信号中每一个的能量值，r表示频带信号的数量。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：通过第四公式确定重心频率，其中，第四公式为：
fc表示重心频率，Af(k)表示去噪后的振动信号，N表示频带信号的数量。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：通过第五公式确定总能量，其中，第五公式为：
E表示总能量，Af(k)表示去噪后的振动信号，N表示频带信号的数量。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：采集历史时间段内的多个特征值和与多个特征值对应的绕组状态；采用支持向量机方式对包括多个特征值和与多个特征值对应的绕组状态的训练数据进行训练，得到绕组状态评估模型。
根据本发明实施例的另外一个方面，还提供了一种变压器，变压器使用上述中任一项的变压器绕组状态确定方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种变压器绕组状态确定方法，其特征在于，包括：
对变压器的振动信号进行去噪处理，得到去噪后的所述振动信号；
从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的多个特征值，其中，所述多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，所述多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量；
将所述多个特征值输入至绕组状态评估模型，以利用所述绕组状态评估模型对所述多个特征值进行处理，得到所述变压器的绕组状态，其中，所述绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，所述多组训练数据的每一组均包括：特征值和与所述特征值对应的绕组状态，所述特征值为所述绕组状态评估模型的输入，与所述特征值对应的绕组状态为所述绕组状态评估模型的输出。
2.根据权利要求1所述的变压器绕组状态确定方法，其特征在于，对变压器的振动信号进行去噪处理，包括：
确定初始噪声信号序列中的噪声信号的平均值和标准差，其中，所述初始噪声信号是预先设定的噪声信号；
根据所述平均值和所述标准差构建满足高斯分布的去噪函数；
确定所述振动信号的信号阈值；
根据所述信号阈值和所述去噪函数构造高斯阈值去噪函数；
利用所述高斯阈值去噪函数对所述振动信号进行去噪处理。
3.根据权利要求1所述的变压器绕组状态确定方法，其特征在于，从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的峭度值，包括：
通过第一公式确定所述峭度值，其中，所述第一公式为：
k表示所述峭度值，Af(k)表示去噪后的所述振动信号，E(A)代表A的期望，σ(A)代表A的标准差。
4.根据权利要求1所述的变压器绕组状态确定方法，其特征在于，从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的谐波畸变率，包括：
对去噪后的所述振动信号进行快速傅里叶变换，得到去噪后的所述振动信号的频谱波形；
根据所述频谱波形将去噪后的所述振动信号划分为多个频带信号；
确定所述多个频带信号中每一个的能量值；
根据所述能量值确定所述振动信号的谐波畸变率。
5.根据权利要求4所述的变压器绕组状态确定方法，其特征在于，确定所述多个频带信号中每一个的能量值，包括：
通过第二公式确定所述多个频带信号中每一个的能量值，其中，所述第二公式为：
Efr表示所述多个频带信号中每一个的能量值，Afr(k)表示第r个频带信号，N表示所述频带信号的数量。
6.根据权利要求4所述的变压器绕组状态确定方法，其特征在于，根据所述能量值确定所述振动信号的谐波畸变率，包括：
通过第三公式确定所述谐波畸变率，其中，所述第三公式为：
H表示所述谐波畸变率，Efr表示所述多个频带信号中每一个的能量值，r表示所述频带信号的数量。
7.根据权利要求4所述的变压器绕组状态确定方法，其特征在于，从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的重心频率，包括：
通过第四公式确定所述重心频率，其中，所述第四公式为：
fc表示所述重心频率，Af(k)表示去噪后的所述振动信号，N表示所述频带信号的数量。
8.根据权利要求4所述的变压器绕组状态确定方法，其特征在于，从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的总能量，包括：
通过第五公式确定所述总能量，其中，所述第五公式为：
E表示所述总能量，Af(k)表示去噪后的所述振动信号，N表示所述频带信号的数量。
9.根据权利要求1至8中任一项所述的变压器绕组状态确定方法，其特征在于，在将所述多个特征值输入至绕组状态评估模型，以利用所述绕组状态评估模型对所述多个特征值进行处理，得到所述变压器的绕组状态之前，还包括：
采集历史时间段内的多个特征值和与所述多个特征值对应的绕组状态；
采用支持向量机方式对包括所述多个特征值和与所述多个特征值对应的绕组状态的训练数据进行训练，得到所述绕组状态评估模型。
10.一种变压器绕组状态确定装置，其特征在于，包括：
去噪单元，用于对变压器的振动信号进行去噪处理，得到去噪后的所述振动信号；
特征提取单元，用于从多个特征提取维度对去噪后的所述振动信号进行特征提取，得到所述振动信号的多个特征值，其中，所述多个特征提取维度至少包括：频谱维度、能量维度和稳定性维度，所述多个特征值至少包括：峭度值、谐波畸变率、重心频率和总能量；
处理单元，用于将所述多个特征值输入至绕组状态评估模型，以利用所述绕组状态评估模型对所述多个特征值进行处理，得到所述变压器的绕组状态，其中，所述绕组状态评估模型是利用多组训练数据通过机器学习训练得到的，所述多组训练数据的每一组均包括：特征值和与所述特征值对应的绕组状态，所述特征值为所述绕组状态评估模型的输入，与所述特征值对应的绕组状态为所述绕组状态评估模型的输出。
11.一种变压器，其特征在于，所述变压器使用上述权利要求1至9中任一项所述的变压器绕组状态确定方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，所述程序执行权利要求1至9中任意一项所述的变压器绕组状态确定方法。
13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至9中任意一项所述的变压器绕组状态确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310250947.7A CN116415115A (zh) | 2023-03-15 | 2023-03-15 | 变压器绕组状态确定方法及装置、变压器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310250947.7A CN116415115A (zh) | 2023-03-15 | 2023-03-15 | 变压器绕组状态确定方法及装置、变压器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116415115A true CN116415115A (zh) | 2023-07-11 |
Family
ID=87057453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310250947.7A Pending CN116415115A (zh) | 2023-03-15 | 2023-03-15 | 变压器绕组状态确定方法及装置、变压器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415115A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390408A (zh) * | 2023-12-13 | 2024-01-12 | 西电济南变压器股份有限公司 | 一种电力变压器运行故障检测方法及系统 |
-
2023
- 2023-03-15 CN CN202310250947.7A patent/CN116415115A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390408A (zh) * | 2023-12-13 | 2024-01-12 | 西电济南变压器股份有限公司 | 一种电力变压器运行故障检测方法及系统 |
| CN117390408B (zh) * | 2023-12-13 | 2024-02-06 | 西电济南变压器股份有限公司 | 一种电力变压器运行故障检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109444656B (zh) | 一种变压器绕组变形位置的在线诊断方法 | |
| CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
| CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
| CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
| Haroun et al. | Multiple features extraction and selection for detection and classification of stator winding faults | |
| Lu et al. | Feature extraction using adaptive multiwavelets and synthetic detection index for rotor fault diagnosis of rotating machinery | |
| CN116415115A (zh) | 变压器绕组状态确定方法及装置、变压器 | |
| CN112213640B (zh) | 一种电机故障诊断方法及其相关设备 | |
| CN110610212A (zh) | 一种配电网的变压器的故障分类方法和故障分类装置 | |
| Dey et al. | Rough-granular approach for impulse fault classification of transformers using cross-wavelet transform | |
| CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
| CN111896890B (zh) | 基于希尔伯特-黄变换的微电网线路故障诊断方法及系统 | |
| CN108647275A (zh) | 孤岛检测状态的识别方法及装置、存储介质、处理器 | |
| Bouchareb et al. | Advanced diagnosis strategy for incipient stator faults in synchronous reluctance motor | |
| CN115577584A (zh) | 一种基于时频分析和多场耦合的干式变压器绕组状态识别方法 | |
| CN111860397B (zh) | 一种拉索的索力计算方法及计算装置 | |
| de Azevedo et al. | Three-phase induction motors faults classification using audio signals and decision trees | |
| CN110618196A (zh) | 一种基于lmd样本熵与svm支柱绝缘子故障识别方法 | |
| Shicheng et al. | An effective S-transform feature extraction method for classification of power quality disturbance Signals | |
| Wang et al. | Research on Rolling Bearing Fault Diagnosis Based on Volterra Kernel Identification and KPCA | |
| CN114118169A (zh) | 基于经验模态分解的特征量提取方法、系统、装置及介质 | |
| CN116449204B (zh) | 用于对置活塞磁力线性发电机的故障检测方法及相关装置 | |
| CN116467605A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法及相关设备 | |
| Haroun et al. | Self-Organizing Map and feature selection for of IM broken rotor bars faults detection and diagnosis | |
| CN117633634A (zh) | 一种非平稳工况故障诊断方法、系统和介质 |
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 |