CN116449255A - 一种箱式变压器的故障检测系统及方法 - Google Patents

一种箱式变压器的故障检测系统及方法 Download PDF

Info

Publication number
CN116449255A
CN116449255A CN202310222325.3A CN202310222325A CN116449255A CN 116449255 A CN116449255 A CN 116449255A CN 202310222325 A CN202310222325 A CN 202310222325A CN 116449255 A CN116449255 A CN 116449255A
Authority
CN
China
Prior art keywords
vibration
current
signals
signal
fault
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
CN202310222325.3A
Other languages
English (en)
Other versions
CN116449255B (zh
Inventor
邹剑锋
史建勋
成敬周
叶承晋
丁磊明
屠晓栋
周刚
傅进
宿波
周旻
钱伟杰
刘维亮
李锐锋
王洪俭
刘剑清
王洪一
赵旭州
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.)
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202310222325.3A priority Critical patent/CN116449255B/zh
Publication of CN116449255A publication Critical patent/CN116449255A/zh
Application granted granted Critical
Publication of CN116449255B publication Critical patent/CN116449255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • 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
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Locating Faults (AREA)

Abstract

本发明公开了一种箱式变压器的故障检测系统，包括：至少三对设置在变压器内部的声振采集装置，采集变压器运行时在空间中传播的振动信号；电流采集装置，采集变压器内部线路的电流信号；信号处理模块，对采集到的振动信号和电流信号进行预处理，进行振动信号和电流信号的特征提取和关联融合；故障检测模块，储存有故障检测模型，对变压器进行故障检测以及故障定位；还公开了一种通过振动信号和电流信号特征相结合的故障检测方法。本发明通过对声振采集装置在变压器内空间位置上的设计并进行振动信号的采集后，结合电流采集装置采集的变压器内的电流完成对变压器故障的检测，同时根据故障信号达到不同声振采集装置的时间差异进行故障定位。

Description

一种箱式变压器的故障检测系统及方法
技术领域
本发明涉及变压器技术领域，尤其是涉及一种变压器的故障检测系统及方法。
背景技术
变压器是一种静止的电气设备，它利用电磁感应原理把输入的电压升高或降低为同频率的交流电压输出，以满足高压送电低压配电及其他用途的需要。变压器就其用途可分为电力变压器、试验变压器、仪用变压器及特殊用途的变压器。其中电力变压器关乎人类日常生产需求和生活需要，是电力输配电、电力用户配电的必要设备。变压器内部除了电磁绕组外还具有大量的绝缘油及其他可燃物，如纸板、木材，一旦其他部分产生火花等故障即可产生变压器火灾，将会对人类的生产故障及生命故障造成极大隐患。当今世界，无论是发达国家还是发展中国家，都不同程度受到变压器故障问题的困扰，因此确保变压器故障稳定运行受到了全世界的广泛关注。目前的主流做法为对变压器的各项运行参数依据国家标准进行在线监测，监测其关键运行参数，当其关键运行参数超出某一阈值时，就发生报警。但是当变压器在线监测系统发出警报时，变压器往往已经发生了显著的异常状态或者已经发生了某些故障，此时已经影响到电网的正常运行和可靠运行；无法及时发现变压器可能的故障情况，同时也无法完成故障位置的确定。
在中国专利文献上公开的“变压器振动检测系统及检测方法”，其公开号为CN115655458A，公开日期为2023-01-31，包括变压器，以及安装在变压器内部元件表面的弹振触发管，所述弹振触发管包括绝缘外壳以及装配在绝缘外壳内的导电叉和螺旋铜丝，还包括贴合在变压器表面各个方向的多个振动传感器以及声纹采集器，所述振动传感器以及声纹采集器共同串联在红外遥控电路上，且振动传感器以及声纹采集器上均设有无线发射模块，且无线发射模块通过无线网络与计算机终端连接。通过在变压器中容易振动的元件上安装弹振触发管，从而能够过滤掉小幅度的振动，为检测系统过滤掉一些合格数据，从而减小后台计算机的工作量，当变压器振动过大出现异常，振动力传递到弹振触发管上使得螺旋铜丝摆动接触到导电叉形成通路。但是该技术中通过机械设计滤除掉小幅度的振动同样会存在采集的振动信号丢失的情况，若只在变压器振动过大的时候发出信号表明出现异常，说明故障早已存在依然无法及时发现，并且也不能对故障发生处进行定位。
发明内容
本发明是为了克服现有技术中变压器的在线监测系统不能及时发现变压器的故障，同时无法对发生故障处进行定位的问题，提供了一种变压器的故障检测系统及方法，通过对声振采集装置在变压器内空间位置上的设计并进行振动信号的采集后，结合电流采集装置采集的变压器内的电流完成对变压器故障的检测，同时根据故障信号达到不同声振采集装置的时间差异进行故障定位。
为了实现上述目的，本发明采用以下技术方案：
一种箱式变压器的故障检测系统，包括：
至少三对设置在变压器内部的声振采集装置，采集变压器运行时在空间中传播的振动信号；电流采集装置，采集变压器内部线路的电流信号；
信号处理模块，分别对采集到的振动信号和电流信号进行预处理，并进行振动信号和电流信号的特征提取和关联融合；
故障检测模块，储存有训练完成的故障检测模型，对变压器进行故障检测以及故障定位。
本发明中箱式变压器包括有箱式外壳和内部的各种设备，变压器在运行时其变压器绕组、铁芯等各个部件都会在不同的因素影响下发生振动并产生相对应的声音向四周传播，同时在变压器的各个线路中流过的电流也会受到变压器工作状态不同的影响而发生变化；因此才有电流信号和振动信号相结合的方式来提取变压器运行时的信号特征，以此来训练故障监测模型可以使得模型的检测结果更准确，同时在采集到的信号中存在出现异常的趋势时就能通过模型判断得出结果，使得故障的发现更及时；而对于变压器内部至少三对声振采集装置的空间设置可以完成故障位置的定位，振动信号不仅为机械振动，也可以是从变压器内通过空气传播的声音或超声振动。
作为优选，所述声振采集装置设置在变压器内部的八个顶角处，以体对角线两端的声振采集装置为一对形成四对声振采集装置；
同一对声振采集装置采集的振动信号在信号处理模块经过滤波去噪后一起进行差分放大处理。
本发明中箱式变压器的外壳一般都可以看作是长方体，因此在长方体的八个顶点处设置声振采集装置，确定四组声振采集装置的位置，有利于后续对故障位置确定的计算；同一对声振采集装置因为与振动信号源的距离不同从而导致接受到的时间不同，在信号表达式中体现在相位的差异上；而采集到的信号不止包括故障的振动信号，还包括变压器本身正常运行时的固有振动信号及噪声，因此采用差分放大处理来放大两个声振采集装置上的信号差异并抑制相同的固有信号，从而更突显出故障发出的信号信息。
作为优选，所述信号处理模块包括：
差分放大单元，将每一对声振采集装置采集的振动信号进行差分放大处理生成振动检测信号；特征提取融合单元，分别提取振动检测信号和电流信号中的特征信息，将电流信号特征与每一个振动信号特征分别进行融合得到振动-电流融合特征。
本发明中由于至少有三对声振采集装置，因此需要至少三个差分放大单元分别进行差分放大处理，得到至少三组振动检测信号；对一处故障发出的振动信号在同一时间段内共会采集到一个电流信号和至少三组振动检测信号，为了得到完整的故障特征，将一个电流信号特征分别与至少三组振动信号特征融合得到至少三组振动-电流融合特征。
作为优选，所述差分放大单元中一对振动信号分别从MOS管M1的栅极和MOS管M2的栅极输入，MOS管M2的漏极与MOS管M4的源极相连作为振动检测信号输出，MOS管M1的漏极同时连接MOS管M4的栅极、MOS管M3的栅极和M3的源极，MOS管M3的漏极和MOS管M4的漏极接VDD。
本发明中采用基于基础差分放大电路进行改进后的电路，将原有的差分输出改为单端输出，同时按照电流镜的基础单元替换设置，在实现差分放大处理功能的同时，将声振采集装置采集的代表振动信号的电压形式信号转化输出为电流形式信号，与电流采集装置的信号形式相匹配，利于后续的特征融合。
作为优选，所述故障检测模块包括故障定位单元：
以故障产生的振动信号传播到同一对声振采集装置的时间之比作为常数，同一对声振采集装置的位置作为两固定点，得到该对声振采集装置的阿氏圆对应球面；
以同样的方式得到另外两对声振采集装置的阿氏圆对应球面，三个球面包围的区域为故障位置。
本发明中阿式圆的定义为到平面上两固定点的距离之比为常数的点的集合，将其应用在本发明的空间位置上时，则是以一对声振采集装置的位置为固定点，其在任一平面上的阿式圆绕两固定点的连线旋转形成的球面在箱式变压器内的球面区域，是故障位置的可能范围；确定空间上的点的位置需要三维坐标也即通过三组阿式圆对应球面来进行定位；而在实际情况中由于振动在空气中传播的误差，实际三组阿式圆对应球面的重合区域是一小块立体空间区域，作为故障位置范围；而第四组振动信号可以用来检验故障定位是否正确。
一种箱式变压器的故障检测方法，包括：
S1、获取变压器历史中正常运行和故障发生时间段的振动信号和电流信号；
S2、对振动信号和电流信号进行预处理后，提取特征并进行关联融合得到振动-电流融合特征集；
S3、构建神经网络模型并利用振动-电流融合特征集进行训练得到故障检测模型；
S4、实时采集变压器内的振动信号和电流信号，根据故障检测模型进行故障检测。
本发明中先采用历史收集的正常运行和故障发生的振动信号和电流信号，以这些信号进行特征提取并关联融合得到融合特征集，并结合历史收集的振动信号和电流信号对应的故障信息，通过融合特征集和故障信息对神经网络模型进行训练，得到故障监测模型；并对故障监测模型输入实时采集的振动信号和电流信号经过同样处理后的融合特征，从而输出相应的故障信息作为故障检测结果；本发明中的故障信息是对变压器中各种故障进行分类处理后的信息集合，与振动信号和电流信号进行特征融合后的融合特征集内的数据一一对应。
作为优选，所述S2中包括：
对振动信号和电流信号分别进行滤波除噪；
对同一对声振采集装置采集的振动信号进行差分放大处理得到振动检测信号；
提取振动检测信号中的振动信号特征和电流信号中的电流信号特征；
振动信号特征和电流信号特征进行关联融合得到振动-电流融合特征集。
本发明中对信号进行滤波处理去除噪声提升信号质量，然后进行后续的处理和特征提取；对于同意对振动信号进行差分放大处理后可以得到故障信息更加突出的振动检测信号，与电流信号分别进行特征提取后进行特征融合，振动特征和电流特征的提取采用不同的方式来保证获取特征的完整性和准确性。
作为优选，对于振动信号特征的提取过程包括：
对振动信号做短时傅里叶变换得到频谱并进一步转换为功率谱；
构造梅尔滤波器，并计算振动信号通过每个梅尔滤波器后输出的对数能量；
对得到的对数能量进行离散余弦变换得到梅尔倒谱系数作为振动信号特征。
本发明中梅尔倒谱系数是在Mel标度频率域提取出来的倒谱参数，Mel标度描述了人耳频率的非线性特性，更适合本发明中主要为声音和超声信号的振动信号；采用梅尔滤波器的目的在于对频谱进行平滑化，并消除谐波的作用，突显原先振动信号的共振峰，其输出结果不受声音音调高低的影响。
作为优选，在得到振动信号的梅尔倒谱系数后，对梅尔倒谱系数进行一阶差分获得梅尔倒谱系数的变化速度作为振动信号特征；或再次迭代进行二阶差分后作为振动信号特征。
本发明中对对数能量进行离散余弦变换得到梅尔倒谱系数只反映了静态特征，可以通过静态特征的差分谱来获得振动信号的动态特征，通过静态和动态特征的结合来提高信号特征提取的性能。
作为优选，所述得到振动-电流融合特征集的过程包括：
将振动信号特征和电流信号特征中，任意一个作为列向量另一个作为行向量相乘，得到二维特征数据；
构建CNN卷积神经网络，并将二维特征数据输入到CNN卷积神经网络中转化为一维的振动-电流融合特征；
对所有振动特征信号和电流特征信号进行融合得到振动-电流融合特征集。
本发明中在实际采集过程中的振动信号和电流信号都是离散信号，而提取特征后的振动信号特征和电流信号特征都是时序特征，以一定时间长度的振动信号特征和电流信号特征做矩阵乘法扩展为二维特征作为卷积神经网络的输入，也可以扩展为三维特征作为输入；在卷积层中进行自适应特征提取，再传递到下一层卷积层中使用ReLU作为激活函数获得非线性特征，使后续的模型更容易训练，提取后的特征经过池化层的池化操作降低维度并经过扁平层后转化为一维的振动-电流融合特征输出。
作为优选，对于电流信号特征的提取过程为：
选择小波基函数并确定小波分解层数；对电流信号进行小波分解得到低频小波系数和高频小波系数；对高频小波系数进行阈值化处理后和低频小波信号一起进行小波重构，得到电流信号特征。
本发明中采用小波处理进行电流信号的特征提取，有利于对电流突变信号的提取，尤其对于变压器故障中的局部放电故障检测来说，出现局部放电时会产生电脉冲和超声波，因此通过小波处理凸显出电流信号中的脉冲特征，并用声振采集装置采集超声波的振动信号提取特征，从而克服了单一采用电流信号检测局部放电故障的相应缺陷。
作为优选，根据四对声振采集装置实时采集得到四组振动特征信号，电流特征信号分别和四组振动特征信号融合得到四组振动-电流融合特征；
分别输入故障检测模型得到四组故障检测结果；
当有两组及以上故障检测结果中存在相同故障信息时，确认检测出现对应故障；
某一故障信息只存在一组故障检测结果中时，进行下一次故障检测，根据故障检测结果是否还存在该故障信息判断是否出现该故障。
本发明中统一批的实时数据包括一组电流信号和四组振动信号，因为各种因素的影响四组振动信号可能会存在部分差异，因此最后得到的四组检测结果除了大部分相同的故障信息以外，每一组检测结果可能还会存在其他组不包含的故障信息，在这里根据同一故障信息的重复次数来判断该故障是否出现。
本发明具有如下有益效果：通过对声振采集装置在变压器内空间位置上的设计并进行振动信号的采集后，结合电流采集装置采集的变压器内的电流完成对变压器故障的检测，可以通过电流信号和振动信号获得包含有更加全面完整的故障信息，使得故障检测结果更准确更及时，同时能够根据故障信号达到不同声振采集装置的时间差异进行故障定位。
附图说明
图1是本发明中故障检测系统的示意图；
图2是本发明中故障检测方法的流程图；
图3是本发明差分放大单元的差分放大电路示意图；
图4是本发明实施例中进行变压器故障检测的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
如图1所示，一种箱式变压器的故障检测系统，包括：
至少三对设置在变压器内部的声振采集装置1，采集变压器运行时在空间中传播的振动信号；电流采集装置2，采集变压器内部线路的电流信号。
信号处理模块3，分别对采集到的振动信号和电流信号进行预处理，并进行振动信号和电流信号的特征提取和关联融合；信号处理模块包括：
差分放大单元31，将每一对声振采集装置采集的振动信号进行差分放大处理生成振动检测信号；
特征提取融合单元32，分别提取振动检测信号和电流信号中的特征信息，将电流信号特征与每一个振动信号特征分别进行融合得到振动-电流融合特征。
如图3所示，差分放大单元中一对振动信号分别从MOS管M1的栅极Vin1处和MOS管M2的栅极Vin2处输入，MOS管M2的漏极与MOS管M4的源极相连作为振动检测信号输出Vout，MOS管M1的漏极同时连接MOS管M4的栅极、MOS管M3的栅极和M3的源极，MOS管M3的漏极和MOS管M4的漏极接VDD，MOS管M2的源极和MOS管M1的源极相连并通过电流源Iss接地。
故障检测模块4，包括储存有训练完成的故障检测模型的模型检测单元41，对变压器进行故障检测以及对变压器故障进行故障定位的故障定位单元42。故障定位单元中：
以故障产生的振动信号传播到同一对声振采集装置的时间之比作为常数，同一对声振采集装置的位置作为两固定点，得到该对声振采集装置的阿氏圆对应球面；
以同样的方式得到另外两对声振采集装置的阿氏圆对应球面，三个球面包围的区域为故障位置。
声振采集装置设置在变压器内部的八个顶角处，以体对角线两端的声振采集装置为一对形成四对声振采集装置；
同一对声振采集装置采集的振动信号在信号处理模块经过滤波去噪后一起进行差分放大处理。
本发明中箱式变压器包括有箱式外壳和内部的各种设备，变压器在运行时其变压器绕组、铁芯等各个部件都会在不同的因素影响下发生振动并产生相对应的声音向四周传播，同时在变压器的各个线路中流过的电流也会受到变压器工作状态不同的影响而发生变化；因此才有电流信号和振动信号相结合的方式来提取变压器运行时的信号特征，以此来训练故障监测模型可以使得模型的检测结果更准确，同时在采集到的信号中存在出现异常的趋势时就能通过模型判断得出结果，使得故障的发现更及时；而对于变压器内部至少三对声振采集装置的空间设置可以完成故障位置的定位，振动信号不仅为机械振动，也可以是从变压器内通过空气传播的声音或超声振动。
本发明中箱式变压器的外壳一般都可以看作是长方体，因此在长方体的八个顶点处设置声振采集装置，确定四组声振采集装置的位置，有利于后续对故障位置确定的计算；同一对声振采集装置因为与振动信号源的距离不同从而导致接受到的时间不同，在信号表达式中体现在相位的差异上；而采集到的信号不止包括故障的振动信号，还包括变压器本身正常运行时的固有振动信号及噪声，因此采用差分放大处理来放大两个声振采集装置上的信号差异并抑制相同的固有信号，从而更突显出故障发出的信号信息。
本发明中由于至少有三对声振采集装置，因此需要至少三个差分放大单元分别进行差分放大处理，得到至少三组振动检测信号；对一处故障发出的振动信号在同一时间段内共会采集到一个电流信号和至少三组振动检测信号，为了得到完整的故障特征，将一个电流信号特征分别与至少三组振动信号特征融合得到至少三组振动-电流融合特征。
本发明中采用基于基础差分放大电路进行改进后的电路，将原有的差分输出改为单端输出，同时按照电流镜的基础单元替换设置，在实现差分放大处理功能的同时，将声振采集装置采集的代表振动信号的电压形式信号转化输出为电流形式信号，与电流采集装置的信号形式相匹配，利于后续的特征融合。
本发明中阿式圆的定义为到平面上两固定点的距离之比为常数的点的集合，将其应用在本发明的空间位置上时，则是以一对声振采集装置的位置为固定点，其在任一平面上的阿式圆绕两固定点的连线旋转形成的球面在箱式变压器内的球面区域，是故障位置的可能范围；确定空间上的点的位置需要三维坐标也即通过三组阿式圆对应球面来进行定位；而在实际情况中由于振动在空气中传播的误差，实际三组阿式圆对应球面的重合区域是一小块立体空间区域，作为故障位置范围；而第四组振动信号可以用来检验故障定位是否正确。
如图2所示，一种箱式变压器的故障检测方法，包括：
S1、获取变压器历史中正常运行和故障发生时间段的振动信号和电流信号。
S2、对振动信号和电流信号进行预处理后，提取特征并进行关联融合得到振动-电流融合特征集。S2中包括：
对振动信号和电流信号分别进行滤波除噪；
对同一对声振采集装置采集的振动信号进行差分放大处理得到振动检测信号；
提取振动检测信号中的振动信号特征和电流信号中的电流信号特征；
振动信号特征和电流信号特征进行关联融合得到振动-电流融合特征集。
对于振动信号特征的提取过程包括：
对振动信号做短时傅里叶变换得到频谱并进一步转换为功率谱；
构造梅尔滤波器，并计算振动信号通过每个梅尔滤波器后输出的对数能量；
对得到的对数能量进行离散余弦变换得到梅尔倒谱系数作为振动信号特征。
在得到振动信号的梅尔倒谱系数后，对梅尔倒谱系数进行一阶差分获得梅尔倒谱系数的变化速度作为振动信号特征；或再次迭代进行二阶差分后作为振动信号特征。
电流信号特征的提取过程为：
选择小波基函数并确定小波分解层数；对电流信号进行小波分解得到低频小波系数和高频小波系数；对高频小波系数进行阈值化处理后和低频小波信号一起进行小波重构，得到电流信号特征。
得到振动-电流融合特征集的过程包括：
将振动信号特征和电流信号特征中，任意一个作为列向量另一个作为行向量相乘，得到二维特征数据；
构建CNN卷积神经网络，并将二维特征数据输入到CNN卷积神经网络中转化为一维的振动-电流融合特征；
对所有振动特征信号和电流特征信号进行融合得到振动-电流融合特征集。
S3、构建神经网络模型并利用振动-电流融合特征集进行训练得到故障检测模型。
S4、实时采集变压器内的振动信号和电流信号，根据故障检测模型进行故障检测。
根据四对声振采集装置实时采集得到四组振动特征信号，电流特征信号分别和四组振动特征信号融合得到四组振动-电流融合特征；
分别输入故障检测模型得到四组故障检测结果；
当有两组及以上故障检测结果中存在相同故障信息时，确认检测出现对应故障；
某一故障信息只存在一组故障检测结果中时，进行下一次故障检测，根据故障检测结果是否还存在该故障信息判断是否出现该故障。
本发明中先采用历史收集的正常运行和故障发生的振动信号和电流信号，以这些信号进行特征提取并关联融合得到融合特征集，并结合历史收集的振动信号和电流信号对应的故障信息，通过融合特征集和故障信息对神经网络模型进行训练，得到故障监测模型；并对故障监测模型输入实时采集的振动信号和电流信号经过同样处理后的融合特征，从而输出相应的故障信息作为故障检测结果；本发明中的故障信息是对变压器中各种故障进行分类处理后的信息集合，与振动信号和电流信号进行特征融合后的融合特征集内的数据一一对应。
本发明中对信号进行滤波处理去除噪声提升信号质量，然后进行后续的处理和特征提取；对于同意对振动信号进行差分放大处理后可以得到故障信息更加突出的振动检测信号，与电流信号分别进行特征提取后进行特征融合，振动特征和电流特征的提取采用不同的方式来保证获取特征的完整性和准确性。
本发明中梅尔倒谱系数是在Mel标度频率域提取出来的倒谱参数，Mel标度描述了人耳频率的非线性特性，更适合本发明中主要为声音和超声信号的振动信号；采用梅尔滤波器的目的在于对频谱进行平滑化，并消除谐波的作用，突显原先振动信号的共振峰，其输出结果不受声音音调高低的影响。
本发明中对对数能量进行离散余弦变换得到梅尔倒谱系数只反映了静态特征，可以通过静态特征的差分谱来获得振动信号的动态特征，通过静态和动态特征的结合来提高信号特征提取的性能。
本发明中在实际采集过程中的振动信号和电流信号都是离散信号，而提取特征后的振动信号特征和电流信号特征都是时序特征，以一定时间长度的振动信号特征和电流信号特征做矩阵乘法扩展为二维特征作为卷积神经网络的输入，也可以扩展为三维特征作为输入；在卷积层中进行自适应特征提取，再传递到下一层卷积层中使用ReLU作为激活函数获得非线性特征，使后续的模型更容易训练，提取后的特征经过池化层的池化操作降低维度并经过扁平层后转化为一维的振动-电流融合特征输出。
本发明中采用小波处理进行电流信号的特征提取，有利于对电流突变信号的提取，尤其对于变压器故障中的局部放电故障检测来说，出现局部放电时会产生电脉冲和超声波，因此通过小波处理凸显出电流信号中的脉冲特征，并用声振采集装置采集超声波的振动信号提取特征，从而克服了单一采用电流信号检测局部放电故障的相应缺陷。
本发明中统一批的实时数据包括一组电流信号和四组振动信号，因为各种因素的影响四组振动信号可能会存在部分差异，因此最后得到的四组检测结果除了大部分相同的故障信息以外，每一组检测结果可能还会存在其他组不包含的故障信息，在这里根据同一故障信息的重复次数来判断该故障是否出现。
在本发明的实施例中，声振采集装置设置在箱式变压器内部的八个顶角处，以体对角线两端的声振采集装置为一对形成四对声振采集装置；同一对声振采集装置采集的振动信号在信号处理模块经过滤波去噪后一起进行差分放大处理。
声振采集装置和电流采集装置采集到的信号通过包裹绝缘层的线缆连接传输到信号处理模块中，信号处理模块和故障检测模块集成在同一个检测装置中，并固定在箱式变压器的外侧，检测装置外设有电磁屏蔽措施，避免变压器中的电磁场对检测装置内的电路和元器件产生影响，检测得到的结果可以在检测装置的显示屏上显示，也可以通过无线传输到其他终端设备读取。
本实施例中以变压器的局部放电故障为例对系统和方法进行说明，局部放电就是在高压电力系统的设备里的绝缘体当中，因为电场的局部性的集中而产生了一种放电现象，这种放电现象是非桥接状态下产生的。局部放电对绝缘设备的破坏要经过长期、缓慢的发展过程才能显现。通常情况下局部放电是不会造成绝缘体穿透性击穿的，但是却有可能使机电介质的局部发生损坏。如果局部放电存在的时间过长，在特定的情况下会导致绝缘装置的电气强度下降，对于变压器等高压电气设备来讲是一种隐患容易产生一系列故障问题。在局部放电时，放电故障处会向外发射超声波同时在变压器的线路中也会有相应的电脉冲产生，因此通过声振采集装置采集包含有超声波信号的振动信号，通过电流采集装置采集包含有电脉冲的电流信号，依次进行特征提取检测变压器的局部放电故障。
对于电流信号和振动信号的获取，检测局部放电时电流中会有电脉冲产生，以电流信号出现突变产生电脉冲的时间点为起始时间，电脉冲显示的时间点作为结束时间截取出包含局部放电故障特征的电流信号用于后续的特征提取和融合；对于振动信号而言，由于一对声振采集装置距离故障源的距离是不一致的，因此振动信号中检测到超声波振动的时间也是不一致的，在这里以电流信号出现突变产生电脉冲的时间点为起始时间，两声振采集装置中超声波振动消失时间最迟的时间点作为结束时间，在两声振采集装置的振动信号中截取出同样时间长度的包含局部放电故障特征的超声波振动信号用于后续的特征提取和融合。当产生下一次局部放电的电脉冲时，进行同样的信号采集截取方式得到对应的电流信号和振动信号。
对于故障位置的定位，在采集得到的数据中，电流采集装置出现突变产生电脉冲的时间点为起始时间t0,近似认为是局部放电故障的产生时间，一对声振采集装置A和B中采集到超声波振动的时间分别为tA和tB，则声振采集装置A到故障位置的距离与声振采集装置B到故障位置的距离之比为定值(tA-t0)/(tB-t0)，此时可以根据A和B在箱式变压器内的固定位置确定故障位置所在的阿式圆对应球面；对于另外两对声振采集装置采用同样的方式确定另外两个故障位置所在的阿式圆对应球面，由于实际局部放电产生的时间要早于t0，因此实际故障位置更接近于阿式圆对应球面的内表面附近，因此通过本发明计算得到的三组阿式圆对应球面的重合部分是一小块空间区域而不是一个点，实际的故障位置在这一小块空间区域内，并且可以通过第四对声振采集装置来进行验证。本实施例中信号的时间是在故障监测模块中对原始的电流信号和振动信号进行处理得到的，属于现有的常见技术因此不进行详细说明。
对于故障检测模型的训练过程：
首先获取变压器历史中正常运行和局部放电故障发生时间段的振动信号和电流信号，同时由于局部放电包括有内部放电和表面放电两种大类，还细分有针板放电、油隙放电、悬浮放电、沿面放电、纸板放电、气体放电、颗粒放电、套管放电和匝间放电等等，因此需要先将历史运行过程中的局部放电故障进行归类，分为不同类型的故障信息，并将每种故障信息对应的振动信号和电流信号进行划分，从而将振动信号和电流信号与故障信息相对应。
将振动信号和电流信号都进行滤波除燥后，振动信号先进行差分放大处理，将同一批次的8个振动信号处理后生成4组振动检测信号。对于振动检测信号进行特征提取：
对于振动检测信号s(t)，短时傅里叶变换得到频谱和功率谱为
P(t,w)＝|S(t,w)|2
其中t为信号的帧数，u(i)为窗函数，w为滑动窗宽度，i为窗的宽度从-M到M。
构造梅尔滤波器组，将功率谱通过梅尔滤波器组，并计算每个梅尔滤波器输出的对数能量；第m个梅尔滤波器的传递函数为：
其中f(m)可以通过下式计算：
其中是Fmel的逆函数，fl为滤波器范围内的最低频率，fh为波器范围内的最高频率，N为短时傅里叶变换的长度，fs为采样频率，M为滤波器个数；并计算每个梅尔滤波器输出的对数能量：
对对数能量进行离散余弦变换得到L阶的梅尔倒谱系数；标准的梅尔倒谱参数只反映了信号的静态特性，信号的动态特性可以用这些静态特征的差分谱来描述。差分参数的计算可以采用下面的公式：
式中，D(t)表示第t个一阶差分，C(t)表示第t个倒谱系数，M表示倒谱系数的结束，K表示一阶导数的时间差，一般取1或者2。再迭代则可获得二阶差分。从而提前得到振动检测信号的振动信号特征。
对于电流信号的特征提取，采用现有的小波处理方式，选择小波基函数并确定小波分解层数；对电流信号进行小波分解得到低频小波系数和高频小波系数；对高频小波系数进行阈值化处理后和低频小波信号一起进行小波重构，得到电流信号特征。
由于采集得到的振动信号和电流信号都是离散的，最后提取得到的振动信号特征和电流信号特征都是与时间相关的一维特征序列，则将其中一个作为列向量，另一个作为行向量进行矩阵叉乘得到一个二维矩阵作为初步结合后的二维特征序列数据。以该二维特征序列数据输入到卷积神经网络CNN中经过处理转化为一维的振动-电流融合特征。对于卷积神经网络的具体参数可以根据实际需要设置。在同一批的电流信号和振动信号中最终可以融合得到四组振动-电流融合特征。而对所有历史数据中的电流信号、振动信号进行同样的处理最终得到振动-电流融合特征集作为后续模型训练的输入，同时对应有不同类型的故障信息作为后续模型训练的目标。用于训练的神经网络模型可以是LSTM模型也可以是BP神经网络模型或其他模型，将输入和目标对模型进行训练得到故障检测模型，具体的训练过程为常规过程不进行详细描述。
在得到故障检测模型后，如图4所示是对变压器的局部放电故障进行检测的流程，实时采集到包含电脉冲的电流信号，同时也采集得到对应的四组振动信号，将四组振动信号分别通过差分放大处理得到四组振动检测信号后，和电流信号一起进行特征提取和融合，将电流信号分别和每组振动检测信号都进行一次特征提取融合，得到四组振动-电流融合特征。将四组振动-电流融合特征输入训练好的故障检测模型中得到四组包含有故障信息的故障检测结果输出。
当有两组及以上故障检测结果中存在相同故障信息时，确认检测出现对应故障；
若某一故障信息只存在于一组故障检测结果中时，实时采集下一组包含故障特征信息的振动信号和电流信号进行下一次故障检测，根据故障检测结果是否还存在该故障信息判断是否出现该故障。若下一次的任意一组故障检测结果中仍然存在该故障信息时，则确认出现对应故障，否则认为并没有该故障。
上述实施例是对本发明的进一步阐述和说明，以便于理解，并不是对本发明的任何限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种箱式变压器的故障检测系统，其特征在于，包括：
至少三对设置在变压器内部的声振采集装置，采集变压器运行时在空间中传播的振动信号；电流采集装置，采集变压器内部线路的电流信号；
信号处理模块，分别对采集到的振动信号和电流信号进行预处理，并进行振动信号和电流信号的特征提取和关联融合；
故障检测模块，储存有训练完成的故障检测模型，对变压器进行故障检测以及故障定位。
2.根据权利要求1所述的一种箱式变压器的故障检测系统，其特征在于，所述声振采集装置设置在变压器内部的八个顶角处，以体对角线两端的声振采集装置为一对形成四对声振采集装置；
同一对声振采集装置采集的振动信号在信号处理模块经过滤波去噪后一起进行差分放大处理。
3.根据权利要求1或2所述的一种箱式变压器的故障检测系统，其特征在于，所述信号处理模块包括：
差分放大单元，将每一对声振采集装置采集的振动信号进行差分放大处理生成振动检测信号；特征提取融合单元，分别提取振动检测信号和电流信号中的特征信息，将电流信号特征与每一个振动信号特征分别进行融合得到振动-电流融合特征。
4.根据权利要求3所述的一种箱式变压器的故障检测系统，其特征在于，所述差分放大单元中一对振动信号分别从MOS管M1的栅极和MOS管M2的栅极输入，MOS管M2的漏极与MOS管M4的源极相连作为振动检测信号输出，MOS管M1的漏极同时连接MOS管M4的栅极、MOS管M3的栅极和M3的源极，MOS管M3的漏极和MOS管M4的漏极接VDD。
5.根据权利要求1或2或4所述的一种箱式变压器的故障检测系统，其特征在于，所述故障检测模块包括故障定位单元：
以故障产生的振动信号传播到同一对声振采集装置的时间之比作为常数，同一对声振采集装置的位置作为两固定点，得到该对声振采集装置的阿氏圆对应球面；
以同样的方式得到另外两对声振采集装置的阿氏圆对应球面，三个球面包围的区域为故障位置。
6.一种箱式变压器的故障检测方法，适用于如权利要求1-5任一项所述的故障检测系统，其特征在于，包括：
S1、获取变压器历史中正常运行和故障发生时间段的振动信号和电流信号；
S2、对振动信号和电流信号进行预处理后，提取特征并进行关联融合得到振动-电流融合特征集；
S3、构建神经网络模型并利用振动-电流融合特征集进行训练得到故障检测模型；
S4、实时采集变压器内的振动信号和电流信号，根据故障检测模型进行故障检测。
7.根据权利要求6所述的一种箱式变压器的故障检测方法，其特征在于，所述S2中包括：对振动信号和电流信号分别进行滤波除噪；
对同一对声振采集装置采集的振动信号进行差分放大处理得到振动检测信号；
提取振动检测信号中的振动信号特征和电流信号中的电流信号特征；
振动信号特征和电流信号特征进行关联融合得到振动-电流融合特征集。
8.根据权利要求6或7所述的一种箱式变压器的故障检测方法，其特征在于，对于振动信号特征的提取过程包括：
对振动信号做短时傅里叶变换得到频谱并进一步转换为功率谱；
构造梅尔滤波器，并计算振动信号通过每个梅尔滤波器后输出的对数能量；
对得到的对数能量进行离散余弦变换得到梅尔倒谱系数作为振动信号特征。
9.根据权利要求8所述的一种箱式变压器的故障检测方法，其特征在于，在得到振动信号的梅尔倒谱系数后，对梅尔倒谱系数进行一阶差分获得梅尔倒谱系数的变化速度作为振动信号特征；或再次迭代进行二阶差分后作为振动信号特征。
10.根据权利要求6或7所述的一种箱式变压器的故障检测方法，其特征在于，所述得到振动-电流融合特征集的过程包括：
将振动信号特征和电流信号特征中，任意一个作为列向量另一个作为行向量相乘，得到二维特征数据；
构建CNN卷积神经网络，并将二维特征数据输入到CNN卷积神经网络中转化为一维的振动-电流融合特征；
对所有振动特征信号和电流特征信号进行融合得到振动-电流融合特征集。
11.根据权利要求10所述的一种箱式变压器的故障检测方法，其特征在于，对于电流信号特征的提取过程为：
选择小波基函数并确定小波分解层数；对电流信号进行小波分解得到低频小波系数和高频小波系数；对高频小波系数进行阈值化处理后和低频小波信号一起进行小波重构，得到电流信号特征。
12.根据权利要求6或7或9或10所述的一种箱式变压器的故障检测方法，其特征在于，根据四对声振采集装置实时采集得到四组振动特征信号，电流特征信号分别和四组振动特征信号融合得到四组振动-电流融合特征；
分别输入故障检测模型得到四组故障检测结果；
当有两组及以上故障检测结果中存在相同故障信息时，确认检测出现对应故障；
某一故障信息只存在一组故障检测结果中时，进行下一次故障检测，根据故障检测结果是否还存在该故障信息判断是否出现该故障。
CN202310222325.3A 2023-03-09 2023-03-09 一种箱式变压器的故障检测系统及方法 Active CN116449255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310222325.3A CN116449255B (zh) 2023-03-09 2023-03-09 一种箱式变压器的故障检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310222325.3A CN116449255B (zh) 2023-03-09 2023-03-09 一种箱式变压器的故障检测系统及方法

Publications (2)

Publication Number Publication Date
CN116449255A true CN116449255A (zh) 2023-07-18
CN116449255B CN116449255B (zh) 2023-12-22

Family

ID=87134633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310222325.3A Active CN116449255B (zh) 2023-03-09 2023-03-09 一种箱式变压器的故障检测系统及方法

Country Status (1)

Country Link
CN (1) CN116449255B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5214595A (en) * 1988-05-16 1993-05-25 Hitachi, Ltd. Abnormality diagnosing system and method for a high voltage power apparatus
CN101881611A (zh) * 2009-05-08 2010-11-10 原相科技股份有限公司 三点式定位装置与方法及扬声系统
KR20140033944A (ko) * 2012-09-11 2014-03-19 엘에스전선 주식회사 풍력용 변압기 감시 진단 시스템 및 방법
CN104237705A (zh) * 2014-09-30 2014-12-24 沈阳工业大学 多信息融合的电力变压器绕组在线监测装置及诊断方法
CN106851570A (zh) * 2017-01-19 2017-06-13 中国移动通信集团江苏有限公司 基于mr对移动终端进行定位的方法及装置
CN107371164A (zh) * 2017-08-02 2017-11-21 西北大学 一种基于传感器数据与信号差值融合定位伪ap的方法
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
CN109782112A (zh) * 2019-03-13 2019-05-21 国家电网有限公司 一种变压器多参量故障监测系统及检测方法
CN110221137A (zh) * 2019-03-07 2019-09-10 国网上海市电力公司 一种基于振声相关性的配电变压器异常状态检测方法
CN110940374A (zh) * 2019-10-31 2020-03-31 沈阳工业大学 基于大数据融合的变压器健康等级评价系统及方法
CN112255538A (zh) * 2020-10-14 2021-01-22 国网青海省电力公司海西供电公司 一种多特征优化融合的高压断路器故障诊断方法
CN212410496U (zh) * 2020-08-31 2021-01-26 桂林施瑞德科技发展有限公司 一种可报警的防病毒穿戴设备
CN112564272A (zh) * 2020-10-22 2021-03-26 国网浙江省电力有限公司嘉兴供电公司 一种融合多维度监测及故障信息的变电站健康管控方法
CN113391207A (zh) * 2021-04-01 2021-09-14 国网宁夏电力有限公司检修公司 一种电机故障的检测方法、介质及系统
CN114118251A (zh) * 2021-11-22 2022-03-01 国网辽宁省电力有限公司沈阳供电公司 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法
CN114814659A (zh) * 2022-05-25 2022-07-29 云南电网有限责任公司电力科学研究院 一种短路冲击下变压器绕组状态监测方法及装置
CN218546915U (zh) * 2022-10-17 2023-02-28 湖南五凌电力工程有限公司 一种局部放电振动信号的抗干扰检测系统
CN115758082A (zh) * 2022-11-10 2023-03-07 成都交大光芒科技股份有限公司 一种轨道交通变压器故障诊断方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5214595A (en) * 1988-05-16 1993-05-25 Hitachi, Ltd. Abnormality diagnosing system and method for a high voltage power apparatus
CN101881611A (zh) * 2009-05-08 2010-11-10 原相科技股份有限公司 三点式定位装置与方法及扬声系统
KR20140033944A (ko) * 2012-09-11 2014-03-19 엘에스전선 주식회사 풍력용 변압기 감시 진단 시스템 및 방법
CN104237705A (zh) * 2014-09-30 2014-12-24 沈阳工业大学 多信息融合的电力变压器绕组在线监测装置及诊断方法
CN106851570A (zh) * 2017-01-19 2017-06-13 中国移动通信集团江苏有限公司 基于mr对移动终端进行定位的方法及装置
CN107371164A (zh) * 2017-08-02 2017-11-21 西北大学 一种基于传感器数据与信号差值融合定位伪ap的方法
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
CN110221137A (zh) * 2019-03-07 2019-09-10 国网上海市电力公司 一种基于振声相关性的配电变压器异常状态检测方法
CN109782112A (zh) * 2019-03-13 2019-05-21 国家电网有限公司 一种变压器多参量故障监测系统及检测方法
CN110940374A (zh) * 2019-10-31 2020-03-31 沈阳工业大学 基于大数据融合的变压器健康等级评价系统及方法
CN212410496U (zh) * 2020-08-31 2021-01-26 桂林施瑞德科技发展有限公司 一种可报警的防病毒穿戴设备
CN112255538A (zh) * 2020-10-14 2021-01-22 国网青海省电力公司海西供电公司 一种多特征优化融合的高压断路器故障诊断方法
CN112564272A (zh) * 2020-10-22 2021-03-26 国网浙江省电力有限公司嘉兴供电公司 一种融合多维度监测及故障信息的变电站健康管控方法
CN113391207A (zh) * 2021-04-01 2021-09-14 国网宁夏电力有限公司检修公司 一种电机故障的检测方法、介质及系统
CN114118251A (zh) * 2021-11-22 2022-03-01 国网辽宁省电力有限公司沈阳供电公司 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法
CN114814659A (zh) * 2022-05-25 2022-07-29 云南电网有限责任公司电力科学研究院 一种短路冲击下变压器绕组状态监测方法及装置
CN218546915U (zh) * 2022-10-17 2023-02-28 湖南五凌电力工程有限公司 一种局部放电振动信号的抗干扰检测系统
CN115758082A (zh) * 2022-11-10 2023-03-07 成都交大光芒科技股份有限公司 一种轨道交通变压器故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹辰: "基于机械与电气参量的变压器绕组变形状态综合评估方法", 《中国博士学位论文全文数据库 工程科技II辑》, pages 042 - 21 *

Also Published As

Publication number Publication date
CN116449255B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN105548832B (zh) 高压电力电缆故障识别方法
CN107942206B (zh) 一种gis局部放电定位方法
CN107748314A (zh) 基于声波震荡检测的变压器故障分析系统
CN203249989U (zh) 变压器局部放电在线监测系统
CN112326210A (zh) 一种声振信号联合1d-cnn的大型电机故障诊断方法
Mei et al. Adaptive signal enhancement based on improved VMD-SVD for leak location in water-supply pipeline
CN107367676A (zh) 基于音频智能识别的局放指示器
CN107356843A (zh) 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法
Geng et al. Mechanical fault diagnosis of power transformer by GFCC time-frequency map of acoustic signal and convolutional neural network
CN115983374A (zh) 基于优化sa-cacgan的电缆局放数据库样本扩充方法
CN116449255B (zh) 一种箱式变压器的故障检测系统及方法
CN105203937A (zh) 一种变压器内部放电模式识别方法及故障诊断系统
CN117031194B (zh) 用于配电网的超声波隐患检测方法及系统
Liu et al. Autoregressive model‐enhanced variational mode decomposition for mechanical fault detection
Honggang et al. Mechanical fault diagnosis of GIS based on MFCCs of sound signals
CN116884432A (zh) 基于vmd-js散度的电力变压器故障声纹诊断方法
CN117116293A (zh) 一种复杂声场环境中机器设备故障诊断系统
CN114157023B (zh) 一种配变预警信息获取方法
Sun et al. Jointed Task of Multi-scale CNN Based Power Transformer Fault Diagnosis with Vibration and Sound Signals
CN115468751A (zh) 一种变压器声音采集与缺陷识别的方法与装置
CN115656926A (zh) 一种用于电力设备异响监测的定位识别方法和装置
CN114201991A (zh) 一种基于超声传感器阵列的局放信号检测方法和系统
Li et al. Abnormal State Detection of OLTC Based on Improved Fuzzy C-means Clustering
CN114091533A (zh) 基于激光测振的变压器噪声识别和逆向还原方法及介质
CN113156278A (zh) 一种基于cnn网络的gis局部放电定位方法

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
GR01 Patent grant
GR01 Patent grant