CN112557966A - 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 - Google Patents
一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 Download PDFInfo
- Publication number
- CN112557966A CN112557966A CN202011393866.5A CN202011393866A CN112557966A CN 112557966 A CN112557966 A CN 112557966A CN 202011393866 A CN202011393866 A CN 202011393866A CN 112557966 A CN112557966 A CN 112557966A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- transformer
- support vector
- decomposition
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 39
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 35
- 238000004804 winding Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000000137 annealing Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
-
- 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
- G01R31/72—Testing of electric windings
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于局部均值分解与支持向量机的变压器绕组松动识别方法,其步骤如下:步骤1:分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号;步骤2:对采集的振动信号进行变分模态分解,取得各PF分量;步骤3:计算各PF分量的能量与奇异值及重构信号的排列熵与奇异谱熵;步骤4:通过Fisher‑Score法选出精度较高的特征来构成特征向量组;步骤5:利用训练样本集对模拟退火优化的支持向量机模型进行训练;步骤6:用得到的支持向量机模型作为分类器对测试样本集进行分类识别,实现故障诊断。本发明可在变压器合闸瞬间对变压器绕组松动状态进行识别,实现了变压器的早期预警,为进行变压器振动信号特征提取与故障诊断提供了一种新的方法。
Description
技术领域
本发明属于电力变压器机械故障诊断技术领域,尤其涉及一种基于局部均值分解与支持向量机的变压器绕组松动识别方法。
背景技术
变压器在电力***中,结构复杂,价格高,对电力***的安全稳定运行具有关键性作用,一旦变压器出现故障造成停电,将会导致重大的经济损失。所以对变压器运行情况进行监测及故障诊断,提前发现故障隐患并消除,提高变压器可靠性,对于保证变压器可靠运行具有重要意义。
变压器由于运行时间长,容易出现各种故障,比如铁芯松动、绕组变形、变形等。目前对电力变压器绕组、铁芯等机械故障状态监测方法有:短路阻抗法、低压脉冲法、频率响应分析法。短路阻抗法试验时间长,精度不高,需要投入大量的分析验证工作。频率响应法存在诊断滞后,对变压器机械故障无法有效诊断等缺陷。其中,近年来,振动分析法成为变压器机械故障诊断的热点。相比其他方法,振动法与变压器无电气连接,具有较强的抗干扰能力、可靠的监测变压器状态。因此,本发明利用变压器合闸瞬间的振动信号,提出了一种基于局部均值分解与支持向量机的变压器绕组松动识别方法。
发明内容
针对上述问题,本发明提供了一种基于局部均值分解与支持向量机的变压器绕组松动识别方法,解决了现有技术中诊断方法误判的问题。
为了解决上述技术问题,本发明提出的技术方案是:一种基于局部均值分解与支持向量机的变压器绕组松动识别方法,包括以下步骤:
步骤1:分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号;
步骤2:对采集的振动信号进行局部均值分解,得到各PF分量;
步骤3:计算各PF分量的能量值与奇异值以及重构信号的排列熵与奇异谱熵值;
步骤4:通过Fisher-Score法选出精度较高的特征来构成特征向量组;
定义Fisher Score为:
步骤5:将振动信号分为训练样本集和测试样本集,利用训练样本集对模拟退火优化的支持向量机模型进行训练;
步骤6:用得到的支持向量机模型作为分类器对测试样本集进行分类识别,实现故障诊断。
上述方案的进一步改进在于:所述步骤2中,所述分解是指从复杂的原始信号中分离出纯调频信号和包络信号,将纯调频信号和包络信号相乘便可以得到一个瞬时频率具有物理意义的PF函数分量。
上述方案的进一步改进在于:所述步骤3中,对局部均值分解后的各PF分量时间序列离散化,计算各PF分量的能量Ei构成能量特征向量;将K个PF分量组成分量矩阵作为初始矩阵,并对其作奇异值分解,得到不同频率的特征奇异值;对局部均值分解的各PF分量加以筛选,重新构造信号。利用构造信号计算排列熵和奇异谱熵。
上述方案的进一步改进在于:所述步骤三中, PF分量能量值Ei求解如下:
式中:n为各采样点;m为采样点总数。
对PF分量能量值进行归一化处理如下:
则可得到能量特征向量为:
(2)PF分量奇异值求解如下:
(3)重构信号的排列熵求解如下:
设定一个阈值,把经过局部均值分解后的各PF分量加以筛选,与原信号相关度不高的分量剔除,剩下的分量重组构成信号。
排列熵定义为:
(4)重构信号的奇异谱熵反映了信号的能量分布,能量分布越集中,熵越大;能量分布越离散,熵越小;即可以来表征变压器绕组不同状态。
上述方案的进一步改进在于:所述步骤4中,利用Fisher-Score法选择一个具有鉴别力的特征量,所述特征量应与同一类别样本间的方差应尽可能小
上述方案的进一步改进在于:所述步骤五具体如下:
步骤5.1:设置Metropolis初始值数目、惩罚因子及核函数参数上下限;
步骤5.2:在核函数和参数的搜索范围内生成随机数,构成支持向量机的原始结构,用训练样本集来训练这一个初始的支持向量机,然后用该向量机模型对检测样本集分类,并计算精确度;
步骤5.3:在该核函数和参数的范围生成一个随机的扰动,更新核函数和参数,再用样本集对其训练,得出新的支持向量机参数对应的模型,并对样本集分类,并计算精确度;
步骤5.4:根据Metropolis准则,接受或放弃新核函数和参数;
步骤5.5:重复步骤5.3、步骤5.4、步骤5.5,完成迭代过程;
步骤5.6:判断最优值是否符合要求,如果不满足,逐渐减小退火温度,重复步骤5.3、步骤5.4、步骤5.5,直到满足条件;否则,输出惩罚因子和核函数参数,及支持向量机模型与分类结果。
本发明的有益结果是:电力变压器合闸而产生励磁涌流的时刻,利用加速度传感器采集变压器合闸瞬间的振动信号,诊断样本充足且具备早期预警等优势。另外,励磁涌流波形复杂,冲击绕组后振动信号的信息丰富,利于故障分析,防止电力变压器在故障状态下继续运行;
本发明用局部均值分解能将变压器合闸瞬间的非线性、非平稳的复杂信号高效的分解,同基于集合经验模态分解算法相比,其能够避免产生模态混叠现象,准确率更高。各PF分量的能量与奇异值,以及重构信号的排列熵与奇异谱熵蕴含变压器的故障特征,利用Fisher-Score法能从这些特征向量中选出最能反映故障的特征,提高故障诊断能力;
本发明利用模拟退火算法自动寻找最优的核函数及其参数,应用到变压器合闸瞬间的绕组松动识别问题,在一定程度上降低了人为选择参数的难度,提高了计算效率。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的电抗器匝间短路等效电路模型图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明提供了一种基于局部均值分解与支持向量机的变压器绕组松动故障识别方法,具体流程见图1,所述方法包括以下步骤:
步骤1:分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号。
步骤2:对采集的振动信号进行局部均值分解,得到各PF分量。
步骤3:计算各PF分量的能量值与奇异值以及重构信号的排列熵与奇异谱熵值。
所述步骤三中, PF分量能量值Ei求解如下:
式中:n为各采样点;m为采样点总数。
对PF分量能量值进行归一化处理如下:
则可得到能量特征向量为:
(2)PF分量奇异值求解如下:
(3)重构信号的排列熵求解如下:
设定一个阈值,把经过局部均值分解后的各PF分量加以筛选,与原信号相关度不高的分量剔除,剩下的分量重组构成信号。
排列熵定义为:
(4)重构信号的奇异谱熵反映了信号的能量分布,能量分布越集中,熵越大;能量分布越离散,熵越小;即可以来表征变压器绕组不同状态。
步骤4:通过Fisher-Score法选出精度较高的特征来构成特征向量组。
定义Fisher Score为:
步骤5:将振动信号分为训练样本集和测试样本集,利用训练样本集对模拟退火优化的支持向量机模型进行训练;
步骤五具体如下:
步骤5.1:设置Metropolis初始值数目、惩罚因子及核函数参数上下限;
步骤5.2:在核函数和参数的搜索范围内生成随机数,构成支持向量机的原始结构,用训练样本集来训练这一个初始的支持向量机,然后用该向量机模型对检测样本集分类,并计算精确度;
步骤5.3:在该核函数和参数的范围生成一个随机的扰动,更新核函数和参数,再用样本集对其训练,得出新的支持向量机参数对应的模型,并对样本集分类,并计算精确度;
步骤5.4:根据Metropolis准则,接受或放弃新核函数和参数;
步骤5.5:重复步骤5.3、步骤5.4、步骤5.5,完成迭代过程;
步骤5.6:判断最优值是否符合要求,如果不满足,逐渐减小退火温度,重复步骤5.3、步骤5.4、步骤5.5,直到满足条件;否则,输出惩罚因子和核函数参数,及支持向量机模型与分类结果。
步骤6:用得到的支持向量机模型作为分类器对测试样本集进行分类识别,实现故障诊断。
实验变压器为SFZ10-31500/110油浸式电力变压器,采用JF-2020压电式加速度传感器测量变压器正上方的振动信号,设置采样频率为10kHz。实验过程中,为减小合闸瞬间产生的励磁涌流对结果所造成的影响,设置变压器绕组不完全松动、完全松动两种故障,分别测量五次信号。
将数据分为训练样本集和测试样本集,训练样本集用于支持向量机的训练,测试样本集用于模型的测试。采用基于模拟退火优化的支持向量机进行训练,如图2所示,取得的最优分类模型是:惩罚因子为0.25,核函数参数为4。为了验证本方法的效果,分别在变压器两种故障状态下进行集合经验模态分解,利用得到的模态分量计算其能量与奇异值以及重构信号的排列熵和奇异值熵,并用Fisher-Score法对上述特性进行选择,取得最优的特征,出入到模拟退火优化的支持向量机训练,并测试该方法的故障诊断情况。此外,为了比较特征选择的有效性,将变压器空载合闸振动信号局部均值分解后的计算得到的全部特征输入到支持向量机训练与测试。结果表明,相比后两种方法,本发明的诊断精确度更好。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.一种基于局部均值分解与支持向量机的变压器绕组松动识别方法,其特征在于,所述方法包括:
步骤1:分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号;
步骤2:对采集的振动信号进行局部均值分解,得到各PF分量;
步骤3:计算各PF分量的能量值与奇异值以及重构信号的排列熵与奇异谱熵值;
步骤4:通过Fisher-Score法选出精度较高的特征来构成特征向量组;
定义Fisher Score为:
步骤5:将振动信号分为训练样本集和测试样本集,利用训练样本集对模拟退火优化的支持向量机模型进行训练;
步骤6:用得到的支持向量机模型作为分类器对测试样本集进行分类识别,实现故障诊断。
2.根据权利要求1所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法,其特征在于:所述步骤2中,所述分解是指从复杂的原始信号中分离出纯调频信号和包络信号,将纯调频信号和包络信号相乘便可以得到一个瞬时频率具有物理意义的PF函数分量。
3.根据权利要求1所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法,其特征在于:所述步骤3中,对局部均值分解后的各PF分量时间序列离散化,计算各PF分量的能量Ei构成能量特征向量;将K个PF分量组成分量矩阵作为初始矩阵,并对其作奇异值分解,得到不同频率的特征奇异值;对局部均值分解的各PF分量加以筛选,重新构造信号,利用构造信号计算排列熵和奇异谱熵。
4.根据权利要求3所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法,其特征在于:所述步骤三中, PF分量能量值Ei求解如下:
式中:n为各采样点;m为采样点总数;
对PF分量能量值进行归一化处理如下:
则可得到能量特征向量为:
(2)PF分量奇异值求解如下:
(3)重构信号的排列熵求解如下:
设定一个阈值,把经过局部均值分解后的各PF分量加以筛选,与原信号相关度不高的分量剔除,剩下的分量重组构成信号;
排列熵定义为:
(4)重构信号的奇异谱熵反映了信号的能量分布,能量分布越集中,熵越大;能量分布越离散,熵越小;即可以来表征变压器绕组不同状态。
5.根据权利要求1所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法,其特征在于:所述步骤4中,利用Fisher-Score法选择一个具有鉴别力的特征量,所述特征量应与同一类别样本间的方差应尽可能小。
6.根据权利要求1所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法,其特征在于:所述步骤五具体如下:
步骤5.1:设置Metropolis初始值数目、惩罚因子及核函数参数上下限;
步骤5.2:在核函数和参数的搜索范围内生成随机数,构成支持向量机的原始结构,用训练样本集来训练这一个初始的支持向量机,然后用该向量机模型对检测样本集分类,并计算精确度;
步骤5.3:在该核函数和参数的范围生成一个随机的扰动,更新核函数和参数,再用样本集对其训练,得出新的支持向量机参数对应的模型,并对样本集分类,并计算精确度;
步骤5.4:根据Metropolis准则,接受或放弃新核函数和参数;
步骤5.5:重复步骤5.3、步骤5.4、步骤5.5,完成迭代过程;
步骤5.6:判断最优值是否符合要求,如果不满足,逐渐减小退火温度,重复步骤5.3、步骤5.4、步骤5.5,直到满足条件;否则,输出惩罚因子和核函数参数,及支持向量机模型与分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393866.5A CN112557966A (zh) | 2020-12-02 | 2020-12-02 | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393866.5A CN112557966A (zh) | 2020-12-02 | 2020-12-02 | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112557966A true CN112557966A (zh) | 2021-03-26 |
Family
ID=75047451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011393866.5A Pending CN112557966A (zh) | 2020-12-02 | 2020-12-02 | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112557966A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
CN113391244A (zh) * | 2021-06-13 | 2021-09-14 | 河海大学 | 一种基于vmd的变压器合闸振动信号特征频率计算方法 |
CN114088400A (zh) * | 2021-11-01 | 2022-02-25 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
CN114325480A (zh) * | 2021-11-19 | 2022-04-12 | 广东核电合营有限公司 | 多相无刷励磁机的二极管开路故障检测方法、装置 |
CN116757100A (zh) * | 2023-08-18 | 2023-09-15 | 国科大杭州高等研究院 | 推力预测模型训练及推力预测方法、装置、设备、介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832687A (zh) * | 2017-10-27 | 2018-03-23 | 武汉大学 | 基于无线标识传感的变压器绕组故障诊断方法 |
CN109270445A (zh) * | 2018-09-07 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于lmd的断路器弹簧操动机构状态异常检测方法 |
CN109975634A (zh) * | 2019-03-04 | 2019-07-05 | 河南理工大学 | 一种基于原子稀疏分解的变压器绕组故障诊断方法 |
CN110031703A (zh) * | 2019-04-25 | 2019-07-19 | 国网冀北电力有限公司检修分公司 | 一种超特高压变压器的异常工况判别方法及*** |
CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
CN110927490A (zh) * | 2019-12-02 | 2020-03-27 | 吉林松江河水力发电有限责任公司 | 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法 |
CN111579238A (zh) * | 2020-05-14 | 2020-08-25 | 常州信息职业技术学院 | 一种基于mffoa优化svm的齿轮裂纹故障在线监控方法 |
-
2020
- 2020-12-02 CN CN202011393866.5A patent/CN112557966A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832687A (zh) * | 2017-10-27 | 2018-03-23 | 武汉大学 | 基于无线标识传感的变压器绕组故障诊断方法 |
CN109270445A (zh) * | 2018-09-07 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于lmd的断路器弹簧操动机构状态异常检测方法 |
CN109975634A (zh) * | 2019-03-04 | 2019-07-05 | 河南理工大学 | 一种基于原子稀疏分解的变压器绕组故障诊断方法 |
CN110031703A (zh) * | 2019-04-25 | 2019-07-19 | 国网冀北电力有限公司检修分公司 | 一种超特高压变压器的异常工况判别方法及*** |
CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
CN110927490A (zh) * | 2019-12-02 | 2020-03-27 | 吉林松江河水力发电有限责任公司 | 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法 |
CN111579238A (zh) * | 2020-05-14 | 2020-08-25 | 常州信息职业技术学院 | 一种基于mffoa优化svm的齿轮裂纹故障在线监控方法 |
Non-Patent Citations (3)
Title |
---|
杨森等: "基于变分模态分解与特征选择的变压器有载分接开关机械故障诊断", 《南方电网技术》 * |
王涛云 等: "基于空载合闸振动信号的变压器绕组松动诊断", 《中国电力》 * |
黄辉敏 等: "基于LMD 和SVM 的高压断路器弹簧操动机构状态异常检测方法研究", 《高压电器》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
CN113252322B (zh) * | 2021-04-27 | 2022-05-31 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
CN113391244A (zh) * | 2021-06-13 | 2021-09-14 | 河海大学 | 一种基于vmd的变压器合闸振动信号特征频率计算方法 |
CN113391244B (zh) * | 2021-06-13 | 2024-01-12 | 河海大学 | 一种基于vmd的变压器合闸振动信号特征频率计算方法 |
CN114088400A (zh) * | 2021-11-01 | 2022-02-25 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
CN114088400B (zh) * | 2021-11-01 | 2024-04-09 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
CN114325480A (zh) * | 2021-11-19 | 2022-04-12 | 广东核电合营有限公司 | 多相无刷励磁机的二极管开路故障检测方法、装置 |
CN114325480B (zh) * | 2021-11-19 | 2023-09-29 | 广东核电合营有限公司 | 多相无刷励磁机的二极管开路故障检测方法、装置 |
CN116757100A (zh) * | 2023-08-18 | 2023-09-15 | 国科大杭州高等研究院 | 推力预测模型训练及推力预测方法、装置、设备、介质 |
CN116757100B (zh) * | 2023-08-18 | 2023-12-15 | 国科大杭州高等研究院 | 推力预测模型训练及推力预测方法、装置、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
Liu et al. | Classifying transformer winding deformation fault types and degrees using FRA based on support vector machine | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
CN110503004B (zh) | 一种开关电源运行状态的在线判别方法 | |
CN105547465A (zh) | 一种变压器振动信号绕组状态特征提取方法 | |
CN106017879A (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
CN110221200A (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
CN106934421A (zh) | 基于2dpca及svm的变电站电力变压器故障检测***及检测方法 | |
CN110926778A (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及***和装置 | |
CN109447187A (zh) | 电机故障诊断方法及*** | |
CN113297922B (zh) | 一种高压开关柜故障诊断方法、装置及存储介质 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断***及其诊断方法 | |
CN109142963B (zh) | 一种匝间短路故障定位***及方法 | |
CN110068776A (zh) | 基于优化支持向量机的三电平逆变器开路故障诊断方法 | |
CN117192347A (zh) | 一种高压断路器在线监测与故障诊断***及方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
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 | |
CN111352365A (zh) | 一种防尘通风型电力电气设备机柜及控制方法 | |
CN112906489A (zh) | 一种基于lmd与排列熵的变压器机绕组松动识别方法 | |
CN113705637B (zh) | 一种断路器机械故障检测方法、***、设备及可读存储介质 | |
CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
CN108594062A (zh) | 一种基于特征波形相似度的匝间短路故障定位方法及*** | |
CN211123115U (zh) | 一种电机槽绝缘电场冲击评估装置 | |
CN114792108A (zh) | 一种高压断路器故障诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
RJ01 | Rejection of invention patent application after publication |