绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 k V变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解...绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 k V变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解提取重构空间的最优特征序列,结合信息熵得出绕组松动的特征量——奇异谱熵,并作为诊断模型的输入,利用粒子群算法对多分类支持向量机进行参数优化。并将其测试结果与BP和PNN神经网络的诊断效果进行对比。实验结果证明,该方法能有效地判断绕组是否发生松动并正确识别绕组松动相,验证了上述方法的可行性和准确性。展开更多
为了及时准确地获得有载分接开关(on-load tap-changer,OLTC)的状态信息,将S变换和奇异值分解(singular value decomposition,SVD)引入OLTC的机械故障识别。通过S变换获得振动信号的模时频矩阵(module time-frequency matrixes,MTFM);对...为了及时准确地获得有载分接开关(on-load tap-changer,OLTC)的状态信息,将S变换和奇异值分解(singular value decomposition,SVD)引入OLTC的机械故障识别。通过S变换获得振动信号的模时频矩阵(module time-frequency matrixes,MTFM);对MTFM进行SVD,得到原始矩阵的左右奇异向量组和奇异值;针对前3阶奇异值,提取对应左右奇异向量的重心,得到不同振动模式的时域重心和频域重心;基于奇异值、左右奇异向量重心构成一个9维的特征向量,利用最小二乘支持向量机(least squares support vector machines,LS-SVM)实现OLTC故障的识别。测试结果表明所提出的方法简洁高效,并且能得到较高的OLTC故障识别准确率。展开更多
文摘绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 k V变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解提取重构空间的最优特征序列,结合信息熵得出绕组松动的特征量——奇异谱熵,并作为诊断模型的输入,利用粒子群算法对多分类支持向量机进行参数优化。并将其测试结果与BP和PNN神经网络的诊断效果进行对比。实验结果证明,该方法能有效地判断绕组是否发生松动并正确识别绕组松动相,验证了上述方法的可行性和准确性。
文摘为了及时准确地获得有载分接开关(on-load tap-changer,OLTC)的状态信息,将S变换和奇异值分解(singular value decomposition,SVD)引入OLTC的机械故障识别。通过S变换获得振动信号的模时频矩阵(module time-frequency matrixes,MTFM);对MTFM进行SVD,得到原始矩阵的左右奇异向量组和奇异值;针对前3阶奇异值,提取对应左右奇异向量的重心,得到不同振动模式的时域重心和频域重心;基于奇异值、左右奇异向量重心构成一个9维的特征向量,利用最小二乘支持向量机(least squares support vector machines,LS-SVM)实现OLTC故障的识别。测试结果表明所提出的方法简洁高效,并且能得到较高的OLTC故障识别准确率。
