论文部分内容阅读
电力变压器是电力系统的核心枢纽能量转换设备,电力变压器的故障往往伴随着大规模停电等严重后果,因而电力变压器的安全稳定运行对于电力系统的可靠性至关重要。传统的变压器绕组故障检测方法或需要变压器退出运行,或对于潜伏性故障的检测具有滞后性,难以在潜伏性故障发生的早期发现故障。针对这些不足,本文提出一种基于振动频谱分析的电力变压器绕组故障诊断方法,以期实现电力变压器绕组早期潜伏性故障的精确诊断。为此,本文将变分模态分解引入到电力变压器绕组的故障诊断中,详细研究论述了基于变分模态分解能量熵的变压器油箱表面振动非平稳信号的检测和故障特征的提取,并建立了基于帕瑞托粒子群算法优化的支持向量机故障诊断模型。实现电力变压器绕组故障的智能诊断。针对以往电力变压器振动频谱分析振动机理分析不透彻的问题,本文介绍了电力变压器的基本结构和四个核心振源,以及多个振源的振动信号如何经不同传递途径复杂耦合卷积后最终到达变压器油箱表面,详细分析了变压器的两个核心振源铁芯和绕组的振动机理。并给出绕组和铁芯振动加速度的量化表达式。考虑到变压器油箱表面所获取的变压器振动加速度信号具有非线性非平稳的特点,引入变分模态分解(VMD)理论,通过仿真分析表明,VMD分解在针对间断信号、频率相近信号、脉冲信号时比EMD有明显的优越性,有效避免了两类模态混叠和过分解现象,准确反映源信号特征。针对VMD模型参数难以确定的问题,使用型波法对VMD的两个核心参数进行了确定。使用VMD能量熵对变压器绕组的健康状态作出初步评估,并给出具体判据,且VMD能量熵不受负载电流大小的影响,具有很强的稳定性。而后,针对VMD能量熵无法准确定性故障类型的问题,构建VMD-SVM联合故障诊断模型,实现对绕组垫块脱落、绕组径向拉伸、绕组扭转三种故障的准确诊断。针对支持向量机的两个核心参数难以确定的问题,使用帕瑞托粒子群方法对支持向量机的两个核心参数进行多目标并行寻优获取最优参数。最后使用变压器实例故障数据对VMD-SVM故障诊断模型进行测试,为了进行对比,将信号分解处理方法替换为EMD获取振动特征向量,构建EMD-SVM诊断模型;又将支持向量机的参数优化算法替换为遗传算法,构建GA-SVM诊断模型,使用变压器实际故障和正常数据对这三种模型进行测试,实例测试结果表明,本文所提出的VMD-SVM的诊断正确率最高,诊断正确率达到98.75%。实现了电力变压器绕组潜伏性故障的精确诊断。