一种基于小波神经网络预测的变压器机械故障检测方法

    公开(公告)号:CN113203471B

    公开(公告)日:2022-08-02

    申请号:CN202110497726.0

    申请日:2021-05-07

    摘要: 本发明涉及一种基于小波神经网络预测的变压器机械故障检测方法,属于电力设备检测技术领域;采用的技术方案为:采集振动信号,得到振动信号后,使用互信息法计算振动信号的时间延迟T;使用Cao方法计算振动信号的最小嵌入维数m;根据振动信号的时间延迟T和最小嵌入维数m对变压器振动信号进行相空间重构;利用重构后的相空间结合小波神经网络预测方法对待测变压器振动信号进行预测,得到预测信号vf;通过对比预测振动信号vf与正常状态振动信号vp计算得到变压器未来时间区间内的月度偏差系数Dy;观察预测振动信号月度偏差系数的变化趋势,当偏差系数过大时制定针对性的检测计划,提前排除故障;本发明用于变压器故障的在线预测。

    一种基于振动信号复合特征向量的变压器机械故障检测方法

    公开(公告)号:CN113191437A

    公开(公告)日:2021-07-30

    申请号:CN202110496964.X

    申请日:2021-05-07

    IPC分类号: G06K9/62 G01H11/08 G01P15/09

    摘要: 本发明属于电力设备检测技术领域,具体涉及一种基于振动信号的变压器机械故障在线检测方法;采用的技术方案为:布置传感器采集变压器振动信号传输至数据采集仪;从变压器振动信号中提取出七类振动信号波形特征量;对变压器振动信号进行分解,取前七组IMF分量作为振动信号能量特征量;组成十四维的复合特征向量,利用主成分分析法将其降维成两维主成分特征向量;提取已知状态下主成分特征向量作为样本,过DBN网络两阶段的训练得到特征向量与变压器机械状态之间的对应关系;将目标变压器的2维主成分特征向量输入训练好的DBN网络得到该变压器的机械状态;本发明主要用于变压器机械故障在线检测。