2025, 42(1):72-78.
摘要:目的 变压器是电力系统中重要的设备,其发生故障时能够被有效地判别出故障类别,使得电力检修效率提升,这对电网的安全运行具有重要意义。 针对电网电力检修中出现的变压器故障判别精度不足这一问题,提出了基于自注意力机制与 1D-CNN 的变压器故障诊断方法。 常规卷积在处理 DGA 气体样本数据时容易损失特征信息,导致故障诊断的准确率偏低,论文将自注意力机制与 1D-CNN 结合,有效改善了上述问题,提高了变压器故障诊断的准确率和可靠性。 方法 为减少卷积网络提取到的特征提取信息在模型层间传播时造成的损失,论文在 1D-CNN 的基础上使用 LeakyReLU 函数替代原模型中的 ReLU 激活函数,相比于 ReLU 激活方式下很多神经元都没有被激活,LeakyReLU 可以降低模型的稀疏性,使得网络特征信息多样性增加。 自注意力机制可实现对变压器油中溶解气体数据的特征信息加权处理,实现了有效特征信息增强作用,采用动态衰减学习率策略对优化器进行优化。结果 所提的方法损失率可降低至 0. 078,相比于无动态衰减学习率和 ReLU 激活方式,损失率分别降低了 44. 7%和38. 6%;诊断准确率可达到 93. 79%,较 1D-CNN 和 GOA-BP 方法诊断准确率提高了 0. 36%和 2. 12%。 结论 算例仿真验证了所提方法的有效性和优越性,表明基于自注意力机制与 1D-CNN 的变压器故障诊断方法能有效提高诊断的准确率,降低模型的损失率。
2024, 41(6):65-71.
摘要:目的 针对变压器油中的 H2 、CH4 、C2 H6 、C2 H4 、C2 H2 气体的浓度存在耦合性问题及电力变压器故障诊断精度较低的问题,提出了利用堆栈稀疏自编码器( Stacked Sparse Autoencoder, SSAE) 和 XGBoost 模型结合的方法来提高电力变压器故障诊断的准确率。 方法 首先利用堆栈稀疏自编码器( Stacked Sparse Autoencoder, SSAE) 处理DGA 数据;其次确定自编码器堆栈个数,确定隐含层数目;然后利用 SSAE 对原始数据进行数据转换,提取深层次特征信息;接着为了消除数据之间数量级差异较大的问题,对提取后的特征数据归一化进行处理;最后将处理之后得到的数据再输入 XGBoost 模型之中进行分类验证。 结果 本文建立的基于堆栈稀疏自编码器与 XGBoost 的电力变压器故障诊断方法诊断准确率为 91. 11%,高于常用的其他机器学习模型。 结论 实验结果验证了方法的有效性,表明基于堆栈稀疏自编码器与 XGBoost 的电力变压器故障诊断方法能够有效提高故障诊断的准确率。
2013, 30(5):52-56.
摘要:目前,混合型有源电力滤波器已成为研究的热点。文章提出一种结构简单、实用性比较强的拓扑结构,分析了混合有源滤波器(HAPF)各部分器件参数选取的方法,并介绍开关管关断尖峰电压的抑制措施。实验仿真结果表明,这种混合有源滤波器较好的发挥了无源滤波器(PF)和有源滤波器(APF)的优点,并减小了系统的容量,具有良好的无功电流和谐波电流补偿效果。
2009(2):186-189.
摘要:摘要:通过对配电变压器损耗因素的理论分析,从变压器制造材料、铁心结构及制造工艺上技术的发展方面进行了阐述,就如何降低损耗进行了探索;提出了变压器经济运行方式,电压调整方式等具体节能措施,介绍了国内外对变压器节能运行制定的相应能效标准,为配电变压器节能生产和应用提供指导。