[1]王子伟,徐天乐,郑智燊,等.基于 SVMD 和 EVO-PNN 模型的变压器绕组故障诊断[J].机械与电子,2025,(10):26-33.
　WANG Ziwei,XU Tianle,ZHENG Zhishen,et al.Transformer Winding Fault Diagnosis Based on Successive Variational Mode Decomposition and IEVO-PNN Model[J].Machinery & Electronics,2025,(10):26-33.
点击复制

基于 SVMD 和 EVO-PNN 模型的变压器绕组故障诊断()
分享到：

《机械与电子》[ISSN:1001-2257/CN:52-1052/TH]

卷:
期数:
2025年10期
页码:
26-33
栏目:
研究与设计
出版日期:
2025-10-25

文章信息/Info

Title:
Transformer Winding Fault Diagnosis Based on Successive Variational Mode Decomposition and IEVO-PNN Model
文章编号:
1001-2257 ( 2025 ) 10-0026-08
作者:
王子伟 1 ; 徐天乐 2 ; 郑智燊 1 ; 何信林 3 ; 岳健国 2 ; 柳宏斌 1
1. 华能澜沧江水电股份有限公司,云南 昆明 650214 ;?
2. 南京南瑞继保电气有限公司,江苏 南京 211102 ;
3. 西安热工研究院有限公司,陕西 西安 710043
Author(s):
WANG Ziwei1 ;  XU Tianle2 ;  ZHENG Zhishen1 ;  HE Xinlin3 ;  YUE Jianguo2 ;  LIU Hongbin1
( 1.Huaneng Lancang River Hydropower Co. , Ltd. , Kunming 650214 , China ;
2.Nanjing NR Electric Co. , Ltd. , Nanjing 211102 , China ;3.Xi ’ an Thermal Power Research Institute Co. , Ltd. , Xi ’ an 710043 , China )
关键词:
变压器绕组; 逐次变分模态分解; 能量谷优化算法; 概率神经网络; 故障诊断
Keywords:
transformer winding ;  successive variational mode decomposition ;  energy valley optimization algorithm ;  probabilistic neural network ;  fault diagnosis
分类号:
TM41
文献标志码:
A
摘要:
针对电力变压器绕组不同微弱故障难以被准确识别的问题,提出一种基于逐次变分模态分解( SVMD )和能量谷优化算法优化概率神经网络( EVO PNN )相结合的变压器绕组故障诊断方法。首先,利用 SVMD 实现变压器原始振动信号的初步特征量提取,并通过相关系数法选取高关联度的模态分量,计算所选模态分量多尺度模糊熵值,构建变压器绕组不同状态特征数据集;其次,提出了 EVO 算法优化 PNN 平滑因子的诊断算法,建立了基于 SVMD 和 EVO-PNN 的变压器绕组故障诊断模型;最后,以 S13-M-500 / 10 变压器为实验对象,分别采用PNN 、 BA-PNN 、 GOA-KELM 、 WOA-SVM 和所提方法对绕组不同故障类型进行诊断识别。实验结果表明,所提诊断模型具有较高的诊断准确率,整体识别准确率达到了 99.3% 。
Abstract:
A transformer winding fault diagnosis method based on the combination of successful variational mode decomposition ( SVMD ) and energy valley optimization algorithm optimized probabilistic neural network ( EVO-PNN ) is proposed to address the problem of difficulty in accurately identifying different weak faults in power transformer windings.Firstly , SVMD is used to extract preliminary feature quantities of the original vibration signal of the transformer , and high correlation modal components are selected through the correlation coefficient method.The multi-scale fuzzy entropy values of the selected modal components are calculated to construct a dataset of different state feature data of the transformer winding ; secondly , a method for optimizing the smoothing factor of PNN using EVO diagnosisalgorithm is proposed , and a transformer winding fault diagnosis model based on SVMD and EVO-PNN is established ; finally , using a S13-M-500 / 10 transformeras the experimental object , PNN , BA-PNN , GOA-KELM , WOA-SVM , and the proposed method are used to diagnose and identify different types of winding faults. The experimental results show that the proposed diagnostic model has a high diagnostic accuracy , with an overall recognition accuracy of 99.3%.

参考文献/References:

[ 1 ] 贾云飞,汲胜昌,李金忠,等 . 变压器油中工频电弧特性及变压器防爆研究综述[ J ] . 中国电机工程学报, 2024 ,44 ( 7 ): 2910-2927.

[ 2 ] 陈志伟,何云翔,黄胜鑫,等 . 基于响应面法的变压器绕组电磁力高效计算[ J ] . 中国电机工程学报,2024 , 44( 16 ): 6685-6697.
[ 3 ] 国家能源局 .2023 年全国电力可靠性年度报告[ R ] . 北京:国家能源局,2024.
[ 4 ] 薛健侗,马宏忠 . 基于 VMD 和 WOA SVM 的变压器绕组松动故障诊断[ J ] . 电机与控制应用, 2023 , 50 ( 8 ):84-90.
[ 5 ] 刘建锋,刘梦琪,董倩雯,等 . 基于改进 VMD 去噪和优化 ELM 方法的变压器早期故障诊断[ J ] . 电力科学与技术学报,2023 , 38 ( 6 ): 55-66.
[ 6 ] 钱国超,胡锦,代维菊,等 . 基于振动非线性特征的变压器绕组状态检测 [ J ] . 电力工程技术,2024 , 43 ( 6 ):194-202.
[ 7 ] 翟春雨,吴书煜,李颖斌,等 . 基于小波能量占比与时序预测的换流变压器机械状态智能诊断技术[ J ] . 高压电器,2024 , 60 ( 11 ): 68-76 , 85.
[ 8 ] 边杰,陈亚农,梅庆,等 .PSO-VMD 结合 Teager 包络谱的滚动轴承故障诊断方法[ J ] . 湖南科技大学学报(自然科学版),2024 , 39 ( 1 ): 53-59.
[ 9 ] 候双珊,郑近德,潘海洋,等 . 基于复合多尺度交叉模糊熵的行星齿轮箱故障诊断[ J ] . 振动与冲击,2023 , 42( 20 ): 130-135 , 171.
[ 10 ] AZIZI M , AICKELIN U , KHORSHIDI H A , et al. Energy valley optimizer : a novel metaheuristic algorithm for global and engineering optimization [ J ] .Scientific reports , 2023 , 13 : 226.
[ 11 ] 桂芳,李健,刘磊 . 基于 IRCMMRDE 和 HHO-PNN 的轴承损伤辨识模型[ J ] . 机电工程, 2025 , 42 ( 1 ): 62-71.
[ 12 ] 曹海欧,吴迪,薛飞,等 . 基于改进 BA-PNN 的智能变电站二次设备故障定位方法[ J ] . 智慧电力, 2024 ,52 ( 4 ): 32-39.
[ 13 ] 龙霞飞,杨苹,郭红霞,等 . 基于 KELM 和多传感器信息融合的风电齿轮箱故障诊断[ J ] . 电力系统自动化,2019 , 43 ( 17 ): 132-139.
[ 14 ] 杨义,李晓华,李俊聪,等 . 基于 SSWT-GLCM 与改进 WOA-SVM 的变压器机械故障时频诊断[ J ] . 振动、测试与诊断,2024 , 44 ( 6 ): 1135-1143 , 1247.

备注/Memo

备注/Memo:
收稿日期: 2025-03-11
基金项目:中国华能集团有限公司科技项目( HNKJ22-H88 )
作者简介:王子伟 ( 1967- ),男,云南丽江人,正高级工程师,研究方向为电力生产管理、二次系统控制;岳健国 ( 1999- ),男,安徽阜阳人,工程师,研究方向为发变组继电保护、发电机组振动分析处理,通信作者, E-mail : yuejg@nrec.com 。
更新日期/Last Update: 2025-11-12