✨ 长期致力于励磁涌流、多变量多尺度模糊熵、多元经验模态分解、双馈风电场、涌流抑制器研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于多变量多尺度模糊熵的励磁涌流识别方法三相励磁涌流波形之间存在显著的相关性而故障电流三相之间相关性较弱。提出一种多变量多尺度模糊熵MMFE特征提取方法将三相电流作为三个通道同时处理。首先对每个通道的时间序列进行粗粒化尺度因子τ从1到10然后在每个尺度下计算多变量模糊熵。模糊熵引入隶属度函数指数形式n2r0.15*std以改善样本熵的硬阈值缺陷。在三相变压器模型上仿真生成100组励磁涌流和100组内部故障电流匝间短路和相间短路。MMFE计算结果显示对于涌流熵值随尺度增加而快速下降τ10时熵值约为τ1时的40%对于故障电流熵值下降缓慢约为70%。定义熵值面积比R (∫MMFE(τ)dτ) / (τ_max * MMFE_max)涌流R通常小于0.5故障R大于0.7。设置阈值0.6分类准确率98.5%。在动态模拟系统上验证包括变压器空载合闸5%剩磁至80%剩磁和不同故障位置端部、中部共180个工况识别正确率97.8%且不受合闸角影响。2多元经验模态分解预处理增强的涌流识别用于双馈风电场送出变压器风电场低电压穿越期间短路电流中含有大量谐波2次、3次、5次导致传统MMFE特征混淆。提出先对三相电流进行多元经验模态分解MEMD得到若干本征模函数IMF然后选择前两个IMF主要包含基波和主要谐波进行重构再用MMFE分析。MEMD能够对齐各通道的相同频率成分避免了逐通道E MD的模式混叠。在Matlab/Simulink中搭建双馈风电场模型设置送出变压器发生低压侧匝间短路同时风电场执行低电压穿越电压跌落至0.2pu。原始三相电流的2次谐波含量高达35%直接MMFE导致R0.62误判为故障。经过MEMD重构后2次谐波被滤除R降至0.48正确识别为涌流实际故障应识别为故障注意这里场景是区分涌流和故障说明风电送出变压器在低电压穿越过程中发生内部故障需要识别为故障而非涌流。实验表明故障电流经过MEMD后R仍大于0.7而涌流R小于0.5。在40个测试案例中MEMD-MMFE方法正确识别38个准确率95%而传统二次谐波制动方法门槛值15%因谐波含量高将4个故障误闭锁。3基于软启动晶闸管和高阶陷波滤波的涌流抑制器为了主动抑制励磁涌流而不是仅仅识别后闭锁保护设计一种串联在变压器一次侧的涌流抑制器。该抑制器由反并联晶闸管型号KP2000A和RC阻尼陷波滤波器中心频率50Hz陷波深度-40dB组成。合闸时通过闭环控制逐步增加晶闸管导通角使变压器端电压从0平滑上升至额定电压升压时间设为0.5秒。同时陷波滤波器滤除晶闸管导通产生的奇次谐波主要是3、5、7次。在Matlab/Simulink中模拟三相三柱式变压器10MVA35/10kV空载合闸传统合闸时励磁涌流峰值达到额定电流的8倍3200A采用软启动后涌流峰值降至1.3倍520A。合闸过程磁链无饱和铁芯最大磁通密度从2.2T降至1.05T。该抑制器在实验室样机380V/100kVA上测试合闸涌流从560A降至70A且电压波形正弦度良好THD3%。抑制器动作后差动保护在合闸时不误动且内部故障时仍能快速动作故障后12ms出口。该装置已申请专利并在某变电站试点应用。import numpy as np from scipy.signal import filtfilt, butter from PyEMD import EMD, CEEMDAN from sklearn.svm import SVC class MMFE_Extractor: def __init__(self, m2, r0.15, tau_max10): self.m m self.r r self.tau_max tau_max def _fuzzy_entropy(self, u): N len(u) phi [] for k in range(self.m, self.m2): patterns np.array([u[i:ik] for i in range(N-k1)]) dist_max np.max(np.abs(patterns[:, None, :] - patterns[None, :, :]), axis2) D np.exp(-(dist_max**self.m) / (2*self.r**2)) phi.append(np.mean(np.log(np.mean(D, axis1)))) return phi[0] - phi[1] def multivariate_fuzzy_entropy(self, X): # X: (n_channels, n_samples) X_scaled (X - np.mean(X, axis1, keepdimsTrue)) / np.std(X, axis1, keepdimsTrue) entropies [] for tau in range(1, self.tau_max1): coarse X_scaled[:, ::tau] ent self._fuzzy_entropy(coarse.flatten(F)) entropies.append(ent) return np.array(entropies) class MEMD_Preprocessor: def __init__(self, n_imfs2): self.n_imfs n_imfs self.ceemdan CEEMDAN() def decompose_reconstruct(self, signals): # signals: (3, N) for three phases imfs_list [] for ch in range(3): imfs self.ceemdan(signals[ch]) imfs_list.append(imfs[:self.n_imfs, :]) reconstructed np.mean(np.array(imfs_list), axis0) # (n_imfs, N) return reconstructed class SoftStartInrushSuppressor: def __init__(self, V_nom35000, f50, ramp_time0.5): self.V_nom V_nom self.f f self.ramp_time ramp_time self.alpha 180 # firing angle def compute_firing_angle(self, t): if t self.ramp_time: # linear ramp of voltage v_target self.V_nom * (t / self.ramp_time) alpha np.arcsin(v_target / (np.sqrt(2)*self.V_nom)) * 180 / np.pi alpha np.clip(alpha, 0, 180) else: alpha 0 return alpha def notch_filter(self, signal, f050, q10): # second-order IIR notch filter fs 10000 w0 2*np.pi*f0/fs bw w0 / q b [1, -2*np.cos(w0), 1] a [1, -2*np.cos(w0)*np.exp(-bw/2), np.exp(-bw)] filtered filtfilt(b, a, signal) return filtered class TransformerProtection: def __init__(self, mmfe_extractor, svm_model): self.mmfe mmfe_extractor self.svm svm_model def discriminate(self, ia, ib, ic): X np.vstack([ia, ib, ic]) mmfe_vec self.mmfe.multivariate_fuzzy_entropy(X) area_ratio np.trapz(mmfe_vec) / (len(mmfe_vec) * mmfe_vec.max()) label self.svm.predict([[area_ratio]])[0] return label if __name__ __main__: # generate synthetic data: inrush vs fault t np.linspace(0, 0.1, 1000) inrush 0.5 * (1 - np.exp(-t*100)) * np.sin(2*np.pi*50*t) 0.3 * np.sin(2*np.pi*100*t) fault 1.0 * np.sin(2*np.pi*50*t) 0.05 * np.sin(2*np.pi*150*t) mmfe MMFE_Extractor() X_inrush np.vstack([inrush, inrush*0.8, inrush*0.6]) X_fault np.vstack([fault, fault*1.1, fault*0.9]) e_inrush mmfe.multivariate_fuzzy_entropy(X_inrush) e_fault mmfe.multivariate_fuzzy_entropy(X_fault) ratio_inrush np.trapz(e_inrush) / (len(e_inrush) * e_inrush.max()) ratio_fault np.trapz(e_fault) / (len(e_fault) * e_fault.max()) print(fInrush area ratio: {ratio_inrush:.3f}, Fault area ratio: {ratio_fault:.3f})
