一种基于表面振动信号分析的变压器在线监测方法技术

本发明专利技术属于信号处理技术领域，尤其涉及一种基于表面振动信号分析的变压器在线监测方法，包括如下步骤：S1，根据变压器运行电压、负载电流、油温历史数据以及变压器表面振动历史数据训练广义回归神经网络；S2，应用所述广义回归神经网络，根据变压器实时运行数据计算变压器表面基频振动幅值；S3，根据振动基频振动幅值的计算值与实测值差异，判断变压器运行状态，实现变压器振动在线监测。本发明专利技术提供了一种可靠、准确的基于振动分析的监测方法。

【技术实现步骤摘要】
一种基于表面振动信号分析的变压器在线监测方法
本专利技术属于信号处理
，尤其涉及一种基于表面振动信号分析的变压器在线监测方法。
技术介绍
变压器是电力系统的关键设备之一，其运行状况对电网的安全、稳定运行具有重要作用。绕组和铁芯是变压器的重要部件且故障多发，对其还没有简单、有效的在线监测和故障诊断方法。变压器表面振动与内部机械结构关系密切，能够反映变压器绕组和铁芯运行状态，理论分析表明：表面振动信号的基频(变压器工频的两倍)幅值变化对于分析判断变压器运行状态和故障诊断具有重要意义。实际中由于变压器表面振动受变压器本身的结构、材料与生产工艺以及传递路径等诸多因素的影响，根据变压器表面振动分析变压器运行状态非常困难，目前尚没有可靠、准确的基于振动分析的监测方法。
技术实现思路
针对上述问题，本专利技术提出了一种基于表面振动信号分析的变压器在线监测方法，包括如下步骤：S1，根据变压器运行电压、负载电流、油温历史数据以及变压器表面振动历史数据训练广义回归神经网络；S2，应用所述广义回归神经网络，根据变压器实时运行数据计算变压器表面基频振动幅值；S3，根据振动基频振动幅值的计算值与实测值差异，判断变压器运行状态，实现变压器振动在线监测。优选的，所述步骤S1具体包括：S11，收集变压器历史运行工况数据和表面振动数据，经预处理后建立变压器正常运行条件下的历史数据集；S12，根据基于特征加权欧式距离的历史数据相似性分析，删除相似度高的冗余数据构成广义回归神经网络训练数据集；S13，依据广义回归神经网络训练数据集训练并保存广义回归神经网络，确定最佳光滑因子并保存最优网络结构；S14，计算基于最优网络结构的网络输出值和网络期望输出值的绝对百分比误差，取其最大值作为最优网络结构的最大误差，取其算术平均值作为最优网络结构的平均误差。优选的，所述步骤S12具体包括：S121，根据历史运行数据集，分析运行电压、负载电流以及变压器油温对振动基频幅值的影响，计算用于表征不同运行数据对振动基频幅值影响程度的特征熵值；S122，对特征熵值给以不同的特征权重；S123，基于所述特征权重计算历史运行数据的特征加权欧式距离；S124，删除相似度高的冗余数据，构成广义回归神经网络训练数据集。优选的，所述步骤S13具体包括：S131，将训练数据集随机均分为5个子集，依次选取其中一个子集作为验证集、其余4个子集作为本次网络训练的训练集进行一次网络训练，依此方法进行5次训练；S132，选取不同的光滑因子，训练网络并计算网络输出值和网络期望输出值的均方差；S133，训练结束后，从每次训练结果中选取均方差值最小时对应的光滑因子作为最优光滑因子，并保存其对应的最优网络结构。优选的，所述步骤S2具体包括：S21，采集变压器运行电压、负载电流、变压器油温以及振动基频幅值实时数据，并进行预处理，得到变压器实时数据；S22，以变压器实时运行数据作为最优网络结构的输入，网络输出为振动基频幅值的计算值，计算振动基频幅值的计算值和实时振动基频幅值实测值的绝对百分比误差；S23，根据振动基频幅值的计算值和实时振动基频幅值实测值的绝对百分比误差计算结果判定变压器运行状态。优选的，所述步骤S23中变压器运行状态包括：正常、注意、告警和故障四种状态。本专利技术的有益效果在于：本专利技术涉及一种基于表面振动信号分析的变压器在线监测方法。首先根据变压器运行电压、负载电流、油温历史数据以及变压器表面振动历史数据训练广义回归神经网络，然后应用广义回归神经网络，根据变压器实时运行数据计算变压器表面基频振动幅值，最后根据振动基频幅值计算值与实测值差异，分析判断变压器运行状态，实现变压器振动在线监测。本专利技术提供了一种可靠、准确的基于振动分析的监测方法。附图说明图1是加速度传感器安装位置图；图2是变压器运行状态实时评价框架流程图；图3是离线部分流程图；图4是在线部分流程图。具体实施方式下面结合附图，对实施例作详细说明。本专利技术提出的一种基于表面振动分析的变压器在线监测方法包括基于历史数据的GRNN训练(离线部分)和变压器在线振动监测(在线部分)两个部分，如图2所示。基于历史数据的GRNN训练的基本过程是：收集变压器历史运行工况数据和表面振动数据，经预处理后建立变压器正常运行条件下的历史数据集；然后根据基于特征加权欧式距离的历史数据相似性分析，删除相似度高的冗余数据构成GRNN训练数据集；最后依据GRNN训练数据集训练并保存GRNN。变压器在线振动监测的基本过程是：采集、处理变压器实时运行工况数据和表面振动数据，根据变压器运行工况数据应用GRNN计算其表面振动基频幅值；然后根据变压器表面振动基频幅值计算值和实测值的差异大小，分析判断变压器运行状态。本专利技术中的第一部分基于历史数据的GRNN训练，如图3所示，包括以下步骤和内容：a：历史数据采集和预处理。整理变压器运行工况和表面振动信号历史数据，将同一时刻变压器高压(或低压)A相(或B相,或C相)的运行电压、负载电流、油温和变压器表面对应位置振动信号基频幅值数据作为一条历史运行记录，记录间隔设置为5分钟，振动传感器安装位置如图1所示，去除历史运行记录中任一项取值为零的异常数据，对其进行归一化处理后，构成历史数据集(记为A)。历史数据集包括历史运行数据(记为X＝[x1,x2,…,xN]T)和历史振动数据(记为Y＝[y1,y2,…,yN]T)两部分，即A＝[X,Y]。其中xi＝[xi1,xi2,xi3]，xi1为运行电压、xi2为负载电流、xi3为变压器油温，yi为相应时刻的振动基频幅值，i＝1,2,…,N，N为历史数据集记录总数。所述归一化处理方法如下：式中：ωnorm为归一化值；ω为原始数据值；ωmax、ωmin分别为原始数据值的最大值和最小值。b：生成训练数据集。根据熵理论，分析历史运行数据对振动基频幅值的影响大小，确定特征加权欧氏距离中的权重值。通过计算加权欧氏距离分析历史运行数据的相似度，根据相似度分析结果，同时考虑基频幅值差异大小，删除历史数据集A中相似度过高的冗余数据，形成训练数据集,记为T，即T＝[XT,YT]。其中，xi1、xi2、xi3是变压器运行数据，xi1为运行电压、xi2为负载电流、xi3为变压器油温，yi为相应时刻的振动基频幅值，i＝1,2,…,n，n为训练数据集记录总数。生成训练数据集的具体步骤如下：1)根据历史运行数据集A，分析运行电压、负载电流以及变压器油温对振动基频幅值的影响，计算特征熵值Hj用于表征不同运行数据对振动基频幅值的影响程度，其计算方式如下：其中，i＝1,2,…,N，N为历史数据集A中记录总数；j＝1,2,3。2)特征熵值越大，不确定程度越大，表明相应运行数据对振动基频幅值的影响越小，应给以较小的特征权重，则特征权重wj的计算式如下：其中，wj>0，Hj为特征熵值。3)历史运行数据X中两条运行数据的特征加权欧式距离的计算方法如下：其中，a,b∈[1,N]且a≠b；wj为特征权重。4)特征加权欧式距离越小，表明运行数据的相似度越高。运行数据相似度高且振动基频幅值差异百分比ε较小的历史运行记录存在冗余，删除A中冗余数据，使得剩余数据两两记录间满足①d≥0.05或②d<0.05且ε>10％，将满足条本文档来自技高网...

【技术保护点】
一种基于表面振动信号分析的变压器在线监测方法，其特征在于，包括如下步骤：S1，根据变压器运行电压、负载电流、油温历史数据以及变压器表面振动历史数据训练广义回归神经网络；S2，应用所述广义回归神经网络，根据变压器实时运行数据计算变压器表面基频振动幅值；S3，根据变压器表面基频振动幅值的计算值与实测值差异，判断变压器运行状态，实现变压器振动在线监测。

【技术特征摘要】
1.一种基于表面振动信号分析的变压器在线监测方法，其特征在于，包括如下步骤：S1，根据变压器运行电压、负载电流、油温历史数据以及变压器表面振动历史数据训练广义回归神经网络；S2，应用所述广义回归神经网络，根据变压器实时运行数据计算变压器表面基频振动幅值；S3，根据变压器表面基频振动幅值的计算值与实测值差异，判断变压器运行状态，实现变压器振动在线监测。2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括：S11，收集变压器历史运行工况数据和表面振动数据，经预处理后建立变压器正常运行条件下的历史数据集；S12，根据基于特征加权欧式距离的历史数据相似性分析，删除相似度高的冗余数据构成广义回归神经网络训练数据集；S13，依据广义回归神经网络训练数据集训练并保存广义回归神经网络，确定最佳光滑因子并保存最优网络结构；S14，计算基于最优网络结构的网络输出值和网络期望输出值的绝对百分比误差，取其最大值作为最优网络结构的最大误差，取其算术平均值作为最优网络结构的平均误差。3.根据权利要求2所述的方法，其特征在于，所述步骤S12具体包括：S121，根据历史运行数据集，分析运行电压、负载电流以及变压器油温对振动基频幅值的影响，计算用于表征不同运行数据对振动基频幅值影响程度的特征熵值；S122，...

【专利技术属性】
技术研发人员：孙娜，李中，张卫华，宋天慧，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北,13