一种变压器绕组变形位置的在线诊断方法技术

本发明专利技术公开了一种变压器绕组变形位置的在线诊断方法，包括：(1)收集已知绕组状态的变压器，分为若干个位置子样本；(2)利用信息熵对各位置子样本进行特征提取，加上是否变形的标签后输入到支持向量机中训练诊断模型；(3)将待诊断变压器采用步骤(1)的方法分为若干个位置子样本后，采用步骤(2)的特征提取方法，输入到步骤(2)训练好的诊断模型中；(4)输出支持向量机对待诊断变压器各位置子样本是否变形的诊断结果。本发明专利技术可以综合变压器的各监测指标在复杂度、时频域等方面的变异情况，并通过机器学习算法从故障特征中自动学习诊断逻辑，实现绕组变形的智能诊断，从而降低人力成本，提高诊断效率。

An On-line Diagnosis Method for Transformer Winding Deformation Position

The invention discloses an on-line diagnosis method for transformer winding deformation location, which includes: (1) collecting transformers with known winding status and dividing them into several position sub-samples; (2) extracting features from each position sub-samples by using information entropy, adding deformed labels to train diagnosis model in support vector machine; (3) dividing the transformer to be diagnosed by step (1) method. After several location sub-samples are selected, the feature extraction method of step (2) is used to input the trained diagnosis model into step (2); (4) the diagnosis results of transformer location sub-samples are treated by output support vector machine. The invention can synthesize the variation of various monitoring indicators of transformer in the aspects of complexity, time and frequency domain, and automatically learn diagnostic logic from fault features by machine learning algorithm, so as to realize intelligent diagnosis of winding deformation, thereby reducing human cost and improving diagnostic efficiency.

【技术实现步骤摘要】
一种变压器绕组变形位置的在线诊断方法
本专利技术涉及故障诊断领域，具体涉及一种变压器绕组变形位置的在线诊断方法。
技术介绍
变压器是电力系统的主要设备之一，承担着电网互联和功率交换的枢纽作用。当变压器受到短路冲击后或者运输碰撞等因素后，变压器绕组在电动力或机械力作用下可能发生轴向或径向尺寸变化，通常表现为绕组局部扭曲、鼓包或移位等特征，称为绕组变形。严重的绕组变形将导致绝缘击穿，造成电力系统事故和巨大的经济社会损失。变压器绕组变形问题的难点在于绕组变形具有隐蔽性、渐变性等特征，绕组内部的形状变化不能直接被观测到，且变形的变压器可能会在相当长一段时间内继续运行，与之前的运行状态看起来并无不同，实则处于较危险的“亚健康”状态，长时间未得到维修将变形加剧，导致抗短路能力不断下降，直至彻底损坏。变压器数量众多、分布分散，进一步增大了绕组变形诊断试验的工作难度。因此，需要对绕组变形问题进行深入研究，建立高准确率和高效率的绕组变形诊断方法，以便及时对发生变形的变压器维修更换，保障电力系统的安全稳定运行。目前，绕组变形常用的诊断方法包括三种方法：频率响应法、低电压短路阻抗测试法以及绕组介损电容量测试法。用频率响应分析法判断变压器绕组变形，主要是对绕组的幅频响应特性进行纵向或横向比较，并综合考虑变压器遭受短路冲击的情况、变压器结构、电气试验及油中溶解气体分析等因素。低电压短路阻抗测试法是指在不高于500V的交流工频电压下，用短路阻抗、短路电抗和漏电感的相对变化和三相不对称程度作为判断绕组是否变形的依据。绕组介损电容量测试法是指通过介损和电容量的变化来判断变压器内部变形的情况。因为变压器产品出厂后，其各绕组的电容量基本是固定的，若受短路冲击后某侧绕组变形严重，其相对距离发生显著变化，则其电容量变化相应也较大。上述方法的应用非常广泛，但共同的局限在于都需要停电测试，都属于离线诊断方法，存在需要变压器停运且对操作人员专业技能要求高等缺点。在线诊断方法是指利用设备在线监测数据诊断绕组变形的方法，主要有两条实现途径。第一条路径是在三种离线诊断方法基础上进行改进建立的在线诊断方法。然而在线诊断相比离线诊断而言，在线时电流、电压等数值大小会受到电网外界多方面的影响，相关监测指标的变化并不一定能准确反映绕组是否变形。以电流偏差系数法为例，该在线诊断方法的原理是通过电流和电容的相关关系来判断绕组变形，但变压器带电时电流值大小除了受电容影响外，还会受到电网负荷的影响，因此电流值大小的变化不一定是电容的变化引起的，直接采用电流值大小作为依据并不能准确地判断绕组变形，需要挖掘出监测数据的隐含特征。第二条路径是用不同的高技术设备对绕组内部结构进行直接观测，判断是否发生变形。由于新技术和新设备的应用成本高，这些方法也未能投入实际生产。在线诊断方法的另一条可行途径是利用信号处理技术如小波变换、傅里叶变换等直接分析可测信号，提取幅值、方差、信息熵等特征值，再与分类器结合检测故障类型。基于信号的故障诊断方法不依赖精确的系统模型，也不依赖于专家知识，因此不需要任何与故障相关的先验知识，使得该方法的应用场景更加广泛。信息熵是一种基于复杂性量度的非线性动力学参数。信息熵中的排列熵(PermutationEntropy)和小波熵(WaveletEntropy)在电力系统故障诊断中已有一些应用基础。变压器绕组松动或变形本质上会影响到变压器绕组的机械动力学特性的变化，因此绕组变形可能会引起监测序列信息熵的变化。公开号为CN107037314A的专利说明书公开了一种电力变压器绕组变形故障在线诊断方法，采用振动信号采集设备采集电力变压器低压侧油箱表面的两个位置处的三相机械振动信号：采用盲源分离算法对采集的电力变压器的两个位置处的三相机械振动信号进行信源分离，得到电力变压器绕组的三相机械振动信号；采用小波包分解法对电力变压器绕组的三相机械振动信号进行三层小波包分解重构，得到电力变压器绕组的机械振动信号的频谱，计算得到电力变压器绕组机械振动信号的能量熵值；根据得到的电力变压器绕组机械振动信号的能量熵值与能量熵上限阈值和能量熵下限阈值的关系判断当前电力变压器绕组的状态。上述方法可以判断当前电力变压器绕组是否变形故障，但是无法准确确定绕组变形位置。
技术实现思路
针对本领域存在的不足之处，本专利技术提供了一种变压器绕组变形位置的在线诊断方法，利用排列熵和小波熵对在线监测的电流和电压信号进行特征提取，可以综合变压器的各监测指标在复杂度、时频域等方面的变异情况，并通过机器学习算法从故障特征中自动学习诊断逻辑，实现绕组变形的智能诊断，从而降低人力成本，提高诊断效率。一种变压器绕组变形位置的在线诊断方法，包括：(1)将已知绕组状态的变压器各绕组的各相电流、电压、电流差和电压差作为在线监测指标，将所述的在线监测指标根据位置分组为若干个位置子样本；(2)将所述的在线监测指标记录的在线监测数据按时间分为两段序列并进行归一化处理，得到两段无量纲在线监测数据序列；(3)分别计算两段无量纲在线监测数据序列的排列熵、小波熵和算术平均数，分别计算得到的排列熵、小波熵和算术平均数的均方根误差；(4)将步骤(3)得到的三个均方根误差和对应的位置子样本的累计短路电流作为特征构成四维特征集，所述的累计短路电流为位置子样本对应的位置上累计遭受的短路电流之和；(5)将所述的四维特征集加上标签后输入到支持向量机(SVM)中进行诊断模型训练，所述的标签用于显示位置子样本对应的位置的绕组变形情况；(6)采用步骤(1)～(4)对待诊断变压器进行特征提取得到四维特征集，将得到的四维特征集输入到步骤(5)训练好的诊断模型中，诊断各位置子样本对应的位置是否存在绕组变形。步骤(1)中，所述的已知绕组状态的变压器可以是110kV或220kV。220kV变压器有三相三绕组，三相分别为A相、B相和C相，三绕组分别为220kV高压、110kV中压和35kV低压。110kV变压器有三相三绕组，三相分别为A相、B相和C相，三绕组分别为110kV高压、35kV中压和10kV低压。优选地，所述的位置子样本为9个，分别为高压A相、高压B相、高压C相、中压A相、中压B相、中压C相、低压A相、低压B相和低压C相。优选地，所述的高压A相的在线监测指标为高压A相电流、高压A相电压、高压A/B相电流差和高压A/B相电压差；高压B相的在线监测指标为高压B相电流、高压B相电压、高压A/B相电流差和高压A/B相电压差；高压C相的在线监测指标为高压B相电流、高压B相电压、高压B/C相电流差和高压B/C相电压差；中压A相的在线监测指标为中压A相电流、中压A相电压、中压A/B相电流差和中压A/B相电压差；中压B相的在线监测指标为中压B相电流、中压B相电压、中压A/B相电流差和中压A/B相电压差；中压C相的在线监测指标为中压B相电流、中压B相电压、中压B/C相电流差和中压B/C相电压差；低压A相的在线监测指标为低压A相电流、低压A相电压、低压A/B相电流差和低压A/B相电压差；低压B相的在线监测指标为低压B相电流、低压B相电压、低压A/B相电流差和低压A/B相电压差；低压C相的在线监测指标为低压B相电流、低压B相电压、低压B/C相电流差和低压B/C相电压差。步骤(本文档来自技高网...

【技术保护点】
1.一种变压器绕组变形位置的在线诊断方法，包括：(1)将已知绕组状态的变压器各绕组的各相电流、电压、电流差和电压差作为在线监测指标，将所述的在线监测指标根据位置分组为若干个位置子样本；(2)将所述的在线监测指标记录的在线监测数据按时间分为两段序列并进行归一化处理，得到两段无量纲在线监测数据序列；(3)分别计算两段无量纲在线监测数据序列的排列熵、小波熵和算术平均数，分别计算得到的排列熵、小波熵和算术平均数的均方根误差；(4)将步骤(3)得到的三个均方根误差和对应的位置子样本的累计短路电流作为特征构成四维特征集，所述的累计短路电流为位置子样本对应的位置上累计遭受的短路电流之和；(5)将所述的四维特征集加上标签后输入到支持向量机中进行诊断模型训练，所述的标签用于显示位置子样本对应的位置的绕组变形情况；(6)采用步骤(1)～(4)对待诊断变压器进行特征提取得到四维特征集，将得到的四维特征集输入到步骤(5)训练好的诊断模型中，诊断各位置子样本对应的位置是否存在绕组变形。

【技术特征摘要】
1.一种变压器绕组变形位置的在线诊断方法，包括：(1)将已知绕组状态的变压器各绕组的各相电流、电压、电流差和电压差作为在线监测指标，将所述的在线监测指标根据位置分组为若干个位置子样本；(2)将所述的在线监测指标记录的在线监测数据按时间分为两段序列并进行归一化处理，得到两段无量纲在线监测数据序列；(3)分别计算两段无量纲在线监测数据序列的排列熵、小波熵和算术平均数，分别计算得到的排列熵、小波熵和算术平均数的均方根误差；(4)将步骤(3)得到的三个均方根误差和对应的位置子样本的累计短路电流作为特征构成四维特征集，所述的累计短路电流为位置子样本对应的位置上累计遭受的短路电流之和；(5)将所述的四维特征集加上标签后输入到支持向量机中进行诊断模型训练，所述的标签用于显示位置子样本对应的位置的绕组变形情况；(6)采用步骤(1)～(4)对待诊断变压器进行特征提取得到四维特征集，将得到的四维特征集输入到步骤(5)训练好的诊断模型中，诊断各位置子样本对应的位置是否存在绕组变形。2.根据权利要求1所述的变压器绕组变形位置的在线诊断方法，其特征在于，所述的位置子样本为9个，分别为高压A相、高压B相、高压C相、中压A相、中压B相、中压C相、低压A相、低压B相和低压C相。3.根据权利要求2所述的变压器绕组变形位置的在线诊断方法，其特征在于，所述的高压A相的在线监测指标为高压A相电流、高压A相电压、高压A/B相电流差和高压A/B相电压差；高压B相的在线监测指标为高压B相电流、高压B相电压、高压A/B相电流差和高压A/B相电压差；高压C相的在线监测指标为高压B相电流、高压B相电压、高压B/C相电流差和高压B/C相电压差；中压A相的在线监测指标为中压A相电流、中压A相电压、中压A/B相电流差和中压A/B相电压差；中压...

【专利技术属性】
技术研发人员：华中生，游雨暄，徐晓燕，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33