基于人工智能的变压器局部放电异常检测方法技术

本发明专利技术涉及基于人工智能的变压器局部放电异常检测方法，获取不同产热工况下的变压器绕组不同位置的温度序列、温度极差序列以及最大温度序列；获取辐射功率波形，并计算辐射功率的极差；根据温度极差序列的最大值、最大温度序列的均值以及所述极差，得到各不同产热工况下的当前异常系数，进而计算任意两产热工况下的相似度，进而得到任意两产热工况的当前样本距离；比较各当前样本距离与预设参数的大小，当当前样本距离大于预设参数，则认为两产热工况下的变压器异常，并根据异常变压器对应的当前异常系数以及预设补偿系数，确定当前异常放电位置。即本发明专利技术能够根据采集的数据的分析，进行变压器局部方向异常的检测。进行变压器局部方向异常的检测。进行变压器局部方向异常的检测。

【技术实现步骤摘要】
基于人工智能的变压器局部放电异常检测方法


[0001]本专利技术涉及人工智能领域，具体涉及基于人工智能的变压器局部放电异常检测方法。

技术介绍

[0002]变压器内部放电后存在大量的热能，目前的技术对热能分析没有直接利用，而从放电造成的H2、C2H2 等特征故障气体、UHF放电传感器进行分析，缺乏针对性的定量分析技术。而直接利用UHF放电传感器进行检测，检测的数据受电网环境影响，因此存在一定误报可能。
[0003]目前，内部绝缘失效前的评估预警手段不足，已有的故障案例表明，由于内部绝缘放电故障的观测方法和趋势变化规律不明确，导致无法做出绝缘击穿前的及时预警，因此只能针对异常数据进行预警，目前的数据精度、信息量、预警准确度存在较大问题。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供基于人工智能的变压器局部放电异常检测方法，所采用的技术方案具体如下：基于人工智能的变压器局部放电异常检测方法，包括：采集不同产热工况下的变压器绕组不同位置的当前周期内的温度，得到对应位置的温度序列；根据所述温度序列得到温度极差，进而得到所有位置的温度极差序列；比较各位置对应时刻的温度大小，选取各时刻对应的最大温度值，组成最大温度序列；获取当前周期内的绕组感应波形，所述感应波形为辐射功率波形，并计算辐射功率的极差；根据所述温度极差序列中的最大值、所述最大温度序列的均值以及所述极差，得到各负载下对应的当前异常系数；根据所述最大温度序列的最大值、温度极差序列以及当前异常系数，计算任意两产热工况下的相似度，进而得到任意两产热工况的当前样本距离；比较各当前样本距离与预设参数的大小，当所述当前样本距离大于预设参数，则认为两产热工况下的变压器异常，并根据异常变压器对应的当前异常系数以及预设补偿系数，确定当前异常放电位置。
[0005]进一步地，所述预设补偿系数的获取方法为：1）按照上述获取当前异常系数以及当前样本距离的方法，得到上一周期的各产热工况下的样本异常系数以及样本距离；2）根据各样本距离对不同产热工况进行分组，得到N0个记录簇，并过滤掉N0个记录簇中的离散样本，得到N个正常簇；3获取各正常簇中的平均样本异常系数，并从大小进行排序，得到每个正常簇对应的索引号，并根据当前样本距离，确定与当前样本距离最相似的正常簇的索引号，得到工况恶劣程度，其中k为正常簇排序的索引号，N为正常簇的个数；
4）根据所述工况恶劣程度以及对应正常簇的平均样本异常系数，得到预设补偿系数；所述预设补偿系数为：其中，为各样本异常系数的平均样本异常系数。
[0006]进一步地，所述当前异常放电位置为：其中，为第j个位置所对应的温度序列，为第i个位置所对应的温度序列，e为自然常数，为预设补偿系数。
[0007]进一步地，所述当前异常系数为：其中，为变压器当前周期内最大温度序列的均值，为辐射功率的极差，为该变压器绕组温度极差序列中的最大值。
[0008]进一步地，所述相似度为：其中，为负载A的最大温度序列和负载B最大温度序列的皮尔逊相关系数，为负载A的所有位置的温度序列的平均值，为负载B的所有位置的温度序列的平均值，为负载A的当前异常系数，为负载B的当前异常系数，为绝对值函数。
[0009]所述当前样本距离为：其中，为负载A与负载B的相似度。
[0010]进一步地，所述辐射功率的极差为：其中，为辐射功率波形中的最大值，为辐射功率波形中的中位数。
[0011]进一步地，所述预设参数为基于DBSCAN算法的聚类半径。
[0012]本专利技术具有如下有益效果：本专利技术基于绕组内部的分布式温度传感器、基于UHF感应波形，获取对应的数据，通过对数据进行分析研究，确定当前周期的变压器的工况变化与温度、辐射功率的关系，并根据确定的当前样本距离与当前异常系数，确定当前周期的变压器的异常情况，进而在发生异常时，根据上一周期确定的补偿系数，对当前温度变化进行调整，确定局部放电位置；即本专利技术能够针对变压器的每一相变压器进行运行趋势的分析和预警，提高预警准确度、报告信息量。
附图说明
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0014]图1为本专利技术的基于人工智能的变压器局部放电异常检测方法。
具体实施方式
[0015]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0016]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0017]下面以圆筒式的变压器绕组为例，对本专利技术的基于人工智能的变压器局部放电检测方法进行介绍，具体地，如图1所示，该检测方法包括以下步骤：步骤1，采集不同产热工况下的变压器绕组不同位置的当前周期内的温度，得到对应位置的温度序列；根据所述温度序列得到温度极差，进而得到所有位置的温度极差序列；比较各位置对应时刻的温度大小，选取各时刻对应的最大温度值，组成最大温度序列。
[0018]本实施例中，由于每一相的变压线圈都有可能在不同位置发生放电问题，需要基于分布式温度传感器感知线圈温度，从而便于判断异常情况和疑似放电的故障点位置。因此对分布式的温度信息进行采集，获取不同位置的温度序列，其中i为位置编号，t为周期内的时刻。
[0019]其中，本实施例中的温度传感器分布于柱面附近，共5个温度传感器，自上而下竖直分布，本专利技术中所属的温度传感器可以实时读取各区域冷却油的温度。本实施例中的周期为10s，温度传感器的数据为0.5s一次更新，那么采集的各位置的温度序列有20个时刻对应温度数据，也即20个温度数据，即共有5个独立的温度波动序列。
[0020]上述中的温度传感器的位置设置，需要实施者根据变压器的具体内部结构优化、均衡设计传感器位置。
[0021]上述步骤中的各位置的温度极差为：其中，其中是第i个位置的温度传感器在10s内所得到的温度的最大值与最小值的极差。
[0022]其中，代表了该绕组的每个位置对应的分布式温度传感器的温度极差的最大值。
[0023]需要说明的是，若发生异常放电现象，则变压器绕组会在某个故障点迅速升温，因此对每次记录的数据计算分布式温度的温度极差。
[0024]本实施例中的最大温度值为某一时刻对应的不同位置下温度最大值，则最大温度序列为各时刻对应的温度值。
[0025]需要说明的是，最大温度序列为比较各位置对应时刻的温度大小，选取该时刻下对应的最大温度值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的变压器局部放电异常检测方法，其特征在于，包括：采集不同产热工况下的变压器绕组不同位置的当前周期内的温度，得到对应位置的温度序列；根据所述温度序列得到温度极差，进而得到所有位置的温度极差序列；比较各位置对应时刻的温度大小，选取各时刻对应的最大温度值，组成最大温度序列；获取当前周期内的绕组感应波形，所述感应波形为辐射功率波形，并计算辐射功率的极差；根据所述温度极差序列中的最大值、所述最大温度序列的均值以及所述极差，得到各负载下对应的当前异常系数；根据所述最大温度序列的最大值、温度极差序列以及当前异常系数，计算任意两产热工况下的相似度，进而得到任意两产热工况的当前样本距离；比较各当前样本距离与预设参数的大小，当所述当前样本距离大于预设参数，则认为两产热工况下的变压器异常，并根据异常变压器对应的当前异常系数以及预设补偿系数，确定当前异常放电位置。2.根据权利要求1所述的基于人工智能的变压器局部放电异常检测方法，其特征在于，所述预设补偿系数的获取方法为：1）按照上述获取当前异常系数以及当前样本距离的方法，得到上一周期的各产热工况下的样本异常系数以及样本距离；2）根据各样本距离对不同产热工况进行分组，得到N0个记录簇，并过滤掉N0个记录簇中的离散样本，得到N个正常簇；3）获取各正常簇中的平均样本异常系数，并从大小进行排序，得到每个正常簇对应的索引号，并根据当前样本距离，确定与当前样本距离最相似的正常簇的索引号，得到工况恶...

【专利技术属性】
技术研发人员：楚振五，
申请(专利权)人：江苏苏能森源电气有限公司，
类型：发明
国别省市：