光伏箱式变压器故障监测方法技术

公开了一种光伏箱式变压器故障监测方法，方法中，测量光伏箱式变压器内部温度信号、局部放电信号、超声信号和振动信号，当温度信号超过预定温度阈值且持续预定时间段，判断光伏箱式变压器过热，否则，光伏箱式变压器未过热；小波阈值去噪与高斯平滑滤波处理所述温度信号、局部放电信号、超声信号和振动信号；在时域上提取时域特征参量，在频域上提取频域特征参量，输入建立和训练好的SVM多分类模型进行分类，将判断结果与分类结果作为最终诊断结果同时输出。时输出。时输出。

【技术实现步骤摘要】
光伏箱式变压器故障监测方法


[0001]本专利技术属于光伏箱式变压器故障监测
，特别是一种光伏箱式变压器故障监测方法。

技术介绍

[0002]电力变压器是一种静止的电气设备，可以将交流电压或电流变成频率相同数值不同的交流电压或电流，是电力系统的重要组成部分。
[0003]在“双碳”背景下，新能源技术的不断进步赋予了光伏发电广阔的发展前景。为有效利用太阳能，作为光伏发电系统核心部件的光伏箱式变压器被不断部署在我国西北、西南等土地与太阳能资源充足的地区。
[0004]由于相关设备部署位置相对偏僻，发生故障后单次人力检修耗时较长、成本较高，造成的直接与间接经济损失较大。因此，监测光伏箱式变压器健康状态、实现故障快速诊断与报警具有重要意义。
[0005]目前，变压器故障识别算法主要包括油色谱分析法、油中气体分析法、振动分析法等。但是，这些算法依然存在检测参量单一、故障识别准确度低、成本高昂等缺陷。
[0006]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

技术实现思路

[0007]针对现有技术中存在的问题，本专利技术提出一种光伏箱式变压器故障监测方法，检测参量多样、故障识别准确度高且成本低，节约光伏箱式变压器维护与检修成本。
[0008]本专利技术的目的是通过以下技术方案予以实现，一种光伏箱式变压器故障监测方法包括，
[0009]步骤1，测量光伏箱式变压器内部温度信号、局部放电信号、超声信号和振动信号，当温度信号超过预定温度阈值且持续预定时间段，判断光伏箱式变压器过热，否则，光伏箱式变压器未过热；
[0010]步骤2，小波阈值去噪与高斯平滑滤波处理所述温度信号、局部放电信号、超声信号和振动信号；
[0011]步骤3，对步骤2处理的所述温度信号、局部放电信号、超声信号和振动信号在时域上提取时域特征参量，所述时域特征参量包括幅值、偏斜度、峭度；
[0012]步骤4，对步骤2处理的所述温度信号、局部放电信号、超声信号和振动信号进行快速傅里叶变换，在频域上提取频域特征参量，所述频域特征参量包括主导频率、频域偏斜度、频域峭度、能量聚集度；
[0013]步骤5，所述时域特征参量和频域特征参量作为特征向量输入建立和训练好的SVM多分类模型进行分类，其中，建立和训练SVM多分类模型的步骤包括：
[0014]利用传感器采集光伏箱式变压器在每种运行状态下的多组数据；
[0015]提取各组数据的特征向量；
[0016]将所有数据组按照一定比例划分为训练集、验证集、测试集；
[0017]使用训练集与验证集中各组数据的特征向量建立和训练SVM多分类模型，使用测试集中各组数据的特征向量测试模型分类效果；
[0018]步骤6，将步骤1的判断结果与步骤5的分类结果作为最终诊断结果同时输出。
[0019]所述的光伏箱式变压器故障监测方法中，步骤2中，小波阈值去噪处理所述温度信号、局部放电信号、超声信号和振动信号包括小波分解、阈值处理和小波重构，确定母小波函数和分解层数之后，对温度信号、局部放电信号、超声信号和振动信号进行降阶分解为近似分量和细节分量，对各个尺度的小波系数设定阈值，并根据小波系数与阈值的大小关系对小波系数进行相应处理，将大于所述阈值的小波系数向减小幅值的方向作阈值收缩，小于该阈值的部分置零，阈值处理函数为：
[0020][0021]其中，sgn(
·
)为符号函数，t为阈值，α为阈值处理前小波系数，α
’
为阈值处理后小波系数，
[0022]将经过阈值处理后的低频近似分量和高频细节分量通过小波逆变换进行重构得到去噪后的信号。
[0023]所述的光伏箱式变压器故障监测方法中，分解层数为5层，母小波函数包括Symlets、Coiflets、Biorthogonal以及Daubechies小波函数族。
[0024]所述的光伏箱式变压器故障监测方法中，局部放电信号进行高斯平滑滤波，其中，对一维高斯函数进行等距离抽样处理，离散化后与原能量信号进行卷积处理，得到高斯平滑滤波后函数。
[0025]所述的光伏箱式变压器故障监测方法中，一维高斯函数中的标准差选为采样间隔的9倍。
[0026]所述的光伏箱式变压器故障监测方法中，步骤3中，步骤2处理的所述温度信号、局部放电信号、超声信号和振动信号在时域上的时间序列记作x[n]；
[0027]表示信号强度的幅值U为x[n]各点绝对值的最大值，即：U＝max
1≤n≤N
(|x[n]|)，其中N代表x[n]的长度；
[0028]用于描述数据分布的对称性的偏斜度sk为：其中代表序列各点均值；
[0029]用于描述数据的离群度峭度ku为：
[0030]所述的光伏箱式变压器故障监测方法中，步骤4中，对时域上的时间序列x[n]进行快速傅里叶变换，对得到的序列的各点取模并乘以2/N以还原真实幅值大小，得到序列F[n]，主导频率p为使序列F[n]取到最大值时的频率，
[0031]用于描述数据频谱的对称性的频域偏斜度SK为：
[0032][0033]其中代表序列F[n]各点均值；
[0034]用于描述频域上数据的离群度的频域峭度KU为：
[0035][0036]用于描述能量在主导频率处的聚集程度的能量聚集度Con为：
[0037][0038]所述的光伏箱式变压器故障监测方法中，步骤5中，SVM多分类模型由一系列非线性SVM二分类模型组成。
[0039]非线性SVM二分类模型的数学描述为：
[0040][0041][0042]其中，n为训练集中样本数量，λ
i
，μ
i
为拉格朗日乘子，y
i
为第i个样本的分类标记(取值为1或
‑
1)，φ(
·
)为核函数，x
i
为训练集中第i个样本向量，C为惩罚因子。
[0043]上述核函数可选为线性核函数、多项式核函数、高斯核函数等。
[0044]非线性SVM二分类模型的训练、核函数与惩罚因子等参数的选取利用Python中skleam库自动完成。
[0045]将变压器正常运行状态记为a，将用于训练SVM多分类模型的数据涉及的所有已知异常状态按照出现频率由大到小排序依次记为b1，b2，
…
，b
m
，将其他异常状态的并记为b
m+1
。
[0046]使用训练集与验证集中各组数据的特征向量建立和训练SVM多分类模型的过程具体如下：首先建立并训练一个非线性SVM二分类模型M0，其中两类分别为：a、b1∪b2∪
…
∪b
m+1
。依次建立并训练m个非线性SVM二分类模型M1，M2，
…
，M
m
，其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏箱式变压器故障监测方法，其特征在于，其包括，步骤1，测量光伏箱式变压器内部温度信号、局部放电信号、超声信号和振动信号，当温度信号超过预定温度阈值且持续预定时间段，判断光伏箱式变压器过热，否则，光伏箱式变压器未过热；步骤2，小波阈值去噪与高斯平滑滤波处理所述温度信号、局部放电信号、超声信号和振动信号；步骤3，对步骤2处理的所述温度信号、局部放电信号、超声信号和振动信号在时域上提取时域特征参量，所述时域特征参量包括幅值、偏斜度、峭度；步骤4，对步骤2处理的所述温度信号、局部放电信号、超声信号和振动信号进行快速傅里叶变换，在频域上提取频域特征参量，所述频域特征参量包括主导频率、频域偏斜度、频域峭度、能量聚集度；步骤5，所述时域特征参量和频域特征参量作为特征向量输入建立和训练好的SVM多分类模型进行分类，其中，建立和训练SVM多分类模型的步骤包括：利用传感器采集光伏箱式变压器在每种运行状态下的多组数据；提取各组数据的特征向量；将所有数据组按照一定比例划分为训练集、验证集、测试集；使用训练集与验证集中各组数据的特征向量建立和训练SVM多分类模型，使用测试集中各组数据的特征向量测试模型分类效果；步骤6，将步骤1的判断结果与步骤5的分类结果作为最终诊断结果同时输出。2.根据权利要求1所述的光伏箱式变压器故障监测方法，其特征在于，优选的，步骤2中，小波阈值去噪处理所述温度信号、局部放电信号、超声信号和振动信号包括小波分解、阈值处理和小波重构，确定母小波函数和分解层数之后，对温度信号、局部放电信号、超声信号和振动信号进行降阶分解为近似分量和细节分量，对各个尺度的小波系数设定阈值，并根据小波系数与阈值的大小关系对小波系数进行相应处理，将大于所述阈值的小波系数向减小幅值的方向作阈值收缩，小于该阈值的部分置零，阈值处理函数为：其中，sg...

【专利技术属性】
技术研发人员：徐海涛，杨艾宸，马钶淳，周云峰，李嘉轶，沈博阳，穆海宝，韩春阳，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：