System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及变压器诊断,尤其涉及一种基于振动时序的变压器绕组压紧力状态评估方法及设备。
技术介绍
1、大型电力变压器是电网系统中的关键设备,因此准确诊断大型电力变压器是否发生故障并保证变压器的正常运行非常必要。在变压器内部的部件中,绕组发生故障的可能性最大,且故障大多是不可逆的结构故障。绕组轴向压紧力衰退是绕组发生变形的一个重要诱因,且会导致绕组抗短路冲击能力急剧下降,容易发生更大程度的变形。因此,如果能有效地检测内部绕组压紧力,对绕组状态进行评价,判断是否存在潜在风险非常有必要。
2、常用的绕组故障检测方法包括频率响应法、短路阻抗法和油色谱分析法等。频率响应法的原理是根据线圈之间等效电感和电容,并以传递函数的变化为依据判断绕组是否发生变形。短路阻抗法的原理与频率响应法类似,也是通过判断短路阻抗值这个电气参数来判断是否存在形变。油色谱分析法是根据测得的变压器油中溶解的各种气体含量结果,该方法一般是发生绝缘故障后才会有所体现。因此,目前传统的变压器绕组故障检测方法难以对绕组压紧力状态进行检测,尤其是针对早期的结构松动。
技术实现思路
1、为至少在一定程度上克服相关技术中的变压器绕组故障检测方法难以对绕组压紧力状态进行检测的问题,本申请提供一种基于振动时序的变压器绕组压紧力状态评估方法及设备。
2、本申请的方案如下:
3、根据本申请实施例的第一方面,提供一种基于振动时序的变压器绕组压紧力状态评估方法,包括:
4、在模拟工况下,获取待评估变压
5、构建包含动态刚度参数的循环神经网络模型,将所述振动时序和模拟工况的电流时序作为训练数据训练所述循环神经网络模型;
6、通过训练完成的循环神经网络模型得到待评估动态刚度时序;
7、确定待评估动态刚度时序是否超过动态刚度阈值;
8、若超过,则确定待评估变压器绕组出现压紧力异常。
9、优选地,构建包含动态刚度参数的循环神经网络模型,包括:
10、基于待评估变压器绕组中绝缘材料的非线性应力应变特性,拟合所述绝缘材料的静态工作特性为:
11、σ=dε+bε3;
12、其中,ε和σ分别表示应变和应力,d和b表示固定的比例系数;
13、建立等效刚度与应力对应变的导数的关系式为:
14、k∝δσ/δε≈d+3bε2;
15、其中,k表示待评估变压器绕组中绝缘材料的等效刚度,δε/δσ表示应力对应变的导数,δε表示应变增量,δσ表示应力增量;
16、对等效刚度求导,得到动态刚度为:
17、δk=6bεδε;
18、其中,δk表示待评估变压器绕组中绝缘材料的动态刚度;
19、利用非线性函数tanh建立应变增量与应力增量的关系式为:
20、δε∝tanh(wf·δσ);
21、其中,wf表示待训练的第一系数;
22、基于应变增量与应力增量的关系式,建立动态刚度与应力增量的关系式为:
23、δk=wktanh(wf·δσ);
24、其中,wk表示待训练的第二系数;
25、构建包含动态刚度参数的单自由度绕组模型为:
26、
27、其中,m表示待评估变压器绕组中线圈的质量,c表示待评估变压器绕组中绝缘材料的阻尼,ks表示待评估变压器绕组中绝缘材料的静态刚度,x表示振动时序,f表示电磁力,表示加速度,表示速度;
28、电磁力f与电流时序的关系式为:
29、f(t)=f[1-cos(2ωt)],f∝i2;
30、其中,t表示时间,f(t)表示随时间变化的电磁力,f表示电磁力的幅值,ω表示电流的频率,i表示电流的有效值。
31、优选地,构建包含动态刚度参数的循环神经网络模型,还包括:
32、将所述单自由度绕组模型表示为矩阵模型:
33、
34、构建与所述矩阵模型对应的循环神经网络模型:
35、
36、其中,xi表示作为输入变量的振动时序,yi表示作为输出变量的电磁力时序,xi表示第i时刻的振动位移,表示第i时刻的加速度,表示第i时刻的速度,yi表示第i时刻的电磁力,hi表示第i时刻的系统状态;
37、将去除惯性力和阻尼力的应力增量等效为电磁力,则第i时刻的动态刚度为:
38、δki=wktanh(wf·hi-1);
39、其中,其中,δki表示第i时刻的动态刚度;
40、构建循环神经网络模型的表达式为:
41、hi=xi·wa+xi·[1,0,0]t·δki;
42、其中,wa表示待训练的第三系数。
43、优选地,将所述振动时序和模拟工况的电流时序作为训练数据训练所述循环神经网络模型,包括:
44、将循环神经网络模型的平方损失函数定义为:
45、
46、其中,e表示平方损失函数,yi表示第i时刻的电磁力输出值,fi表示第i时刻的电磁力实际值;
47、计算各待训练的系数在各个时刻对应的梯度值:
48、
49、由各待训练的系数在各个时刻的梯度值叠加得到最终偏置梯度值:
50、
51、基于梯度下降策略,在每一次的迭代中,以目标的负梯度方向对各待训练的系数进行更新,直至收敛:
52、
53、其中,a表示学习率。
54、优选地,通过训练完成的循环神经网络模型得到待评估动态刚度时序,包括:
55、将去除惯性力和阻尼力的应力增量等效为电磁力,则根据训练完成的第一系数和第二系数以及应力增量确定待评估动态刚度时序:
56、δki=wktanh(wfδσi)。
57、优选地,第二系数与压紧力相关,压紧力越大,第二系数越小。
58、优选地,获取待评估变压器绕组的振动时序,包括:
59、获取待评估变压器绕组所在油箱表面的预设置点位的振动时序;所述预设置点位为多个,且多个预设置点位以待评估变压器绕组端部为集中点向周围散开。
60、优选地,若未超过,则判断是否需要调整预设置点位的位置;
61、若需要调整,则在调整后重新对待评估变压器绕组进行现压紧力状态评估;
62、若不需要调整,则确定待评估变压器绕组未出现压紧力异常。
63、优选地,所述方法还包括:
64、对与待评估变压器绕组类型相同的标准变压器绕组进行压紧力调整实验,以获取动态刚度阈值。
65、根据本申请实施例的第二方面,提供一种基于振动时序的变压器绕组压紧力状态评估设备,包括:
66、处理器和存储器;
67、所述处理器与存储器通过通信总线相连接:
68、其中,所本文档来自技高网...
【技术保护点】
1.一种基于振动时序的变压器绕组压紧力状态评估方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,构建包含动态刚度参数的循环神经网络模型,包括:
3.根据权利要求2所述的方法,其特征在于,构建包含动态刚度参数的循环神经网络模型,还包括:
4.根据权利要求3所述的方法,其特征在于,将所述振动时序和模拟工况的电流时序作为训练数据训练所述循环神经网络模型,包括:
5.根据权利要求4所述的方法,其特征在于,通过训练完成的循环神经网络模型得到待评估动态刚度时序,包括:
6.根据权利要求2所述的方法,其特征在于,第二系数与压紧力相关,压紧力越大,第二系数越小。
7.根据权利要求1所述的方法,其特征在于,获取待评估变压器绕组的振动时序,包括:
8.根据权利要求7所述的方法,其特征在于,若未超过,则判断是否需要调整预设置点位的位置;
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
10.一种基于振动时序的变压器绕组压紧力状态评估设备,其特征在于,包括:
【技术特征摘要】
1.一种基于振动时序的变压器绕组压紧力状态评估方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,构建包含动态刚度参数的循环神经网络模型,包括:
3.根据权利要求2所述的方法,其特征在于,构建包含动态刚度参数的循环神经网络模型,还包括:
4.根据权利要求3所述的方法,其特征在于,将所述振动时序和模拟工况的电流时序作为训练数据训练所述循环神经网络模型,包括:
5.根据权利要求4所述的方法,其特征在于,通过训练完成的循环神经网络...
【专利技术属性】
技术研发人员:钱国超,胡锦,朱龙昌,洪志湖,胡见平,赵汉武,邹德旭,周仿荣,代维菊,闵青云,严敬义,孙灏若,赵熙靖,刘太文,
申请(专利权)人:云南电网有限责任公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。