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】
本专利技术涉及变压器绕组故障识别领域,具体涉及一种变压器绕组变形故障识别方法。
技术介绍
1、作为输变电的核心设备之一,变压器在运行时的安全稳定尤为重要。变压器绕组故障是最为常见的变压器故障之一。对其进行准确有效的评估,能有效防止其并网运行时对电网构成安全威胁,防患于未然。频率响应法对变压器绕组故障具有高灵敏度,结合智能算法能有效对故障类型进行分类。现已有大量研究基于对频率响应曲线的解释,实现对变压器绕组的故障诊断。
2、经过多年发展,国内外提出了众多基于频响曲线的变压器故障识别方法,大致分为如下几类:δu-i轨迹法、数字图像处理的方法、机器学习的方法。随着人工智能技术的发展,机器学习技术在变压器故障分类上得到了快速发展和应用,并逐渐成为了主流。如基于人工神经网络、支持向量机等方法等。但是也存在一些问题。目前对频率响应曲线进行解释的首要问题就是对其数据信息进行进一步量化。基于统计学对频响数据整体表现的特征提取方法,所提取的特征较少,不能够更为细致表述数据全貌,因此后续诊断精度偏低,无法对复杂情况下的变压器故障进行精确的识别。
3、相比之下,基于图像处理的深度学习方法能提取更多的特征,也更为常用。利用图像处理方法依赖于频响数据的可视化。常见的可视化方法如极坐标下的相位-幅值散点图及直角坐标系的幅-频、相-频曲线。但是,由于变压器故障发生频率小,故障样本往往也非常的少,不满足深度学习所需要的样本数量。所以往往通过数据扩充来增加样本数量,但是目前数据扩充技术并不成熟,还存在着许多问题。
<
1、针对上述问题,本专利技术提供一种变压器绕组变形故障识别方法,通过移动窗计算法与格拉姆角差场变换,将频响曲线的一维数据先转化为特征指标,通过格拉姆角差场再次将一维特征转化为三维图像。并以图例说明该方法对于不同故障类型区分度明显。相比传统方法,样本特征更加明显与突出,使之准确率进一步提高。在智能化诊断上,本专利技术基于上述量化方法,利用卷积神经网络实现变压器绕组故障分类,能在频响曲线数据量较小的情况下,有效判别变压器绕组的多种故障类别,为变压器绕组的停电检测与维护提供了一个可参考的依据。
2、本专利技术采取的技术方案为:
3、一种变压器绕组变形故障识别方法,包括以下步骤:
4、步骤1:建立变压器绕组集中参数模型,将正弦扫频信号注入变压器绕组集中参数模型,获取绕组输入电压ui(jw)和输出电压u0(jw),得到正常绕组幅频数据和相频数据;
5、步骤2:调整变压器绕组集中参数模型电路参数,实现绕组各种故障形变模拟,获取绕组不同故障状态下的幅值、相位数据;
6、步骤3:将步骤1和步骤2所获得的幅值和相位,通过移动窗计算法用欧氏距离公式将窗口内的所有故障点数据与正常点数据相减并求根,来获得新的特征指标:
7、
8、其中:ed(i)为移动窗计算法的欧氏距离;xj为绕组正常状态的频响曲线特征值,yj为绕组故障状态的频响曲线特征值。并按照其频率值大小,以幅值、相位的顺序排序,建立新的特征序列;
9、步骤4:将步骤3所构建的新的特征序列分组,通过公式将每一组归一化,式中,xi为特征序列归一化后的数值;xi为原特征值;min(x)为原特征序列中最小的值;max(x)为原特征序列中最大的值。
10、通过公式θi=arccos(xi),0≤xi≤1,θi表示归一化结果反余弦得到的余弦值。将归一化结果的反余弦作为角度的值,以此来获得极坐标的余弦值,通过公式gadf=[cos(θi-θj)],将余弦值转化得到格拉姆角差场数值,以该格拉姆角差场数值生成对应的热力图获得所需图像数据集;
11、步骤5:建立卷积神经网络cnn模型,并用该模型对图像数据集进行训练,最后进行故障识别分类,将分类数量最多的故障类型判定为绕组的故障类型。
12、所述步骤1中,利用电路仿真软件pspice建立变压器绕组集中参数模型,将频率范围1khz~1mhz的正弦扫频信号注入变压器绕组集中参数模型首端绕组。
13、所述步骤2中,使用不同百分比电路参数来进行绕组各种故障程度形变模拟,在5%-25%参数变化范用内,以5%为一个梯度,模拟了6类故障类型:匝间短路、线圈断股、金属异物、轴向扭曲、径向内凹、径向外凹,每类故障类型5种故障程度,分别为5%、10%、15%、20%、25%。
14、所述步骤3中,运用移动窗计算法获得新特征序列替代频响曲线,如图2(b)和图2(c)所示,不同故障程度的频响幅值有着较为相似的特征分布。而不同故障类型的频响幅值有着非常不同的特征分布。
15、通过移动窗将整个频响曲线划分区间,其结构如图4所示,试验频响曲线幅值点有3005个采样点,因此移动窗宽度设定为306个值,移动窗的间隔点选择为10,这样可以提取到较为有效的特征并能让窗口完整的滑过整条频响曲线。窗口宽度为306,移动间隔为10,这样每一个样本通过移动窗计算的数学指标正好可以得到270个特征值。并通过欧氏距离公式获得特征:
16、
17、式中:ed(i)为移动窗计算法的欧氏距离;xj为绕组正常状态的频响曲线特征值,yj为绕组故障状态的频响曲线特征值。将幅值特征与相位特征结合作为绕组故障类型诊断的新的特征序列,具体是:按照其频率值大小,以幅值、相位的顺序排序,建立新的特征序列;
18、所述步骤4中,运用格拉姆角场化将一维数据转化为三维图像数据,如图3(a)为归一化后特征图像,图3(b)为转化为极坐标下的归一化特征图像。
19、将新特征序列8个值为一组进行归一化,使得序列的值在0-1之间,其公式为把序列排序的值作为半径,缩放值的反余弦作为角度的值,以此来生成极坐标的余弦值,由之得到对应的格拉姆角差场数值,其公式为
20、θi=arccos(xi),0≤xi≤1;以该数值生成对应的热力图获得所需图像数据集如图5(a)~图5(c)所示,其中图5(a)为生成热力图,图5(b)为不同故障程度下的生成图形,图5(c)为不同故障类型下的生成图形,通过三图可以看出不同故障程度的格拉姆角差场图形较为类似,而不同故障故障类型的格拉姆角差场有较大差异。通过格拉姆角差场进行变压器故障分类具有可行性。
21、该热力图故障程度越高,则颜色越深,故障程度越低,颜色则越浅。
22、所述步骤5中,将图像数据集通过卷积神经网络cnn模型进行故障识别,通过图像色素的深浅识别故障类别,其中,每一条频响曲线能够分化为许多热度图,将所有热度图通过卷积网络分类,那么分类数最多的一个故障分类就是最有可能的故障类型,因此图像分类数量最多的故障类型判定为绕组的故障类型。
23、本专利技术一种变压器绕组变形故障识别方法,技术效果如下:
24、1)本专利技术步骤4中,不同故障程度的格拉姆角差场图形较为类似,而不同故障故障类型的格拉姆角差场有较大差异。通过格拉姆角差场进行变压器故障分类本文档来自技高网...
【技术保护点】
1.一种变压器绕组变形故障识别方法,其特征在于包括以下步骤:
2.根据权利要求1所述一种变压器绕组变形故障识别方法,其特征在于:所述步骤1中,利用电路仿真软件PSpice建立变压器绕组集中参数模型,将频率范围1kHZ~1MHZ的正弦扫频信号注入变压器绕组集中参数模型首端绕组。
3.根据权利要求1所述一种变压器绕组变形故障识别方法,其特征在于:所述步骤2中,使用不同百分比电路参数来进行绕组各种故障程度形变模拟,在5%-25%参数变化范用内,以5%为一个梯度,模拟了6类故障类型:匝间短路、线圈断股、金属异物、轴向扭曲、径向内凹、径向外凹,每类故障类型5种故障程度。
4.根据权利要求1所述一种变压器绕组变形故障识别方法,其特征在于:所述步骤3中,运用移动窗计算法获得新特征序列替代频响曲线,通过移动窗将整个频响曲线划分区间,并通过欧氏距离公式获得特征,将幅值特征与相位特征结合作为绕组故障类型诊断的新的特征序列。
5.根据权利要求1所述一种变压器绕组变形故障识别方法,其特征在于:所述步骤4中,运用格拉姆角场化将一维数据转化为三维图像数据,将新
6.根据权利要求1所述一种变压器绕组变形故障识别方法,其特征在于:所述步骤5中,将图像数据集通过卷积神经网络CNN模型进行故障识别,通过图像色素的深浅识别故障类别,其中,每一条频响曲线能够分化为许多热度图,将所有热度图通过卷积网络分类,图像分类数量最多的故障类型判定为绕组的故障类型。
...【技术特征摘要】
1.一种变压器绕组变形故障识别方法,其特征在于包括以下步骤:
2.根据权利要求1所述一种变压器绕组变形故障识别方法,其特征在于:所述步骤1中,利用电路仿真软件pspice建立变压器绕组集中参数模型,将频率范围1khz~1mhz的正弦扫频信号注入变压器绕组集中参数模型首端绕组。
3.根据权利要求1所述一种变压器绕组变形故障识别方法,其特征在于:所述步骤2中,使用不同百分比电路参数来进行绕组各种故障程度形变模拟,在5%-25%参数变化范用内,以5%为一个梯度,模拟了6类故障类型:匝间短路、线圈断股、金属异物、轴向扭曲、径向内凹、径向外凹,每类故障类型5种故障程度。
4.根据权利要求1所述一种变压器绕组变形故障识别方法,其特征在于:所述步骤3中,运用移动窗计算法获得新特征序列替代频响曲线,通过移动...
【专利技术属性】
技术研发人员:李振华,杨诗豪,肖云腾,黄悦华,李振兴,张涛,张磊,吴琳,徐艳春,张文婷,
申请(专利权)人:三峡大学,
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。