CN101614775A - 基于多源信息融合的变压器状态评估系统及其评估方法 - Google Patents

Abstract

本发明涉及一种基于多源信息融合的变压器状态评估系统及其评估方法。本发明的评估系统由油色谱分析子系统，局部放电超高频信号检测子系统，绕组变形振动信号检测子系统，电流互感器检测子系统，计算机组成；本发明评估方法的技术要点是利用D－S证据理论融合评估算法将上述四种检测子系统所使用的检测方法所得的检测结果融合起来评判一台被测变压器的运行状态。本发明的有益效果能够及时发现和准确判断变压器故障、并能全面反映变压器运行状态。

Description

基于多源信息融合的变压器状态评估系统及其评估方法

技术领域

本发明涉及一种基于多源信息融合的变压器状态评估系统及其评估方法，适用于对油浸式电力变压器进行故障检测。

背景技术

目前，对油浸式电力变压器进行故障检测的方法众多，比较常用的方法有以下四种：

(1)采用模糊核聚类和支持向量机故障诊断算法的油色谱分析法：

通过色谱仪检测变压器绝缘油中溶解气体，利用色谱分析仪分析甲烷、乙烷、乙烯、丙烯、氢气、乙炔、一氧化碳和二氧化碳的含量，将其转变为数字信号，送入计算机后，首先采用模糊核聚类算法对训练样本进行聚类，然后将各类聚类正确的样本数据放入支持向量机(SVM)多类目标简化结构中进行训练，最终利用训练好的分类器将各类故障样本分开，从而判断是否存在低温过热、高温过热、低能放电、高能放电等故障现象。

(2)采用小波频谱分析算法的局部放电超高频信号检测法：

通过天线把接收到的超高频信号频率(大于350MHz，变压器内部发生故障时伴随的脉冲电流)送至信号调理器放大后经数据采集卡将模拟信号转变为数字信号，送入计算机后，利用小波包分解算法进行不同尺度上的小波包分解，对其进行频谱分析，从而判断是否发生局部放电和电弧放电故障。

(3)采用小波频谱分析算法的绕组变形振动信号检测法：

首次测量得到的变压器器身各处的振动信号保存为正常状态的历史数据，作为以后进行故障判断的依据。电力变压器铁心或绕组发生位移、松动或变形时，相对于正常状态下的振动信号，这时测得振动信号会有较高频成分的出现，原来一些频率处的幅值也会发生变化，并且铁心或绕组位移、松动或变形越严重，出现的高频成分越多；另外，此时在一些频率处的幅值变化也就越大。变压器铁心或绕组发生故障时，振动信号的能量分布也会发生变化。

对得到的振动信号运用小波包分解算法，求出其幅频特性。在振动信号的幅频特性曲线上，相对于正常状态下的振动信号，若出现了一些高频分量，则可以认为绕组或铁心有故障存在。

(4)采用电流互感器的电流检测法：

在变压器高、低压侧安装电流互感器，检测变压器的高、低压两侧电流，根据纵联差动保护原理可判断被测变压器内部及两侧套管和引出线上的相间短路故障；检测中性线电流，并判断零序电流是否超过设定值来判定接地和中性点零序过电流故障。

目前对油浸式电力变压器的故障检测是分别独立地采用上述四种方法中的一种方法对变压器进行检测，由于上述四种检测方法中每一种方法是针对一种或一些故障和异常运行状态而提出的，因此每一种方法不能完全反映一台被测变压器的运行状态，只能反映一个侧面，即不能完全表征被测变压器的工况。

发明内容

本发明所要解决的技术问题是针对上述现有技术中的缺点，而提供一种能够及时发现和准确判断变压器故障、并能全面反映变压器运行状态的基于多源信息融合的变压器状态评估系统及其评估方法。

本发明解决其技术问题所采用的技术方案

技术方案一：

本发明的评估系统由油色谱分析子系统，局部放电超高频信号检测子系统，绕组变形振动信号检测子系统，电流互感器检测子系统，计算机组成，所述油色谱分析子系统由色谱仪、色谱分析仪、计算机组成；所述色谱仪的输出端经色谱分析仪接所述计算机的第一输入端；

所述局部放电超高频信号检测子系统由天线、第一信号调理器、第一数据采集卡、所述计算机组成；天线接第一信号调理器的天线接口端，第一信号调理由器的输出端经第一数据采集卡接所述计算机的第二输入端；

所述绕组变形振动信号检测子系统由振动传感器、电荷放大器、第二数据采集卡、所述计算机组成；所述振动传感器的输出端依次经电荷放大器、第二数据采集卡接所述计算机的第三输入端；

所述电流互感器检测子系统由电流互感器、第二信号调理器、第三数据采集卡组成；所述电流互感器的输出端依次经第二信号调理器、第三数据采集卡接所述计算的第四输入端。

在所述计算机中装有基于模糊核聚类和支持向量机的故障诊断算法软件、小波频谱分解算法软件、电流信号分析软件、基于D-S证据理论融合评估算法软件。

技术方案二：

本发明的评估方法包括有以下四种检测方法：采用基于模糊核聚类和支持向量机的故障诊断算法的油色谱分析法、采用基于小波频谱分析算法的局部放电超高频信号检测法、采用基于小波频谱分析算法的绕组变形振动信号检测法、采用电流互感器的电流信号分析法；其特征在于利用D-S证据理论融合评估算法将上述四种检测方法所得的检测结果融合起来评判一台被测变压器的运行状态；

具体方法步骤如下：

(1)首先利用上述四种检测方法分别对被测变压器进行检测得出各自的检测结果；

(2)然后根据所述的检测结果分别给出证据对目标的基本概率指派函数值即指派概率：

a、所述油色谱分析法指派概率的确定：

通过基于模糊核聚类和支持向量机的故障诊断算法，得到中低温过热(铁心多点接地)，高温过热(绕组短路)，低能放电(局部放电)，高能放电(电弧放电)四类故障的指派概率；

b、所述局部放电超高频信号检测法指派概率的确定：

通过小波包分解，提取最大放电量和放电次数两个特征值，将其作为ANFIS网络的输入，输出为局部放电或电弧放电故障的指派概率；所述ANFIS网络为神经网络和Sugeno型模糊推理系统的结合；

c、所述绕组变形振动信号检测指派概率的确定：

根据高频分量是否出现，判断绕组变形故障的有无，若有故障，则指派概率为1；若无故障，指派概率为0；

d、所述电流检测法指派概率的确定：

根据电流互感器的检测结果，判断绕组短路、电弧放电和外部故障，若为外部故障，指派概率为1；若为绕组短路或电弧放电故障，指派概率分别为0.5；

(3)计算每种故障的证据空间：

a、针对所述四种检测方法，取j＝1，2，3，4；针对下述六种故障Ai：绕组短路、铁心多点接地、局部放电、电弧放电、绕组变形、外部故障，i取1，2，3，4，5，6，然后计算基本可信数m_j(i)和不确定性概率m_j(θ)；

b、利用D-S证据理论融合评估算法中的合并法则即下述公式(A)对m_j进行融合， $m=m_1\⊕m_2\⊕m_3\⊕m_4,$ 得到的融合后的基本可信数m(i)(i＝1，2，3，4，5，6)和不确定性概率m(θ)：

$m_1\⊕m_2\left(C\right)=\left\{\begin{array}{cc}0& C=\mathrm{\Φ}\\ \frac{\underset{A\∩B=C}{\mathrm{\Σ}}{m}_1\left(A\right)m_2\left(B\right)}{1-\underset{A\∩B=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A\right)m_2\left(B\right)}& C\≠\mathrm{\Φ}\end{array}\right.---\left(A\right)$

c、按照下述公式(B)计算证据区间[Bel_j(i)，pl_j(i)]：

$\left\{\begin{array}{c}{\mathrm{Bel}}_j\left(i\right)=m_j\left(i\right)\\ {\mathrm{pl}}_j\left(i\right)=1-{\mathrm{Bel}}_j{\left(\stackrel{\‾}{i}\right)=m}_j\left(i\right)+m_j\left(\mathrm{\θ}\right)\end{array}\right.---\left(B\right)$

其中：Bel_j(i)为信任函数；pl_j(i)为似真度函数；

(4)根据下述诊断决策确定诊断结果即故障类型Fc如下：

所述诊断决策为：规则1：目标类别应具有最大的基本可信度值；规则2：目标类别与其他类别的基本可信度值的差必须大于某一阈值；规则3：不确定性概率m_j(θ)必须小于某一阈值；规则4：目标类别的基本可信度值必须大于不确定概率m_j(θ)。

下面把本发明方法中使用的D-S证据理论融合评估算法作一简要说明：

油色谱分析、局部放电超高频信号检测、变压器绕组变形振动信号分析都可以反映变压器的潜伏性故障，但各有侧重；采用电流互感器的电流分析方法是在变压器内部或外部发生故障时快速切断电源，属于事后策略。因此在故障诊断中，可以将振动信号、超高频信号、电气参数、油色谱数据等多源信息进行融合，从不同侧面反映变压器内部故障的演变过程，反映变压器故障从潜伏到发生的完整过程，同时几种方法可以互相验证，更加准确对变压器故障进行分类和定位，从而更有效地评估变压器的状态。

对于同一事物，由于证据来源不同，得到了两个不同的基本可信数m₁和m₂，并且它们是相互独立的，即它们相应的信任函数Bel₁和Bel₂是相互独立的。这时m₁和m₂可以合成一个新的基本可信数

相应的信任函数用

表示，

的大小可根据信任函数的定义，通过

来计算。函数 $m_1\⊕m_2:2^{\mathrm{\Θ}}\→\left[\mathrm{0,1}\right],$ 它的定义为：

$m_1\⊕m_2\left(C\right)=\left\{\begin{array}{cc}0& C=\mathrm{\Φ}\\ \frac{\underset{A\∩B=C}{\mathrm{\Σ}}{m}_1\left(A\right)m_2\left(B\right)}{1-\underset{A\∩B=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A\right)m_2\left(B\right)}& C\≠\mathrm{\Φ}\end{array}---\left(A\right)\right.$

上述公式(A)的重要特性之一是分母： $k=1-\underset{A\∩B=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A\right)m_2\left(B\right),$ 它可以用来表示不同的证据体之间的冲突，也可以理解为证据组合规则的一个标准化因子。

若结合几个证据时，可先结合前两个，然后，再把此结论同第三个证据结合起来，以此类推，直到最后。

证据区间[Bel_j(i)，pl_j(i)]：

$\left\{\begin{array}{c}{\mathrm{Bel}}_j\left(i\right)=m_j\left(i\right)\\ {\mathrm{pl}}_j\left(i\right)=1-{\mathrm{Bel}}_j\left(\stackrel{\‾}{i}\right)=m_j\left(i\right)+m_j\left(\mathrm{\θ}\right)\end{array}---\left(B\right)\right.$

其中：Bel_j(i)为信任函数；pl_j(i)为似真度函数；

具体算法见图3。

本发明的有益效果如下：

本发明利用数据融合理论将油色谱分析法、超高频信号、振动信号、电气参数分析四种方法的检测信息融合起来评判一台被测变压器的工况，能够准确发现被测变压器潜伏性故障，促使变压器维护由定期检修、事故维修向状态检修、可靠性维护方向发展，提高检测准确率，预防和减少设备事故，调高电力企业的生产效率。

附图说明

图1为本发明的评估系统硬件配置图。

图2为本发明的评估方法原理框图。

图3为本发明评估方法中的D-S证据理论融合评估算法软件流程图。

图4为实施例2中的变压器内部局放电频谱图(屏幕截图)。

图5为实施例2中的变压器振动信号频谱图(屏幕截图)。

具体实施方式

实施例1(本发明评估系统的实施例)：

由图1所示的实施例1可知，本发明的评估系统由油色谱分析子系统，局部放电超高频信号检测子系统，绕组变形振动信号检测子系统，电流互感器检测子系统，计算机12组成，所述油色谱分析子系统由色谱仪4、色谱分析仪5、计算机12组成；所述色谱仪4的输出端经色谱分析仪5接所述计算机12的第一输入端；

所述局部放电超高频信号检测子系统由天线1、第一信号调理器2、第一数据采集卡3、所述计算机12组成；天线1接第一信号调理器2的天线接口端，第一信号调理由器2的输出端经第一数据采集卡3接所述计算机12的第二输入端；

所述绕组变形振动信号检测子系统由振动传感器9、电荷放大器10、第二数据采集卡11、所述计算机12组成；所述振动传感器(9)的输出端依次经电荷放大器10、第二数据采集卡11接所述计算机12的第三输入端；

所述电流互感器检测子系统由电流互感器6、第二信号调理器7、第三数据采集卡8组成；所述电流互感器6的输出端依次经第二信号调理器7、第三数据采集卡8接所述计算机12的第四输入端。

在所述计算机12中装有基于模糊核聚类和支持向量机的故障诊断算法软件、小波频谱分解算法软件、电流信号分析软件、基于D-S证据理论融合评估算法软件。

所述天线1采用超宽带双臂平面等角螺旋天线；所述振动传感器9的型号为朗斯LC0803型应变加速度传感器；所述电流互感器6的型号为L ZZJB₆-10Q 400-1600/5；所述第一至第三数据采集卡的型号为HP3901A；所述第一至第二信号调理器的型号为KD0705；所述电荷放大器的型号为朗斯LC0602。

所述振动传感器9的个数为6-12个。

实施例2(本发明评估方法的实施例，参见图1-5)：

被测变压器13采用特变电工500kV360MVA三相双绕组变压器。

利用实施例1所述的系统，按照上述发明内容部分的技术方案二操作即可。

本实施例2的检测诊断结果见附表1，对附表1的说明如下：

在附表1中，由于油色谱分析法不能对绕组变形和外部故障进行鉴别，因此其指派概率为0。超高频信号局部放电分析只能鉴别是否发生局部放电和电弧放电故障，无法鉴别其他故障，图4为本实施例检测到的放电波形，图5为振动信号频谱图。振动信号分析只能判别绕组是否变形，无法鉴别其他故障类型，本实施例没有振动异常，因此振动信号分析对各故障的指派概率为0。电流分析法无法鉴别局部放电和绕组变形，因此这两项的指派概率为0，且电流分析法只能区分内部短路、外部过载、内部接地、外部接地，而绕组短路往往与电弧放电同时发生，从而引发继电保护动作。本实施例诊断去除振动信号分析的影响，只有电弧放电得到三种方法的支持，因此证据组合的结果是被测变压器发生了电弧放电。

附表1(证据指派概率)：

基本概率指派函数	绕组短路	铁心多点接地	局部放电	电弧放电	绕组变形	外部故障
							油色谱	0.0516	0.0284	0.2483	0.6717	0	0
超高频	0	0	0.1747	0.8253	0	0
							振动	0	0	0	0	0	0
继电保护	0.5	0	0	0.5	0	0

Claims (4)

1、基于多源信息融合的变压器状态评估系统，其特征在于它由油色谱分析子系统，局部放电超高频信号检测子系统，绕组变形振动信号检测子系统，电流互感器检测子系统，计算机(12)组成，所述油色谱分析子系统由色谱仪(4)、色谱分析仪(5)、计算机(12)组成；所述色谱仪(4)的输出端经色谱分析仪(5)接所述计算机(12)的第一输入端；

所述局部放电超高频信号检测子系统由天线(1)、第一信号调理器(2)、第一数据采集卡(3)、所述计算机(12)组成；天线(1)接第一信号调理器(2)的天线接口端，第一信号调理由器(2)的输出端经第一数据采集卡(3)接所述计算机(12)的第二输入端；

所述绕组变形振动信号检测子系统由振动传感器(9)、电荷放大器(10)、第二数据采集卡(11)、所述计算机(12)组成；所述振动传感器(9)的输出端依次经电荷放大器(10)、第二数据采集卡(11)接所述计算机(12)的第三输入端；

所述电流互感器检测子系统由电流互感器(6)、第二信号调理器(7)、第三数据采集卡(8)组成；所述电流互感器(6)的输出端依次经第二信号调理器(7)、第三数据采集卡(8)接所述计算机(12)的第四输入端；

在所述计算机(12)中装有基于模糊核聚类和支持向量机的故障诊断算法软件、小波频谱分解算法软件、电流信号分析软件、基于D-S证据理论融合评估算法软件。

2、根据权利要求1所述的基于多源信息融合的变压器状态评估系统，其特征在于所述天线(1)采用超宽带双臂平面等角螺旋天线；所述振动传感器(9)的型号为朗斯LC0803型应变加速度传感器；所述电流互感器(6)的型号为L ZZJB₆-10Q 400-1600/5；所述第一至第三数据采集卡的型号为HP3901A；所述第一至第二信号调理器的型号为KD0705；所述电荷放大器的型号为朗斯LC0602。

3、根据权利要求2所述的基于多源信息融合的变压器状态评估系统，其特征在于所述振动传感器(9)的个数为6-12个。

4、基于多源信息融合的变压器状态评估方法，它包括有以下四种检测方法：采用基于模糊核聚类和支持向量机的故障诊断算法的油色谱分析法、采用基于小波频谱分析算法的局部放电超高频信号检测法、采用基于小波频谱分析算法的绕组变形振动信号检测法、采用电流互感器的电流信号分析法；其特征在于利用D-S证据理论融合评估算法将上述四种检测方法所得的检测结果融合起来评判一台被测变压器的运行状态；

具体方法步骤如下：

(1)首先利用上述四种检测方法分别对被测变压器进行检测得出各自的检测结果；

(2)然后根据所述的检测结果分别给出证据对目标的基本概率指派函数值即指派概率：

a、所述油色谱分析法指派概率的确定：

通过基于模糊核聚类和支持向量机的故障诊断算法，得到中低温过热即铁心多点接地，高温过热即绕组短路，低能放电即局部放电，高能放电即电弧放电四类故障的指派概率；

b、所述局部放电超高频信号检测法指派概率的确定：

通过小波包分解，提取最大放电量和放电次数两个特征值，将其作为ANFIS网络的输入，输出为局部放电或电弧放电故障的指派概率；所述ANFIS网络为神经网络和Sugeno型模糊推理系统的结合；

c、所述绕组变形振动信号检测指派概率的确定：

根据高频分量是否出现，判断绕组变形故障的有无，若有故障，则指派概率为1；若无故障，指派概率为0；

d、所述电流检测法指派概率的确定：

根据电流互感器的检测结果，判断绕组短路、电弧放电和外部故障，若为外部故障，指派概率为1；若为绕组短路或电弧放电故障，指派概率分别为0.5；

(3)计算每种故障的证据空间：

a、针对所述四种检测方法，取j＝1，2，3，4；针对下述六种故障Ai：绕组短路、铁心多点接地、局部放电、电弧放电、绕组变形、外部故障，i取1，2，3，4，5，6，然后计算基本可信数m_j(i)和不确定性概率m_j(θ)；

b、利用D-S证据理论融合评估算法中的合并法则即下述公式(A)对m_j进行融合， $m=m_1\⊕m_2\⊕m_3\⊕m_4,$ 得到的融合后的基本可信数m(i)(i＝1，2，3，4，5，6)和不确定性概率m(θ)：

$m_1\⊕m_2\left(C\right)=\left\{\begin{array}{cc}0& C=\mathrm{\Φ}\\ \frac{\underset{A\∩B=C}{\mathrm{\Σ}}{m}_1\left(A\right)m_2\left(B\right)}{1-\underset{A\∩B=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A\right)m_2\left(B\right)}& C\≠\mathrm{\Φ}\end{array}\right.---\left(A\right)$

c、按照下述公式(B)计算证据区间[Bel_j(i)，pl_j(i)]：

$\left\{\begin{array}{c}\mathrm{Be}{l}_j\left(i\right)=m_j\left(i\right)\\ p{l}_j\left(i\right)=1-\mathrm{Be}{l}_j\left(\stackrel{\‾}{i}\right)=m_j\left(i\right)+m_j\left(\mathrm{\θ}\right)\end{array}\right.---\left(B\right)$

其中：Bel_j(i)为信任函数；pl_j(i)为似真度函数；

(4)根据下述诊断决策确定诊断结果即故障类型Fc如下：

所述诊断决策为：规则1：目标类别应具有最大的基本可信度值；规则2：目标类别与其他类别的基本可信度值的差必须大于某一阈值；规则3：不确定性概率m_j(θ)必须小于某一阈值；规则4：目标类别的基本可信度值必须大于不确定概率m_j(θ)。

Images