CN102778632A - 对变压器绕组故障类型直接预报和识别的双规识别法 - Google Patents

Abstract

本发明公开一种对变压器绕组故障类型直接预报和识别的双规识别法，是一种基于隐马尔科夫模型和模糊识别基础之上对变压器绕组故障直接识别和预报的新方法。步骤为：第一步,建立变压器绕组各类机械状态数据库；第二步,建立起模糊识别库,给出每类故障的隶属度和识别准确率；第三步,建立起隐马尔科夫模型识别库,给出每类故障识别的相似概率和识别准确率；第四步,通过的隐马尔科夫模型识别概率值，得到的加权参数；第五步，确定隐马尔科夫模型和模糊识别的加权系数；第六步，得到识别变压器绕组故障的双规识别指数；第七步，通过求得的dg识别指数直接识别变压器绕组机械故障状态和类型。本发明方法不存在人为因素,抗环境的干扰能力强，不会有转化测得数据带来的误差。

Description

对变压器绕组故障类型直接预报和识别的双规识别法

技术领域

本发明涉及一种电力变压器，更具体地说，涉及一种对变压器绕组故障类型直接识别和预报的新方法。

背景技术

变压器绕组状态的准确识别在工程中具有重要的价值，对长期运行的电力变压器而言，可靠性问题至关重要，同时大型电力变压器也是电力系统最重要也是最昂贵的电气设备之一，因此变压器故障诊断有着非同寻常的意义。传统的检测方法主要有短路阻抗法、频响分析法等电测方法。电测法能够准确判断绕组较明显的变形，但对绕组轴向预紧力下降、轻微变形等故障，由于绕组的电参数并不发生变化，电测法将失去其判断的有效性。另外，利用电测法实现在线监测还具有较大困难。并且以上方法都只能给出变压器绕组存在故障，但是不能给出变压器属于何类故障，这给变压器的的维修带来极大的难题。

经过现有的文献检索发现，国内专利公开号CN101937047A，专利名称为:利用振动波形检测变压器绕组状态的方法，第一次提出了用振动烈度的方法对变压器的绕组是否存在机械故障进行判定。但这种方法存在如下缺点：第一，当测试的数据受到外界的干扰而变化后，该专利所提出的方法无法准确给出变压器绕组的状态；第二，测得的实验数据是二倍频加速度，而振动烈度则是用能量来表征绕组的状态，需要中间转化，转化过程势必产生误差；第三，振动烈度法测的实验数据必须在相同的时间段测得的数据才能运用，这样给识别带来一定的难度；第四，此方法不能对变压器绕组故障的类型进行识别；第五，使用受周围环境的影响。

发明内容

针对上述现有技术中存在的技术问题，本发明提供一种对变压器绕组故障类型直接识别和预报的双规识别法。融合隐马尔科夫模型(Hidden Markov Model，以下简称为HMM）和模糊识别的双规识别法(Double Normalization Recognition Method,以下简称为DNRM),能够直接预报和识别变压器绕组机械故障的类型,不存在人为因素,抗环境的干扰能力强，不会有转化测得数据带来的误差。

为达到上述发明目的，本发明所采用的技术方案如下：

一种对变压器绕组故障类型直接预报和识别的双规识别法，包括步骤如下：

第一步，建立变压器绕组各类机械状态数据库；

第二步，建立起模糊识别库，给出每类故障的隶属度d_i和识别准确率M；

第三步，建立起HMM识别库，给出每类故障识别的HMM相似概率log(P(D/λ_k))和识别准确率H；

第四步，通过HMM的识别概率值，得到HMM的加权参数p_i；

第五步，通过HMM识别给出的识别准确率H和模糊识别给出的识别准确率M，确定HMM识别和模糊识别的加权系数α和β；

第六步，通过上述得出的隶属度d_i、加权参数p_i以及α和β，得到识别变压器绕组故障的dg指数；

第七步，通过求得的dg识别指数直接识别变压器绕组机械故障状态和类型。

所述第二步是在变压器离线工作状态下测得变压器绕组各种机械故障状态的实验数据，通过特征提取，利用模糊识别的识别方法和理论，建立起模糊识别方法对变压器绕组机械故障各状态的识别库，并用多组各故障待识别数据得出模糊识别的隶属度d_i和识别准确率M。

所述第三步是在变压器离线工作状态下测得变压器绕组各种机械故障状态的实验数据,通过特征提取，然后利用HMM的识别方法和理论，建立起HMM方法对变压器绕组机械故障各状态的识别库，并用多组各故障待识别数据得出HMM识别的概率值和识别准确率H。

所述第四步是对变压器绕组各种机械状态的信号特征值采用HMM识别变压器绕组机械故障的相似概率最大值

与HMM相似概率log(P(D/λ_k))的比值进行归一化，得到HMM加权参数p_i。

所述第五步是将HMM识别变压器绕组各类故障的准确率和模糊识别对变压器绕组各类故障的准确率相比

以及由于归一化处理所得两加权系数的α+β＝1，从而求得HMM和模糊识别的加权系数α和β。

所述第六步是将归一化的特征值运用模糊识别和HMM识别得出的故障的隶属度和HMM的加权参数d_i和p_i，采用加权平均法得到判别变压器状态的指数dg=αd_i+βp_i。

所述dg指数满足一定的阈值Q∈[0,0.1]。

所述第七步是通过加权平均处理后，选取dg值最大时所对应的模式作为待测样本的故障模式，做出最终的诊断。

本发明技术方案所带来的有益效果：

（1）双规识别法的识别系统可以在变压器出厂或安装时在一侧安装好测试系统，同时，可以在线监测变压器绕组的机械状态，可以适时的预报变压器工作的情况，为变压器的正常安全的运行大大的提供了参考，并且提高了变压器工作的实用效率。

（2）双规识别法识别系统不仅能识别出变压器绕组的机械状态，而且可以准确预报变压器绕组机械故障的类型。

（3）双规识别法识别系统，由于形成一个识别数据库，因而在形成数据库的时候采集数据不受环境的影响，大大的减少了误判误差。

（4）双规识别法识别系统不仅能识别变压器绕组单一的机械故障状态，而且能识别变压器绕组复合机械故障状态下的哪类故障占据主导作用。

附图说明

图1是本发明实施例的变压器绕组各类故障数据库；

图2是变压器绕组不同机械状态下的模糊识别库；

图3是变压器绕组不同机械状态下的HMM识别库；

图4是本发明双规识别法识别过程及原理图；

图5是本发明双规识别法对变压器绕组单一各故障的识别dg指数图；

图6是本发明双规识别法对变压器绕组复合状态的识别dg指数图。

具体实施方式

本发明结合实施例和附图对本发明做进一步的说明。

本发明是一种对变压器绕组故障类型直接预报和识别的双规识别法，实施例包括以下各步骤：

第一步,建立变压器绕组各类机械状态数据库。

变压器箱体上每个测点测得的振动响应，都是铁心振动和绕组振动通过结构件和其他传递途径，传递到此处叠加形成的。这整个传递过程是线性的，那么就可以通过采集箱壁上的振动信号，提取和分析绕组的振动特性，从而判断绕组状态。对电力公司提供的变压器进行各种故障的设定，通过传感器和数据采集仪器，采集变压器在各种状态下的信号数据，如图1所示。

第二步,建立起模糊识别库,给出每类故障的隶属度d_i和识别准确率M。

在变压器离线工作状态下可以测得变压器绕组各种机械故障状态的实验数据，通过特征提取，然后利用模糊识别的识别方法和理论，建立起模糊识别方法对变压器绕组机械故障各状态的识别库，并用多组各故障待识别数据得出模糊识别的隶属度d_i，如图2所示，识别的准确率M如表1所示。

表1：模糊识别诊断结果分析统计（用40组识别数据）

识别结果	正常运行	螺纹松动	垫片缺失	无法识别	识别准确率M
						正常运行数据组数	35	1	1	3	87.5%
螺纹松动数据组数	0	36	0	4	90%
						垫片缺失数据组数	0	2	36	2	90%

第三步,建立起HMM识别库，给出每类故障识别的HMM相似概率log(P(D/λ_k))和识别准确率H。

在变压器离线工作状态下可以测得变压器绕组各种机械故障状态的实验数据,通过特征提取，然后利用HMM的识别方法和理论，建立起HMM方法对变压器绕组机械故障各状态的识别库，如图3所示。并用多组各故障待识别数据得出HMM识别的概率值和识别的准确率，如表2所示。

表2：HMM诊断结果分析统计（用40组识别数据）

识别结果	正常运行	螺纹松动	垫片缺失	无法识别	识别准确率H
						正常运行数据组数	37	1	2	0	92.5%
螺纹松动数据组数	0	39	0	1	97.5%
						垫片缺失数据组数	0	0	38	2	95%

第四步,通过HMM的识别概率值，得到HMM的加权参数p_i。

对变压器绕组各种机械状态的信号特征值采用HMM识别变压器绕组机械故障的相似概率最大值

与HMM相似概率log(P(D/λ_k))的比值进行归一化，得到HMM加权参数p_i。

$p_k=\frac{\underset{1\≤i\≤n}{\max }\left[\log \left(P(D/{\mathrm{\λ}}_i)\right)\right]}{\log \left(P(D/{\mathrm{\λ}}_k)\right)},$ k=1,2,Ln。

第五步，确定HMM和模糊识别的加权系数α和β。

将HMM识别变压器绕组各类故障的准确率和模糊识别对变压器绕组各类故障的准确率相比

以及由于归一化处理所得两加权系数的α+β=1，从而求得HMM和模糊识别的加权系数α和β。

$\left\{\begin{array}{cc}\mathrm{\α}+\mathrm{\β}=1& \\ \frac{\mathrm{\α}}{\mathrm{\β}}=\frac{M}{H}& \⇒\left\{\begin{array}{c}\mathrm{\α}=0.48\\ \mathrm{\β}=0.52\end{array}\right.\end{array}\right.$

第六步，得到识别变压器绕组故障的dg指数。

将归一化的特征值运用模糊识别和HMM识别得出的故障的隶属度和HMM的加权参数d_i和p_i，采用加权平均法得到判别变压器状态的指数dg=αd_i+βp_i。

第七步，通过求得的dg识别指数直接识别变压器绕组机械故障状态和类型。

通过加权平均处理后，选取dg值最大时所对应的模式作为待测样本的故障模式，做出最终的诊断。

图4为双规识别法识别过程及原理图。

dg指数必须满足一定的阈值，由于双规识别法是建立在HMM和模糊识别识别准确度之上的，因而阈值Q∈[0,0.1]，本发明双规识别阈值Q=0.1。

表4为用双规识别法识别40组绕组各状态下的识别结果及准确度。

图5为双规识别法对变压器绕组单一各故障的识别dg指数图。

表3：将变压器各状态下的双规dg识别指数归一化值

表4：双规识别法诊断结果分析统计（用40组识别数据）

识别结果	正常运行	螺纹松动	垫片缺失	无法识别	识别率
						正常运行数据组数	40	0	0	0	100%
螺纹松动数据组数	0	40	0	0	100%
						垫片缺失数据组数	0	0	39	1	97.5%

本发明所提供的双规识别法，不仅可以识别变压器绕组在单一机械故障状态下的类型，而且对于变压器绕组具有多种机械混合状态下也可以准确的识别出何种故障占主导地位。图6就是双规识别法对变压器绕组具有三种状态时识别结果，与实验结果完全吻合。

Claims (8)

1.一种对变压器绕组故障类型直接预报和识别的双规识别法，其特征在于，包括步骤如下：

第一步，建立变压器绕组各类机械状态数据库；

第二步，建立起模糊识别库，给出每类故障的隶属度d_i和识别准确率M；

第三步，建立起HMM识别库，给出每类故障识别的HMM相似概率log(P(D/λ_k))和识别准确率H；

第四步，通过HMM的识别概率值，得到HMM的加权参数p_i；

第五步，通过HMM识别给出的识别准确率H和模糊识别给出的识别准确率M，确定HMM识别和模糊识别的加权系数α和β；

第六步，通过上述得出的隶属度d_i、加权参数p_i以及α和β，得到识别变压器绕组故障的dg指数；

第七步，通过求得的dg识别指数直接识别变压器绕组机械故障状态和类型。

2.根据权利要求1所述的对变压器绕组故障类型直接预报和识别的双规识别法，其特征在于，所述第二步是在变压器离线工作状态下测得变压器绕组各种机械故障状态的实验数据，通过特征提取，利用模糊识别的识别方法和理论，建立起模糊识别方法对变压器绕组机械故障各状态的识别库，并用多组各故障待识别数据得出模糊识别的隶属度d_i和识别准确率M。

3.根据权利要求2所述的对变压器绕组故障类型直接预报和识别的双规识别法，其特征在于，所述第三步是在变压器离线工作状态下测得变压器绕组各种机械故障状态的实验数据,通过特征提取，然后利用HMM的识别方法和理论，建立起HMM方法对变压器绕组机械故障各状态的识别库，并用多组各故障待识别数据得出HMM识别的概率值和识别准确率H。

4.根据权利要求3所述的对变压器绕组故障类型直接预报和识别的双规识别法，其特征在于，所述第四步是对变压器绕组各种机械状态的信号特征值采用HMM识别变压器绕组机械故障的相似概率最大值

与HMM相似概率log(P(D/λ_k))的比值进行归一化，得到HMM加权参数p_i。

5.根据权利要求4所述的对变压器绕组故障类型直接预报和识别的双规识别法，其特征在于，所述第五步是将HMM识别变压器绕组各类故障的准确率和模糊识别对变压器绕组各类故障的准确率相比

以及由于归一化处理所得两加权系数的α+β＝1，从而求得HMM和模糊识别的加权系数α和β。

6.根据权利要求5所述的对变压器绕组故障类型直接预报和识别的双规识别法，其特征在于，所述第六步是将归一化的特征值运用模糊识别和HMM识别得出的故障的隶属度和HMM的加权参数d_i和p_i，采用加权平均法得到判别变压器状态的指数dg=αd_i+βp_i。

7.根据权利要求6所述的对变压器绕组故障类型直接预报和识别的双规识别法，其特征在于，所述dg指数满足一定的阈值Q∈[0,0.1]。

8.根据权利要求7所述的对变压器绕组故障类型直接预报和识别的双规识别法，其特征在于，所述第七步是通过加权平均处理后，选取dg值最大时所对应的模式作为待测样本的故障模式，做出最终的诊断。

Images