CN102998545B - 一种变压器绕组工作状态的在线监测方法 - Google Patents

Abstract

本发明公开了一种变压器绕组工作状态的在线监测方法，其包括下列步骤：采集变压器箱壁的振动信号、变压器的三相电压信号和三相电流信号，并根据变压器的三相电压信号和三相电流信号计算得到相应的三个功率因数；基于广义自回归神经网络建立变压器箱壁振动模型；将测得的变压器箱壁振动信号100Hz分量的幅值与变压器箱壁振动模型的期望输出量进行比较，若二者的相对误差小于一阈值，则判断变压器绕组运行状态正常；若二者的相对误差大于等于该阈值，则判断变压器绕组发生了松动或变形。该方法能有效地、高灵敏度地在线监测出变压器绕组的松动和变形状况，从而可及时检修或更换变压器，避免因绕组结构损坏而导致变压器发生突然短路的故障。

Description

一种变压器绕组工作状态的在线监测方法

技术领域

本发明涉及一种信号监测方法，尤其涉及一种变压器绕组工作状态的在线监测方法。

背景技术

变压器是电力系统中最重要的设备之一，其运行的稳定性对电力系统的安全影响重大。随着我国电网容量的日益增大，短路容量亦随之不断增大，变压器出口短路形成的冲击电流产生的巨大电磁作用力对变压器绕组的机械强度和动稳定性构成了严重的威胁。目前变电站设备及线路的运行环境始终不容乐观，因外部短路造成变压器绕组受冲击而引发的变形，是变压器运行过程中较为常见的故障，其对系统的安全运行造成了很大的威胁。

变压器遭受突发短路后，其绕组可能首先发生松动或轻微变形，通过大量的实验研究分析变压器绕组变形具有累积效应，如果对于松动或变形不能及时发现和修复，那么在变压器的松动或变形累积到一定程度后会使变压器的抗短路能力大幅下降而在遭受较小的冲击电流下也会引发大的事故发生。

绕组的变形一方面会导致机械抗短路电流冲击能力的下降，另一方面也会导致线圈内部局部绝缘距离发生变化，使局部出现绝缘薄弱点，当遇到过电压作用时，绕组有可能发生饼间或匝间短路导致变压器绝缘击穿事故，或者由于局部场强增大而引起局部放电，绝缘损伤部位会逐渐扩大，最终导致变压器发生绝缘击穿事故而引发进一步的事态扩大。

因此，在运行过程中当变压器经历了外部短路事故后或运行一段时间后的常规检修中，如何有效地检测出变压器绕组是否存在松动和变形，从而判断变压器是否需要检修处理显得十分重要，是保障变压器安全运行的一个重要手段，因此变压器绕组变形的检测是目前变压器常规试验项目之一。

目前实际应用的对变压器绕组状态的检测方法主要有以下三种：

1、短路阻抗法

变压器短路阻抗是当负载阻抗为零时变压器内部的等效阻抗，短路阻抗是变压器绕组的漏抗和电阻的矢量和，由于变压器直流电阻相对于漏抗数值很小，因此变压器的短路阻抗反映的主要是变压器绕组的漏抗。由变压器的理论分析可知，变压器漏抗值是由绕组的几何尺寸所决定的，或者说是由绕组的结构决定的，一旦变压器绕组发生变形，从理论上来说变压器的漏抗相应也会发生变化，因此通过对变压器短路阻抗的检测可以间接地反映变压器绕组内部是否发生了变形。

一般情况下，运行中的变压器受到了短路电流的冲击后，或在定期常规检查时要将测得的短路阻抗值与原有的记录进行比较来判断绕组是否发生了变形，如果短路阻抗值变化较大，例如国标中设定为变化超过3％，则可确认绕组有显著变形。

按照有关标准规定，变压器在短路阻抗测试试验中，要求测量每一相的短路阻抗，并把试验后所测量的短路阻抗值与以往试验的数据加以比较，根据其变化的程度，作为判断被试变压器绕组是否合格的重要依据之一。

从实际应用情况来看，短路阻抗法在长期的生产实践中已建立了标准，判据较为明确，在国际电工标准IEC60076-5和GB1095-85中均明确给出了线圈变形程度的判据。但很多情况下这种方法的灵敏度很低，故障的检出率较低，只有在线圈整体变形情况较为严重时才能够得到较明确的反映。

2、频响分析法

频响分析法的基本原理是将变压器绕组视为一个分布参数网络，它由对地电容C、纵向电容K、电感L等分布参数构成一无源线性双端口网络，该网络的特性在频域上可以用传递函数H(jω)来描述。

绕组发生局部机械变形后，其内部的分布电感L、纵向电容K和对地电容C等分布参数会发生相应的变化，从而在网络的传递函数H(jω)上得到反映。因此分析变压器绕组的网络传递函数曲线的变化情况就可以分析内部的网络电参数是否发生变化，从而推断相应的机械结构是否发生了变形，这是频响分析法测试变压器绕组变形的依据和基础。

频响法测试首先将一稳定的正弦扫频电压信号V_i施加到被试变压器绕组的一端，然后同时记录该端口V_i和其它输出端口上的电压V_o，从而得到该被试绕组的一组频响特性曲线，其表达式为

H(jω)＝V_o/V_i

频响法的测试灵敏度较短路阻抗法高，但由于其频响波形的复杂性，对绕组状况的判别需要较多的经验，较难形成明确的定量判据，因此至今没有形成判别标准。

上述两种方法是目前判别变压器绕组状况最常用的，两种方法都是采用电测方法，出发点都是基于变压器绕组发生明显变形的状况下模型中对应的元件的电气参数发生变化来进行测量判别，这对变压器绕组发生较明显的变形情况较为适宜，但对绕组发生轻微变形，尤其是对变压器绕组存在的相对松动和扭曲变形的状态不能给出较明确的判断，因为这些情况下反映在等效电路模型中的电参数几乎没有变化，其传递函数的变化也就非常小。然而变压器绕组松动或扭曲变形对其抗短路能力有很大的影响，因此研究绕组的状况需有灵敏度更高的方法来进行判别。

3、振动分析法

振动分析法的基本原理是把变压器绕组看作一个机械结构体，则当绕组结构或受力发生任何变化时，都可以从它的机械振动特性变化上得到反映。绕组的振动通过变压器内部结构连接件传递到变压器箱体，所以变压器箱体表面检测得到的振动信号与变压器的绕组振动特性有密切的关系，因此，变压器箱体表面的振动信号分析可以作为变压器绕组故障诊断的一个途径。与前述电气测量法相比较，振动分析法的最大优点是可通过吸附在变压器箱壁上的振动传感器来获得变压器的振动信号，通过分析其振动特性的变化来判断绕组状态的变化情况，只要绕组的机械特性(如结构变形、预紧力松动等)发生变化，都可以从它的机械振动特性变化上得到反映，从而大大提高了检测的灵敏度。此外，将振动传感器置于箱壁上的振动检测与整个强电系统没有直接的连接，对于整个电气系统的正常运行没有任何影响，因此，可发展成为一种较准确、便捷、安全的在线监测方法。

变压器的振动主要包括铁芯振动和绕组振动。铁芯振动主要由硅钢片的磁致伸缩和电磁吸引力引起，若忽略磁滞现象，铁芯振动与磁感应强度的平方成正比，或者与外加电压的平方成正比。绕组振动主要由漏磁场与绕组电流相互作用产生的电动力引起，与电流的平方成正比。因此，需要建立变压器的箱壁振动模型，对绕组的工作状态进行描述和判别。

发明内容

本发明的目的是提供一种变压器绕组工作状态的在线监测方法，该方法通过对变压器电压、电流和振动信号进行实时监控，能够实现对变压器绕组工作状态的高效、准确地判断。

为了实现上述发明目的，本发明提供了一种变压器绕组工作状态的在线监测方法，其包括下列步骤：

(1)采集变压器箱壁的振动信号、变压器的三相电压信号和三相电流信号，并根据变压器的三相电压信号和三相电流信号计算得到相应的三个功率因数。

(2)基于广义自回归神经网络建立变压器箱壁振动模型：

$Y=\frac{S_N}{S_D}$

$S_D=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{p}_i$

$S_N=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i$

$p_i=\exp (-\frac{{[X-X_i]}^T[X-X_i]}{2{\mathrm{\σ}}^2}),i=\mathrm{1,2},L,n$

式中，n为广义自回归神经网络中神经元的数目；X为所述变压器箱壁振动模型的输入量，其是将所述变压器的三相电压信号、三相电流信号和相应的功率因数共9个量形成的向量序列，X＝[x₁，x₂，L，x₉]^T；X_i是第i个神经元对应的学习样本向量，所述学习样本向量为在测得的三相电压信号、三相电流信号和计算得到的相应的功率因数中任意选取一段数据形成的向量，学习样本向量包括任意一段取自学习样本的训练样本向量和除了训练样本向量之外的预测样本向量，X_i＝[x_i1，x_i2，L，x_i9]^T；σ是光滑因子，其取值范围为0.10～0.20；y_i是所述变压器箱壁振动模型的实际输出量，与训练样本向量相对应，其是变压器箱壁的振动信号的100Hz分量的幅值；Y是所述变压器箱壁振动模型的期望输出量，与预测样本向量相对应，其是变压器箱壁的振动信号的100Hz分量的幅值。

广义自回归神经网络是由大量处理单元(或称为神经元)通过相关连接而构成的自适应非线性动态系统，其由输入层、模式层、求和层和输出层四层构成。其中，输入层是由神经元的输入构成，对应神经网络的输入X＝[x₁，x₂，L，x_p]^T，模式层由多个神经元构成，模式层的神经元数目等于学习样本向量的数目n，各神经元各自对应不同的学习样本向量，其中学习样本向量包括训练样本向量和预测样本向量。广义自回归神经网络是本领域内的技术人员均所熟知的动态系统，故发明人在本技术方案中对此不再做详细的介绍。

(3)在采集的变压器箱壁的振动信号中选取与变压器箱壁振动模型的期望输出量Y时间对应的振动信号，对其进行傅里叶变换得到该振动信号的100Hz分量的幅值Y′。

(4)将Y′与变压器箱壁振动模型的期望输出量Y进行比较，若二者的相对误差小于15％～20％，则判断变压器绕组运行状态正常；若二者的相对误差大于等于15％～20％，则判断变压器绕组发生了松动或变形，相对误差E的计算公式为

$E=\frac{|Y^{\′}-Y|}{Y}\×100\%$

也就是说，本技术方案是将某一时间段内的变压器三相电压信号和三相电流信号以及三个功率因数作为输入向量输入变压器箱壁振动模型后会得到相应的输出，该输出为变压器箱壁的振动信号的100Hz分量幅值的期望输出量(其为计算值，即Y)，然后将同一时间段内测得的变压器箱壁的振动信号的100Hz分量幅值(其为实测值，即Y′)与上述期望输出量进行比较，根据二者的相对误差就可以判断出变压器绕组的工作状态。

本发明所述的变压器绕组工作状态的在线监测方法由于采用了上述技术方案，使得其可以通过对变压器电压、电流和振动信号的实时监控，来直接判断变压器绕组的工作状态，该判断方法高效、准确，且易于实施，便于操作人员及时发现变压器绕组的异常，从而根据异常情况对变压器进行及时地检修，大大降低了变压器的故障损坏率。

附图说明

以下结合附图和具体实施例来对本发明所述的变压器绕组工作状态的在线监测方法做进一步的详细说明。

图1为本发明所述的变压器绕组工作状态的在线监测方法在一种实施方式中采用的广义自回归神经网络的结构示意图。

图2为采用本发明所述的变压器绕组工作状态的在线监测方法在本实施例中得到的变压器箱壁的振动信号的100Hz分量幅值的计算结果和实测结果及对应的相对误差曲线。

具体实施方式

以某电力公司的某变电站的220kV变压器为试验对象进行在线监测，按照下列步骤判断该变压器绕组的工作状态：

(1)将振动传感器设置在该变压器的箱壁上，实时采集变压器箱壁的振动信号；同时采用电压互感器和电流互感器分别采集变压器的三相电压信号和三相电流信号；

(2)将采集到的振动信号进行抗混迭数字滤波和高速缓存，然后和电压互感器和电流互感器分别采集到的变压器的三相电压信号和三相电流信号一起通过高速总线传输至数据分析模块；

(3)根据三相电压和三相电流计算相应的三个功率因数，该计算方法为电学领域技术人员所熟知的，故在此不再列式表达；

(4)基于广义自回归神经网络建立变压器箱壁振动模型：

$Y=\frac{S_N}{S_D}$

$S_D=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{p}_i$

$S_N=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i$

$p_i=\exp (-\frac{{[X-X_i]}^T[X-X_i]}{2{\mathrm{\σ}}^2}),i=\mathrm{1,2},L,n$

式中，n为广义自回归神经网络中神经元的数目；X为所述变压器箱壁振动模型的输入量，其是将所述变压器的三相电压信号、三相电流信号和相应的功率因数共9个量形成向量序列，学习样本向量包括任意一段取自学习样本的训练样本向量和除了训练样本向量之外的预测样本向量，X＝[x₁，x₂，L，x₉]^T；X_i是第i个神经元对应的学习样本向量，该学习样本向量为在测得的三相电压信号、三相电流信号和计算得到的相应的功率因数中任意选取一段数据形成的向量序列，X_i＝[x_i1，x_i2，L，x_i9]^T；σ是光滑因子，在本实施例中，其值为0.19；y_i是所述变压器箱壁振动模型的实际输出量，与训练样本向量相对应，其是变压器箱壁的振动信号的100Hz分量的幅值；Y是所述变压器箱壁振动模型的期望输出量，与预测样本向量相对应，其是变压器箱壁的振动信号的100Hz分量的幅值；

本实施例中广义自回归神经网络的结构如图1所示，该广义自回归神经网络由输入层、模式层、求和层和输出层四层构成。其中，输入层是由神经元的输入构成，对应神经网络的输入X＝[x₁，x₂，L，x₉]^T，模式层由多个神经元构成，模式层的神经元数目等于学习样本向量的数目n，各神经元各自对应不同的学习样本向量，其中学习样本向量包括训练样本向量和预测样本向量；

(5)在采集的变压器箱壁的振动信号中选取与变压器箱壁振动模型的期望输出量Y时间对应的振动信号，对其进行傅里叶变换得到该振动信号的100Hz分量的幅值Y′，傅里叶变换是求得振动信号的100Hz分量幅值数学方法，其是本领域内的普通技术人员均所熟知的，故本文在此不再进行列式表达；

(4)将Y′与变压器箱壁振动模型的期望输出量Y进行比较，若二者的相对误差小于15％～20％，则判断变压器绕组运行状态正常；若二者的误差大于等于15％～20％，则判断变压器绕组发生了松动或变形。

图2显示了本实施例中根据上述方法得到的一段时间内变压器箱壁的振动信号的100Hz分量幅值的计算值和实测值及对应的相对误差曲线，其中计算值为根据变压器箱壁振动模型基于输入量计算得到的变压器箱壁的振动信号的100Hz分量幅值，实测值为对实测振动信号的100Hz分量的幅值。从图2中可以看出，最大相对误差为14.58％，说明此时变压器绕组处于正常状态。

要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。

Claims (1)

1.一种变压器绕组工作状态的在线监测方法，其特征在于，包括下列步骤：

(1)采集变压器箱壁的振动信号、变压器的三相电压信号和三相电流信号，并根据变压器的三相电压信号和三相电流信号计算得到相应的三个功率因数；

(2)基于广义自回归神经网络建立变压器箱壁振动模型：

$Y=\frac{S_N}{S_D}$

$S_D=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{p}_i$

$S_N=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i$

$p_i=\exp (-\frac{{[X-X_i]}^T[X-X_i]}{{2\mathrm{\σ}}^2}),i=\mathrm{1,2},...,n$

式中，n为广义自回归神经网络中神经元的数目；X为所述变压器箱壁振动模型的输入量，其是将所述变压器的三相电压信号、三相电流信号和相应的功率因数共9个量形成向量序列，X＝[x₁,x₂,…,x₉]^T；X_i是第i个神经元对应的学习样本向量，所述学习样本向量为在测得的三相电压信号、三相电流信号和计算得到的相应的功率因数中任意选取一段数据形成的向量，学习样本向量包括任意一段取自学习样本的训练样本向量和除了训练样本向量之外的预测样本向量，X_i＝[x_i1,x_i2,…,x_i9]^T；σ是光滑因子，其取值范围为0.10～0.20；y_i是所述变压器箱壁振动模型的实际输出量，与训练样本向量相对应，其是变压器箱壁的振动信号的100Hz分量的幅值；Y是所述变压器箱壁振动模型的期望输出量，其与预测样本向量相对应，为变压器箱壁的振动信号的100Hz分量的幅值；

(3)在采集的变压器箱壁的振动信号中选取与变压器箱壁振动模型的期望输出量Y时间对应的振动信号，对其进行傅里叶变换得到测得的该振动信号的100Hz分量的幅值Y'；

(4)将Y'与变压器箱壁振动模型的期望输出量Y进行比较，若二者的相对误差小于20％，则判断变压器绕组运行状态正常；若二者的相对误差大于等于20％，则判断变压器绕组发生了松动或变形。