CN104484702B - 多特征判据电力变压器保护状态识别方法 - Google Patents

Abstract

本发明公开了一种多特征判据电力变压器保护状态识别方法，以解决现有变压器保护识别判断方法存在的不足；本发明将电流波形按照四分之一周期、二分之一周期、一个周期分别做差值取样，并分别计算差值的相对差作为三个判据，再加上低电压判断，共四个判据送入事先基于统计数据训练完成的神经网络，然后基于神经网络的输出，取最大似然的识别编码，得到变压器保护状态。本发明采用四个判据，更加深入地挖掘变压器中电流电压所含信息，使判断更加准确；使用智能的神经网络判断系统，尽可能的消除误判；将统计数据集成在神经网络中，实际使用中，无需反复对照统计数据就能直观有效地做出故障判断。

Description

多特征判据电力变压器保护状态识别方法

技术领域

本发明涉及一种电力变压器保护状态识别方法，尤其涉及一种多特征判据电力变压器保护状态识别方法，属于电力设备技术领域。

背景技术

良好的变压器保护识别应具有以下功能：1.识别判断准确；2.区别由外部变化产生的正常涌动电流和内部故障；3.区别内部电路故障和外部电路故障。

目前变压器的保护基本以差动作为保护识别方法，但是此种方法具有如下的三个缺点：1.其使用单个判据对变压器状态进行识别，难以准确识别判断变压器故障状态；2.当变压器外部电路突然间有较大变化时，如变压器空载合闸或外部故障切除，在变压器中产生励磁涌动，其产生涌动电流，导致差动保护不平衡，而产生误判；3.内外故障的区别一般由统计数据及经验得出，难以有效且直观的做出正确评判。

发明内容

本发明的目的在于提供一种多特征判据电力变压器保护状态识别方法，以解决现有变压器保护识别判断方法存在的不足；本发明将电流波形按照四分之一周期、二分之一周期、一个周期分别做差值取样，并分别计算差值的相对差作为三个判据，再加上低电压判断，共四个判据送入事先基于统计数据训练完成的神经网络，然后基于神经网络的输出，取最大似然的识别编码，得到变压器保护状态。

本发明的目的通过以下技术方案予以实现：

一种多特征判据电力变压器保护状态识别方法，包括以下步骤：

1)由电流波形、低电压判据构成判据向量

设判据向量为：F＝[f₁，f₂，f₃，f₄]，其中

f₁为λ/4电流波形判据，λ表示周期，f₁由下式计算得出：

f₂为λ/2电流波形判据，由下式计算得出：

f₃为λ电流波形判据，由下式计算得出：

f₄为低电压判据，由下式计算得出

上式中N表示一个周期的取样数，I_i表示第i个取样点的电流值，U_i表示第i个取样点的电压值，U表示额定电压；

2)将正常工作、电路涌动、内部电路故障和外部电路故障分别编码为00、11、01、10，统计以往运行状态数据，处理出各个变压器保护状态所对应的各种判据的数据集，将判据向量作为输入，变压器状态编码作为输出，采用BP神经网络，附加动量学习规则，训练四输入两输出的神经网络，将训练好的神经网络写入变压器保护状态识别系统；

3)在对变压器保护状态进行识别时，对实时采集的变压器电流电压采用步骤1)中计算公式计算判据向量F＝[f₁，f₂，f₃，f₄]，送入变压器保护状态识别系统的神经网络中，得出神经网络输出向量；

4)由最大似然估计法，确定变压器的状态编码，完成变压器状态保护识别，返回步骤3)，等待下次识别请求。

本发明的目的还可以通过以下技术措施来进一步实现：

前述多特征判据电力变压器保护状态识别方法，其中神经网络的附加动量学习规则方法为：

附加动量学习法即是在传统BP学习方法基础上，在加权调节时赋予更新动量，以调出训练的局部最优解，更新规则如下式：

其中Δω(t)＝ω(t)-ω(t-1)，ω(t)表示第t次学习后神经网络各节点的权重向量，η表示神经网络的训练学习权重，E_T为神经网络的训练误差，a为动量因子。

前述多特征判据电力变压器保护状态识别方法，其中动量因子a取值范围为0.9至0.98。

前述多特征判据电力变压器保护状态识别方法，其中动量因子a取0.95。

前述多特征判据电力变压器保护状态识别方法，其中最大似然估计方法如下：

采用公式X＝arg[min(X-X_out)]，计算判断状态向量X的最可能的状态向量，即为变压器的实时状态；其中，X为变压器状态编码向量，取值为00、11、01、10，X_out为步骤3)中神经网络的输出向量。

与现有技术相比，本发明的有益效果是：1.采用四个判据，更加深入地挖掘变压器中电流电压所含信息，使判断更加准确；2.使用智能的神经网络判断系统，尽可能的消除误判；3.将统计数据集成在神经网络中，实际使用中，无需反复对照统计数据就能直观有效地做出故障判断。

附图说明

图1是本发明整体系统的逻辑结构示意图；

图2是本发明多特征判据识别方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1所示是本发明技术的整体系统的逻辑结构图，本发明工作过程分为离线训练部分和实时状态识别部分。

如图2所示，多特征判据电力变压器保护状态识别方法，包括以下步骤：

1)由电流波形、低电压判据构成判据向量

设判据向量为：F＝[f₁，f₂，f₃，f₄]，其中

f₁为λ/4电流波形判据，λ表示周期，λ/4电流判据是将一个周期λ内，前两个λ/4电流波形和后两个λ/4电流波形，做对称变换后求其相对差，并平均作为λ/4电流波形判据，f₁由下式计算得出：

f₂为λ/2电流波形判据，λ/2电流判据是将一个周期λ内，前λ/2波形与后λ/2波形做相应的对称变换后求其相对差，作为电流判据，由下式计算得出：

f₃为λ电流波形判据，λ电流判据是将本周期的电流波形与上一周期的电流波形作比较，求其相对差，作为电流判据，由下式计算得出：

f₄为低电压判据，低电压判据是将变压器的电压与额定电压做比较，由下式将变压器的电压与额定电压映射成判据数据，

由下式计算得出

上式中N表示一个周期的取样数，I_i表示第i个取样点的电流值，U_i表示第i个取样点的电压值，U表示额定电压；

2)将正常工作、电路涌动、内部电路故障和外部电路故障分别编码为00、11、01、10，统计以往运行状态数据，处理出各个变压器保护状态所对应的各种判据的数据集，将判据向量作为输入，变压器状态编码作为输出，采用BP神经网络，附加动量学习规则，训练四输入两输出的神经网络，将训练好的神经网络写入变压器保护状态识别系统；所述附加动量学习法即是在传统BP学习方法基础上，在加权调节时赋予更新动量，以调出训练的局部最优解，更新规则如下式：

其中Δω(t)＝ω(t)-ω(t-1)，ω(t)表示第t次学习后神经网络各节点的权重向量，η表示神经网络的训练学习权重，E_T为神经网络的训练误差，a为动量因子，取0.95。

3)在对变压器保护状态进行识别时，对实时采集的变压器电流电压采用步骤1)中计算公式计算判据向量F＝[f₁，f₂，f₃，f₄]，送入变压器保护状态识别系统的神经网络中，得出神经网络输出向量；

4)由最大似然估计法，确定变压器的状态编码，完成变压器状态保护识别，最大似然估计法具体为采用公式X＝_arg[min(X-X_out)]，计算判断状态向量X的最可能的状态向量，即为变压器的实时状态；其中，X为变压器状态编码向量，取值为00、11、01、10，X_out为步骤3)中神经网络的输出向量；

变压器的状态编码确定后返回步骤3)，等待下次识别请求。

除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (5)

1.一种多特征判据电力变压器保护状态识别方法，其特征在于，包括以下步骤：

1)由电流波形、低电压判据构成判据向量

设判据向量为：F＝[f₁,f₂,f₃,f₄]，其中

f₁为λ/4电流波形判据，λ表示周期，f₁由下式计算得出：

$f_1=min(\frac{\frac{\underset{i=0}{\overset{N/4}{\Σ}}\frac{\left|I_i+I_{N/2-i}\right|}{I_i}}{N/4}+\frac{\underset{i=N/4}{\overset{N/2}{\Σ}}\frac{\left|I_i+I_{N/2-i}\right|}{I_i}}{N/4}}{2},\frac{\frac{\underset{i=0}{\overset{N/4}{\Σ}}\frac{\left|I_i+I_{N/2-i}\right|}{I_i}}{N/4}+\frac{\underset{i=N/4}{\overset{N/2}{\Σ}}\frac{\left|I_i+I_{N/2-i}\right|}{I_i}}{N/4}}{2})$

f₂为λ/2电流波形判据，由下式计算得出：

$f_2=\frac{\underset{i=0}{\overset{N/2}{\Σ}}|I_i-(-1)I_{i+N/2}|}{N/2}$

f₃为λ电流波形判据，由下式计算得出：

$f_3=\frac{\underset{i=0}{\overset{N}{\Σ}}\left|I_i-I_{N-i}\right|}{N}$

f₄为低电压判据，由下式计算得出

$f_4=\frac{\underset{i=0}{\overset{N}{\&Sigma;}}\left\{\begin{array}{c}\mathrm{1.........................................}\frac{U}{U_i>0.7}\\ 0.3+(0.7-0.3)\frac{U}{U_i}\mathrm{.................0.3}\&le;\frac{U}{U_i}\&le;0.7\\ \mathrm{0.........................................}\frac{U}{U_i}<0.3\end{array}\right.}{N}$

上式中N表示一个周期的取样数，I_i表示第i个取样点的电流值，U_i表示第i个取样点的电压值，U表示额定电压；

2)将正常工作、电路涌动、内部电路故障和外部电路故障分别编码为00、11、01、10，统计以往运行状态数据，处理出各个变压器保护状态所对应的各种判据的数据集，将判据向量作为输入，变压器状态编码作为输出，采用BP神经网络，附加动量学习规则，训练四输入两输出的神经网络，将训练好的神经网络写入变压器保护状态识别系统；

3)在对变压器保护状态进行识别时，对实时采集的变压器电流电压采用步骤1)中计算公式计算判据向量F＝[f₁,f₂,f₃,f₄]，送入变压器保护状态识别系统的神经网络中，得出神经网络输出向量；

4)由最大似然估计法，确定变压器的状态编码，完成变压器状态保护识别，返回步骤3)，等待下次识别请求。

2.如权利要求1所述的多特征判据电力变压器保护状态识别方法，其特征在于，所述神经网络的附加动量学习规则方法为：

附加动量学习法即是在传统BP学习方法基础上，在加权调节时赋予更新动量，以调出训练的局部最优解，更新规则如下式：

$\mathrm{\&omega;}(t+1)=\mathrm{\&omega;}\left(t\right)-(1-a)\mathrm{\&eta;}\frac{\&part;E_T}{\&part;\mathrm{\&omega;}\left(t\right)}+a\mathrm{\&Delta;}\mathrm{\&omega;}\left(t\right)$

其中Δω(t)＝ω(t)-ω(t-1)，ω(t)表示第t次学习后神经网络各节点的权重向量，η表示神经网络的训练学习权重，E_T为神经网络的训练误差，a为动量因子。

3.如权利要求2所述的多特征判据电力变压器保护状态识别方法，其特征在于，所述动量因子a取值范围为0.9至0.98。

4.如权利要求3所述的多特征判据电力变压器保护状态识别方法，其特征在于，所述动量因子a取值为0.95。

5.如权利要求1所述的多特征判据电力变压器保护状态识别方法，其特征在于，步骤4)所述最大似然估计方法如下：

采用公式X＝arg[min(X-X_out)]，计算判断状态向量X的最可能的状态向量，即为变压器的实时状态；其中，X为变压器状态编码向量，取值为00、11、01、10，X_out为步骤3)中神经网络的输出向量。