CN104569666A - 基于电-图模型的电力变压器故障预测方法 - Google Patents

Abstract

本发明公开了一种基于电-图模型的电力变压器故障预测方法，首先将变压器视作整体研究建立一个电-图模型，该模型是依据变压器的输出电压信号、负载电流信号等电信号和红外热像仪采集的红外热像图而建立，然后利用模型对变压器故障进行预测，进一步提高供电系统的可靠性与稳定性。

Description

基于电-图模型的电力变压器故障预测方法

技术领域

本发明涉及电力系统的故障诊断领域，特别涉及一种电力变压器故障预测方法。

背景技术

随着国家特高压、新一代智能电网建设的推动，电网对输变电设备运行及管理技术也提出了更高要求。其中电力设备的安全可靠运行是保证电网安全的第一道防线，输变电设备中的关键设备的故障预测与可靠运行更是重中之重。

电力系统中关键设备--电力变压器的故障预测与动态监测一直是供电部门头疼的重要问题之一，电力变压器故障可致使输电网络中断并造成严重的经济损失，所以准确预测大型电力变压器是否发生故障并保证变压器的正常运行非常必要。针对电力变压器故障诊断方法的研究，前人已经做了很多有益的探索。例如常用的人工智能技术包括专家系统、人工神经网络、决策树理论等，此外近几年也出现了数据挖掘、模糊理论、粗糙集理论、Petri网络、贝叶斯网络、信息融合、极限学习机、区间数学理论及多智能体系统模型等技术以及上述方法的综合应用。

现有技术中有一种基于粗糙集理论变压器故障诊断装置及诊断方法，粗糙集理论能有效地分析和处理不精确、不一致、不完整等各种不完备数据，从中发现隐含知识，揭示潜在规律用粗糙集理论进行故障诊断，能较强地处理信息不完整和信息冗余的情形。但是该方法也有需要改进之处：①粗糙集方法的诊断规则的获取取决于条件属性集下各种故障情况训练样本集；②当丢失或出错的警报信息是关键信号时，诊断结果将受到影响；③当电网较复杂、庞大时，将导致决策表的规模变大，约简困难，诊断速度和精度降低。

另外，现有技术中还有一种由黄海等人提出的基于电-振动模型的电力变压器故障诊断方法，该方法通过采集变压器的电压信号、电流信号、油温信号以及多个振动测点，训练建立出电-振动模型，利用振动的实测数据与通过模型得到的预测数据进行比较，以对变压器进行故障诊断。模型考虑了变压器油箱壁多个测点振动，排除了单点振动信号对变压器内部振动反映不灵敏或者不完整的可能性，提高了利用电-振动模型进行变压器监测诊断的准确性。但是我们不难看出其模型本身带有的不足之处，比如一次监测需要采集大量的变压器参数并且多振动测点的布置也非常的麻烦、电-振动模型中电信号与变压器振动的关系是直接给出的结论而且该模型公式缺乏必要的推导等等。

发明内容

有鉴于此，本发明所要解决的技术问题是通过建立一种新的模型来提供一种电力变压器故障预测方法。

本发明提供的电力变压器故障预测方法，包括以下步骤：

S1：采集电力变压器电信号以及红外热像图；

S2：观察分析红外热像图信息并对变压器故障做出初步判断；

S3：将采集信号以及红外热像图信息输入电-图模型；

S4：输出故障值Y；

S5：将所得Y值与给定的故障阈值比较；

S6：对电力变压器故障进行准确预测，并且给出故障的轻重度；

进一步，所述步骤S3中的电-图模型通过以下步骤来构建：

S31：采集电力变压器正常运行状态下的输出电压信号和负载电流信号；

S32：分别计算出输出电压信号的有效值U和负载电流信号有效值I；

S33：用红外热像仪采集电力变压器正常运行状态下的红外热像图；

S34：运用一种新的红外图像分割算法，即首先用粒子群算法确定最佳分割阈值，然后用脉冲神经网络算法对红外图像进行分割，从而可以得到分割后的电力变压器主要几个组成部分的红外热像图；

S35：利用红外图像分析仪可以得到变压器几个主要部件的最高温度值T；

S36：将电力变压器正常工作情况下测得的值与变压器出现故障时测得的n组值进行比较分析，并且根据专家经验构建电-图模型：

$Y=\mathrm{\α}{U}_n/U+\mathrm{\β}{I}_n/I+\underset{r=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\γ}}_r{T}_r$

其中，Y为输出的故障值，U和I分别表示正常工作时电力变压器输出的电压有效值和电流有效值，Un和In分别表示通常情况下电力变压器输出的电压有效值和电流有效值，Tr表示电力变压器主要部件的最高温度值，α表示输出电压信号所占输出故障值的经验权重，β表示负载电流信号所占输出故障值的经验权重，γ表示红外热像图信号所占输出故障值的经验权重，r表示所监测的电力变压器主要组成部件数且0≤r≤m的自然数，m为电力变压器主要部件数。

进一步，所述S34中的一种新型的红外图像分割算法包括以下具体步骤：

S341：首先通过粒子群算法确定最佳分割阈值。标准的PSO算法公式中，具有对上次个体极值点和全局极值点记忆的粒子定义为给定D维的适应度函数空间的一个可能解。在迭代过程中，每个粒子均会调整其在每一维空间的速度，计算出其新的位置。因为每个粒子更新是相对独立的，且维数只与适应度函数的解空间有关，所以，可以用下面的公式表示每个粒子其一维空间的运动情况：

$v_{t+1}=\mathrm{\ω}{v}_t+{\mathrm{\α}}_t^l(p_t^l-x_t)+{\mathrm{\α}}_t^g(p_t^g-x_t)---\left(1\right)$

x_t+1＝x_t+v_t+1    (2)

其中r₁,r₂～U(0,1)，v_t表示粒子在第t次迭代时的速度，x_t表示粒子第t次迭代时的位置，表示粒子在t次迭代过程中目前的个体极值点0表示种群在t次迭代过程中目前的全局极值点，ω称为惯性权重，常量c₁和c₂称为加速度因子。通常设置速度的上边界v_max和下边界v_min，防止粒子远离搜索空间。

根据电力变压器物理特性，将物理特性中的重要成分作为粒子群算法的输入，同时将物理结构特性方程作为适应度函数，从而输出分割的最佳阈值。

S342：利用脉冲神经网络算法对红外图像进行分割。PCNN是一个二维的神经网络，其模型主要由接受域、调制部分和脉冲生成器三大部分组成。

在接受域通常把图像中的一个像素(i，j)依次对应一个PCNN神经元，其中每一个神经元接受来自反馈通道F和连接通道L两部分信息，并通过权重矩阵M和W与其邻域神经元相连，在迭代过程中反馈输入和连接输入将会呈指数衰减。另外，针对整个模型，只在反馈通道中接受来自外部的激励S_ij，即像素对应的灰度值I_ij。由图1可知，整个接受部分描述如下：

$F_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_F}F(n-1)+V_F\underset{k,l}{\mathrm{\Σ}}{M}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)+S_{\mathrm{ij}}---\left(3\right)$

$L_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_L}{L}_{\mathrm{ij}}(n-1)+V_L\underset{k,l}{\mathrm{\Σ}}{W}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)---\left(4\right)$

其中，V_F和V_L分别为放大系数，α_F和α_L为衰减常数，Y_kl(n-1)是n-1次迭代时神经元的输出。权重矩阵W，M是相邻神经元的欧氏距离的倒数，即神经元(i，j)与神经元(k,l)的连接权，由

$M_{\mathrm{ij},\mathrm{kl}},W_{\mathrm{ij},\mathrm{kl}}=\left\{\begin{array}{cc}0& (i,j)=(k,l)\\ \frac{1}{{\left|\right|(i,j)-(k,l)\left|\right|}_2}& (i,j)\≠(k,l)\end{array}\right.---\left(5\right)$

计算得到.然后通过连接系数β将反馈输入和连接输入非线性耦合，从而形成神经元的内部活动激励U_ij，

U_ij(n)＝F_ij(n)(1+βL_ij(n))    (6)

此时，脉冲生成器将U_ij与先前得到的阈值E_ij进行比较.当U_ij超过阈值E_ij时，神经元点火形成脉冲，并输出为1，即

$Y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{cc}1& U_{\mathrm{ij}}\left(n\right)>E_{\mathrm{ij}}(n-1)\\ 0& \mathrm{others}\end{array}\right.---\left(7\right)$

$E_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_E}{E}_{\mathrm{ij}}(n-1)+V_E{Y}_{\mathrm{ij}}\left(n\right)---\left(8\right)$

当神经元点火之后，其阈值因常数V_E会瞬间增加，并在衰减因子α_E的影响下阈值呈指数衰减，直到该神经元再次点火.在上述参数确定的情况下，PCNN神经元自发地发生周期性点火，因模型具有同步脉冲发放现象，即一个神经元点火，会捕获其周围与之相似的神经元同步点火，这使得在迭代次数n确定的情况下，神经元的输出Y即为所得的分割效果。

S343：得到分割后的电力变压器主要几个组成部分的红外热像图以及全部温度信息。

本发明的优点在于：其一，建立了一种新的故障预测模型—电-图模型，同时为电力变压器的故障诊断提出了一种的方法；其二，实现非接触动态故障监测；其三，提高电力变压器故障预测的准确度与实时性；其四，提出的电-图模型可以扩展运用到其他电力设备的故障监测，具备很广阔的应用前景。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为基于电-图模型的电力变压器故障预测方法流程图；

图2为电-图模型图；

图3为红外热像图分割算法流程图；

图4为电力变压器主要部件温度信息表；

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

图1为基于电-图模型的电力变压器故障预测方法流程图，图2为电-图模型图，图3为红外热像图分割算法流程图，图4为电力变压器主要部件温度信息表，如图所示：本发明提供的电力系统设备故障预测方法，包括以下步骤：

S1：采集电力变压器电信号以及红外热像图；

S2：观察分析红外热像图并对变压器故障做出初步判断。获取电力变压器红外图像中温度信息，以及变压器正常温度差范围，见图4所示；

S3：将采集信号以及红外热像图信息输入电-图模型；

S4：输出故障值Y；

S5：将所得Y值与给定的故障阈值比较；

S6：对电力变压器故障进行准确预测，并且给出故障的轻重度；

所述步骤S3中的电-图模型通过以下步骤来构建：

S31：采集电力变压器正常运行状态下的输出电压信号和负载电流信号；

S32：分别计算出输出电压信号的有效值U和负载电流信号有效值I；

S33：用红外热像仪采集电力变压器正常运行状态下的红外热像图；

S34：运用一种新的红外图像分割算法，即首先用粒子群算法确定最佳分割阈值，然后用脉冲神经网络算法对红外图像进行分割，从而可以得到分割后的电力变压器主要几个组成部分的红外热像图；

S35：利用红外图像分析仪可以得到变压器几个主要部件的最高温度值T；

S36：将电力变压器正常工作情况下测得的值与变压器出现故障时测得的n组值进行比较分析，并且根据专家经验构建电-图模型：

$Y=\mathrm{\α}{U}_n/U+\mathrm{\β}{I}_n/I+\underset{r=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\γ}}_r{T}_r$

所述S34中的一种新型的红外图像分割算法包括以下具体步骤：

S341：首先通过粒子群算法确定最佳分割阈值。标准的PSO算法公式中，具有对上次个体极值点和全局极值点记忆的粒子定义为给定D维的适应度函数空间的一个可能解。在迭代过程中，每个粒子均会调整其在每一维空间的速度，计算出其新的位置。因为每个粒子更新是相对独立的，且维数只与适应度函数的解空间有关，所以，可以用下面的公式表示每个粒子其一维空间的运动情况：

$v_{t+1}=\mathrm{\ω}{v}_t+{\mathrm{\α}}_t^l(p_t^l-x_t)+{\mathrm{\α}}_t^g(p_t^g-x_t)---\left(1\right)$

x_t+1＝x_t+v_t+1    (2)

其中r₁,r₂～U(0,1)，v_t表示粒子在第t次迭代时的速度，x_t表示粒子第t次迭代时的位置，表示粒子在t次迭代过程中目前的个体极值点，表示种群在t次迭代过程中目前的全局极值点，ω称为惯性权重，常量c₁和c₂称为加速度因子。通常设置速度的上边界v_max和下边界v_min，防止粒子远离搜索空间。

根据电力变压器物理特性，将物理特性中的重要成分作为粒子群算法的输入，同时将物理结构特性方程作为适应度函数，从而输出分割的最佳阈值。

S342：利用脉冲神经网络算法对红外图像进行分割。PCNN是一个二维的神经网络，其模型主要由接受域、调制部分和脉冲生成器三大部分组成。

在接受域通常把图像中的一个像素(i，j)依次对应一个PCNN神经元，其中每一个神经元接受来自反馈通道F和连接通道L两部分信息，并通过权重矩阵M和W与其邻域神经元相连，在迭代过程中反馈输入和连接输入将会呈指数衰减。另外，针对整个模型，只在反馈通道中接受来自外部的激励S_ij，即像素对应的灰度值I_ij。由图1可知，整个接受部分描述如下：

$F_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_F}F(n-1)+V_F\underset{k,l}{\mathrm{\Σ}}{M}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)+S_{\mathrm{ij}}---\left(3\right)$

$L_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_L}{L}_{\mathrm{ij}}(n-1)+V_L\underset{k,l}{\mathrm{\Σ}}{W}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)---\left(4\right)$

其中，V_F和V_L分别为放大系数，α_F和α_L为衰减常数，Y_kl(n-1)是n-1次迭代时神经元的输出。权重矩阵W，M是相邻神经元的欧氏距离的倒数，即神经元(i，j)与神经元(k,l)的连接权，由

$M_{\mathrm{ij},\mathrm{kl}},W_{\mathrm{ij},\mathrm{kl}}=\left\{\begin{array}{cc}0& (i,j)=(k,l)\\ \frac{1}{{\left|\right|(i,j)-(k,l)\left|\right|}_2}& (i,j)\≠(k,l)\end{array}\right.---\left(5\right)$

计算得到.然后通过连接系数β将反馈输入和连接输入非线性耦合，从而形成神经元的内部活动激励U_ij，

U_ij(n)＝F_ij(n)(1+βL_ij(n))    (6)

此时，脉冲生成器将U_ij与先前得到的阈值E_ij进行比较.当U_ij超过阈值E_ij时，神经元点火形成脉冲，并输出为1，即

$Y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{cc}1& U_{\mathrm{ij}}\left(n\right)>E_{\mathrm{ij}}(n-1)\\ 0& \mathrm{others}\end{array}\right.---\left(7\right)$

$E_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_E}{E}_{\mathrm{ij}}(n-1)+V_E{Y}_{\mathrm{ij}}\left(n\right)---\left(8\right)$

当神经元点火之后，其阈值因常数V_E会瞬间增加，并在衰减因子α_E的影响下阈值呈指数衰减，直到该神经元再次点火.在上述参数确定的情况下，PCNN神经元自发地发生周期性点火，因模型具有同步脉冲发放现象，即一个神经元点火，会捕获其周围与之相似的神经元同步点火，这使得在迭代次数n确定的情况下，神经元的输出Y即为所得的分割效果。

S343：得到分割后的电力变压器主要几个组成部分的红外热像图以及全部温度信息。

本实施例融合了多种算法而且建立了一种新的故障预测模型—电-图模型，制定了精确地诊断步骤，得到了最终的电力变压器故障结果或者预测故障位置以及故障的轻重度，从而为电力变压器设备故障诊断的找到了一条完整又精确的途径，提高了电力变压器运行的可靠性与稳定性。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.基于电-图模型的电力变压器故障预测方法，其特征在于：包括以下步骤：

S1：采集电力变压器电信号以及红外热像图；

S2：观察分析红外热像图信息并对变压器故障做出初步判断；

S3：将采集信号以及红外热像图信息输入电-图模型；

S4：输出故障值Y；

S5：将所得Y值与给定的故障阈值比较；

S6：对电力变压器故障进行准确预测，并且给出故障的轻重度。

2.根据权利要求1所述的基于电-图模型的电力变压器故障预测方法，其特征在于：所述步骤S3中的电-图模型通过以下步骤来构建：

S31：采集电力变压器正常运行状态下的输出电压信号和负载电流信号；

S32：分别计算出输出电压信号的有效值U和负载电流信号有效值I；

S33：用红外热像仪采集电力变压器正常运行状态下的红外热像图；

S34：运用一种新的红外图像分割算法，即首先用粒子群算法确定最佳分割阈值，然后用脉冲神经网络算法对红外图像进行分割，从而可以得到分割后的电力变压器主要几个组成部分的红外热像图；

S35：利用红外图像分析仪可以得到变压器几个主要部件的最高温度值T；

S36：将电力变压器正常工作情况下测得的值与变压器出现故障时测得的n组值进行比较分析，并且根据专家经验构建电-图模型：

其中，Y为输出的故障值，U和I分别表示正常工作时电力变压器输出的电压有效值和电流有效值，Un和In分别表示通常情况下电力变压器输出的电压有效值和电流有效值，Tr表示电力变压器主要部件的最高温度值，α表示输出电压信号所占输出故障值的经验权重，β表示负载电流信号所占输出故障值的经验权重，γ表示红外热像图信号所占输出故障值的经验权重，r表示所监测的电力变压器主要组成部件数且0≤r≤m的自然数，m为电力变压器主要部件数。

3.根据权利要求2所述的基于电-图模型的电力变压器故障预测方法，其特征在于： 所述S34中的一种新型的红外图像分割算法包括以下具体步骤：

S341：首先通过粒子群算法确定最佳分割阈值。标准的PSO算法公式中，具有对上次个体极值点和全局极值点记忆的粒子定义为给定D维的适应度函数空间的一个可能解。在迭代过程中，每个粒子均会调整其在每一维空间的速度，计算出其新的位置。因为每个粒子更新是相对独立的，且维数只与适应度函数的解空间有关，所以，可以用下面的公式表示每个粒子其一维空间的运动情况：

x_t+1＝x_t+v_t+1            (2) 

其中r₁,r₂～U(0,1)，v_t表示粒子在第t次迭代时的速度，x_t表示粒子第t次迭代时的位置，表示粒子在t次迭代过程中目前的个体极值点，表示种群在t次迭代过程中目前的全局极值点，ω称为惯性权重，常量c₁和c₂称为加速度因子。通常设置速度的上边界v_max和下边界v_min，防止粒子远离搜索空间。

根据电力变压器物理特性，将物理特性中的重要成分作为粒子群算法的输入，同时将物理结构特性方程作为适应度函数，从而输出分割的最佳阈值。

S342：利用脉冲神经网络算法对红外图像进行分割。PCNN是一个二维的神经网络，其模型主要由接受域、调制部分和脉冲生成器三大部分组成。

在接受域通常把图像中的一个像素(i，j)依次对应一个PCNN神经元，其中每一个神经元接受来自反馈通道F和连接通道L两部分信息，并通过权重矩阵M和W与其邻域神经元相连，在迭代过程中反馈输入和连接输入将会呈指数衰减。另外，针对整个模型，只在反馈通道中接受来自外部的激励S_ij，即像素对应的灰度值I_ij。由图1可知，整个接受部分描述如下：

其中，V_F和V_L分别为放大系数，α_F和α_L为衰减常数，Y_kl(n-1)是n-1次迭代时神经元的输出。权重矩阵W，M是相邻神经元的欧氏距离的倒数，即神经元(i，j)与神经元(k,l)的连接权，由

计算得到.然后通过连接系数β将反馈输入和连接输入非线性耦合，从而形成神经元的内部活动激励U_ij，

U_ij(n)＝F_ij(n)(1+βL_ij(n))          (6) 

此时，脉冲生成器将U_ij与先前得到的阈值E_ij进行比较.当U_ij超过阈值E_ij时，神经元点火形成脉冲，并输出为1，即

当神经元点火之后，其阈值因常数V_E会瞬间增加，并在衰减因子α_E的影响下阈值呈指数衰减，直到该神经元再次点火.在上述参数确定的情况下，PCNN神经元自发地发生周期性点火，因模型具有同步脉冲发放现象，即一个神经元点火，会捕获其周围与之相似的神经元同步点火，这使得在迭代次数n确定的情况下，神经元的输出Y即为所得的分割效果。

S343：得到分割后的电力变压器主要几个组成部分的红外热像图以及全部温度信息。