CN104678223A - 一种变压器绕组故障智能识别方法 - Google Patents

Abstract

一种变压器绕组故障智能识别方法，本发明先对变压器设备主动注入脉冲信号，获得变压器绕组网络曲线；基于振动频响法获得变压器振动频响曲线；将获得到的绕组网络曲线进行特征提取；将获得到的振动频响曲线进行特征提取；提取变压器绕组故障库的绕组网络曲线特征和振动频响曲线特征训练支持向量机SVM；将新检测到的绕组网络曲线特征和振动频响曲线特征输入到支持向量机SVM中进行绕组故障识别，并确定变压器设备内部是否存在绕组故障。本发明提高了变压器绕组故障检测和诊断的科学性、高效性和准确性。

Description

一种变压器绕组故障智能识别方法

技术领域

本发明涉及电力设备内部故障识别方法，尤其涉及一种变压器绕组故障智能识别方法。

背景技术

变压器是电力系统中的重要设备之一，其运行的稳定性和可靠性对于保证电力系统的安全意义重大。随着我国电网容量的日益增大，短路容量亦随之不断增大，作为电力系统核心设备的电力变压器的运行可靠性就显得越发重要，一旦出现事故，将会导致大面积停电及其带来的巨大的经济损失，后果较为严重。随着我国经济快速发展，电网容量日益扩大，系统短路容量也随之增大，因短路故障造成变压器损坏的统计数也逐年上升。因此，绕组故障已经成为变压器故障和电力系统故障的最主要原因之一，如何监测变压器运行过程中绕组的轻微变形，跟踪绕组状态，在其出现严重变形之前做出预警，使它们能够更好的抵御短路电流及其产生的电磁暂态过程的冲击是变压器绕组故障监测中亟需解决的关键科学技术问题。

目前，在不影响系统运行的情况下深入研究变压器绕组的网络响应特性、绕组的振动频响曲线、响应曲线特征量提取、绕组故障模式识别与绕组故障位置的在线准确获取及其预警是未来变压器绕组故障监测中最具前景和最活跃的发展方向。

与此同时，支持向量机(Support Vector Machine,SVM)是基于统计学习理论的结构风险最小化原理解决了小样本、非线性等问题，提高其泛化能力，从而能很好地处理变压器设备故障诊断所面临样本不足的问题。

针对上述问题，本发明利用变压器绕组故障库中绕组网络曲线特征和振动频响曲线特征样本对支持向量机SVM进行训练，训练完成后将新检测到的绕组网络曲线特征和振动频响曲线特征输入到支持向量机SVM中并自动地获得变压器绕组是否存在故障，从而达到对变压器绕组故障进行可视化智能识别的目的。本发明可提高变压器绕组故障识别的准确性，且可实现不依赖电力专家对变压器绕组故障的识别和判定的问题。

发明内容

为了提高对变压器绕组是否存在故障的准确性，同时智能、直观、可视地确定和识别出变压器绕组故障，本发明提出了一种变压器绕组故障智能识别方法，包括如下步骤：

1)对变压器设备主动注入脉冲信号，获得变压器绕组网络曲线；

2)基于振动频响法获得变压器振动频响曲线；

3)将获得到的绕组网络曲线进行特征提取；

4)将获得到的振动频响曲线进行特征提取；

5)提取变压器绕组故障库的绕组网络曲线特征和振动频响曲线特征训练SVM；

6)将新检测到的绕组网络曲线特征和振动频响曲线特征输入到SVM中进行绕组故障识别，并确定变

压器设备内部是否存在绕组故障。

其中，对检测到的绕组网络曲线特征提取是指提取绕组曲线的椭圆面积，倾斜度，轴长度，离心率。

对检测到的振动频响曲线特征提取是指提取振动频响曲线的水平摆动、垂直摆动、声波。

将获得的绕组网络曲线特征和振动频响曲线特征输入到SVM进行智能识别。

本发明的有益效果是，可实现对变压器绕组故障的智能诊断，便于电力系统检修和运行人员对设备缺陷进行判别。

下面结合附图及实例进一步说明本发明内容。

附图说明

图1是本发明基于绕组网络曲线和振动频响曲线特征的变压器绕组故障智能识别方法流程图。

具体实施方式

一种变压器绕组故障智能识别方法，本发明其特征是：

1)对变压器设备主动注入脉冲信号，获得变压器绕组网络曲线；

2)基于振动频响法获得变压器振动频响曲线；

3)将获得到的绕组网络曲线进行特征提取；

4)将获得到的振动频响曲线进行特征提取；

5)提取变压器绕组故障库的绕组网络曲线特征和振动频响曲线特征训练支持向量机SVM；

6)将新检测到的绕组网络曲线特征和振动频响曲线特征输入到支持向量机SVM中进行绕组故障识别，并确定变压器设备内部是否存在绕组故障。

其中，对检测到的绕组网络曲线特征提取是指提取绕组曲线的椭圆面积，倾斜度，轴长度，离心率。

对检测到的振动频响曲线特征提取是指提取振动频响曲线的水平摆动、垂直摆动、声波。

将获得的绕组网络曲线特征和振动频响曲线特征输入到支持向量机SVM进行智能识别。

本发明中对支持向量机SVM共设计100个20类分类器。

如图1所示，该图给出了基于绕组网络曲线和振动频响曲线特征的变压器绕组故障智能识别方法流程图。该方法包括如下的步骤：

1、对变压器设备主动注入脉冲信号，获得变压器绕组网络曲线；

2、基于振动频响法获得变压器振动频响曲线；

3、将获得到的绕组网络曲线进行特征提取。对检测到的绕组网络曲线特征提取是指提取绕组曲线的椭圆面积，倾斜度，轴长度，离心率；

4、将获得到的振动频响曲线进行特征提取。对检测到的振动频响曲线特征提取是指提取振动频响曲线的水平摆动、垂直摆动、声波；

5、提取变压器绕组故障库的绕组网络曲线特征和振动频响曲线特征训练SVM；

6、将新检测到的绕组网络曲线特征和振动频响曲线特征输入到SVM中进行绕组故障识别，并确定变压器设备内部是否存在绕组故障。

支持向量机是一种研究有限样本情况下基于统计学习理论的VC维理论和结构风险最小化原则基础上的新机器学习方法，这种方法利用核函数将样本映射到高维特征空间并在此空间构造最优线性分类超平面，以获得最大的推广能力。

假定(x_i,y_i)_{i＝1,2,…,n},x_i∈R^d,y_i∈{-1,+1}为样本训练集，其中x_i∈R^d表示d维的特征向量，y_i∈{-1,+1}表示特征向量x_i归属的类别，n为样本数。在非线性情况下，利用非线性变换将样本集原空间进行转换，样本空间两分类问题表示为：

式中：ω是权值向量，b为偏差。

另外，考虑到某些样本会存在不能被上式的分类超平面正确划分。因而，引入非负松弛因子ε_i来规定最大分类间隔和最小错误划分样本。规则化常数C″决定对错分样本错误的惩罚程度。因此，求解最优分类超平面的问题被转变为：

$\begin{array}{cc}\underset{\mathrm{\ω},b}{\min }& \frac{1}{2}{\left|\right|w\left|\right|}^2+C^{\′\′}\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i\right)\end{array}$

利用拉格朗日函数，上式转变为对偶问题进行求解：

$\begin{array}{cc}s.t.& \underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i\≤C,i=\mathrm{1,2},...,n\end{array}$

上式中，α_i只有一小部分不为0，其对应的训练样本是支持向量，则最优决策函数：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x\·x_i)+b)$

上式中，核函数，sgn为符号函数，结果为+1或-1，n是支持向量的数目，本发明选取径向基核函数。然后利用变压器绕组故障库的绕组网络曲线特征和振动频响曲线特征数据输入到SVM中进行训练，然后将新检测到的绕组网络曲线特征和振动频响曲线特征输入到SVM中自动智能地确定变压器内部是否存在绕组故障。

Claims (4)

1.一种变压器绕组故障智能识别方法，其特征是，步骤为：

1)、对变压器设备主动注入脉冲信号，获得变压器绕组网络曲线；

2)、基于振动频响法获得变压器振动频响曲线；

3)、将获得到的绕组网络曲线进行特征提取；

4)、将获得到的振动频响曲线进行特征提取；

5)、提取变压器绕组故障库的绕组网络曲线特征和振动频响曲线特征训练支持向量机SVM；

6)、将新检测到的绕组网络曲线特征和振动频响曲线特征输入到支持向量机SVM中进行绕组故障识别，并确定变压器设备内部是否存在绕组故障。

2.根据权利要求1所述的一种变压器绕组故障智能识别方法，其特征是，步骤3)中将获得到的绕组网络曲线特征提取，是指提取绕组曲线的椭圆面积，倾斜度，轴长度，离心率。

3.根据权利要求1所述的一种变压器绕组故障智能识别方法，其特征是，步骤4)中将获得到的振动频响曲线特征提取，是指提取振动频响曲线的水平摆动、垂直摆动、声波。

4.根据权利要求1所述的一种变压器绕组故障智能识别方法，其特征是，将获得的绕组网络曲线特征和振动频响曲线特征输入到支持向量机SVM进行智能识别。