CN104732107A - 以介质参数为评估参量的变压器套管剩余寿命预测方法 - Google Patents

Abstract

本发明提出一种以介质参数为评估参量的变压器套管剩余寿命预测方法，属于变压器套管寿命预测技术领域，本发明采用局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率这4个参量作为寿命预测模型的输入量，同时使用聚类算法对初始数据进行聚类，增加了模型精度，进而使用神经网络模型进行寿命预测；使用可以体现套管由于各种原因造成的绝缘状态变化的特征参量做为网络输入，使得预测模型更加具有针对性；预测模型有效减小了计算量，简化了模型结构。

Description

以介质参数为评估参量的变压器套管剩余寿命预测方法

技术领域

本发明属于变压器套管寿命预测技术领域，具体涉及一种以介质参数为评估参量的变压器套管剩余寿命预测方法。

背景技术

变压器套管作为变压器的主要支撑绝缘部件，需要承受各种类型的绝缘冲击；而且对于大容量、超特高压水平的套管，套管尺寸相应增加，绝缘应力增加，安全问题更为严重；套管出厂时结构完整、材料可靠，但是套管在运行一段时间之后往往存在老化问题而导致绝缘能力下降；运行经验表明，套管在长期运行中绝缘破坏往往存在累计效应，即很多套管的绝缘失败不是由于瞬间的过电压直接导致，而是由于系统和环境等问题而造成持续的局部放电或材料老化，从而最终使套管发生故障。

对于电气设备以及高压套管的寿命预测领域已经有一部分成果；由于套管结构复杂，对于套管的寿命预测问题是一个需要同时考虑机械性能、电气性能以及热性能的多变量过程；以往的预测模型往往为了考虑全部的影响因素而把所有的变量全部作为样本进行采集，然后使用神经网络进行训练、预测，但是，过多的输入变量往往导致网路权值计算的误差，反而达不到精确预测的目的，而且计算量也过于庞大，难以在实际工程中应用。

套管中不管是因为环境因素还是因为机械应力、电应力或者热应力导致的绝缘问题，最终都会以材料性能变化以及局部放电的形式表现出来；而变电站的在线监测系统中对于这些参数也进行了实时或者定时测量采集。

发明内容

针对现有技术的不足，本发明提出一种以介质参数为评估参量的变压器套管剩余寿命预测方法，以达到提高套管寿命预测的精确性、快速性和实时性的目的。

一种以介质参数为评估参量的变压器套管剩余寿命预测方法，包括以下步骤：

步骤1、采集已经退出电网运行的多个套管的参数，该参数包括每个月的局部放电次数、每个月的介质损耗正切值、总运行年限；对参数进行初步处理得到局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率和剩余寿命；

步骤2、对采集的所有套管的剩余寿命进行聚类，获得套管每个聚类中心的剩余寿命，进而获得每个聚类中心所对应的局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率，构成套管寿命预测的特征数据向量；

步骤3、将套管寿命预测的特征数据向量作为神经网络训练样本，其中，局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率作为神经网络的输入，套管剩余寿命作为神经网络的输出，完成神经网络的训练；

步骤4、将电网中的目标套管参数作为训练完成的神经网络的输入，获得电网中的目标套管的剩余寿命；

步骤5、工作人员根据所获目标套管的剩余寿命，进行更换或维修。

步骤2所述的聚类，采用k-Means聚类算法。

本发明优点：

本发明提出一种以介质参数为评估参量的变压器套管剩余寿命预测方法，采用局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率这4个参量作为寿命预测模型的输入量，同时使用聚类算法对初始数据进行聚类，增加了模型精度，进而使用神经网络模型进行寿命预测；使用可以体现套管由于各种原因造成的绝缘状态变化的特征参量做为网络输入，使得预测模型更加具有针对性；预测模型有效减小了计算量，简化了模型结构。

附图说明

图1为本发明一种实施例的以介质参数为评估参量的变压器套管剩余寿命预测方法流程图；

图2为本发明一种实施例的对采集的所有套管的剩余寿命进行聚类方法流程图；

图3为本发明一种实施例的数据聚类示意图，其中，图(a)为迭代第1次数据聚类示意图，图(b)为迭代第2次数据聚类示意图，图(c)为迭代完成数据聚类示意图；

图4为本发明一种实施例的神经网络结构示意图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

本发明实施例中，以东北电网中220kV等级变电站为例进行说明，这些变电站中设备运行环境条件类似，所处电网电能质量类似，利于预测模型的正确建立。

本发明实施例中，以介质参数为评估参量的变压器套管剩余寿命预测方法，方法流程图如图1所示，包括以下步骤：

步骤1、采集220kV变电站十年中更换下来的变压器套管参数，该参数包括：①每个月的局部放电次数、②每个月的介质损耗正切值、③总运行年限；对这些原始参数进行简单处理得到预测模型所需的样本数据；

所述简单处理方法及数据有：

通过对数据①求和得到历史局部放电总次数N_pc；

通过对数据②计算相邻数据的变化率得到局部放电次数月增长率，进而对每一年中的12个数据计算算术平均值，得到局部放电次数年平均月增长率N_pc％；

通过对数据③计算每年中的12个数据平均值得到年平均介质损耗正切值tanδ；

通过对数据③计算相邻数据的变化率得到介质损耗正切值月增长率，进而对每一年中的12个数据计算算术平均值，得到介质损耗正切值年平均月增长率tanδ％；

剩余寿命，单位为年。

本发明实施例中，用于采集数据的套管为50个，每个套管的运行年限为t₁，t₂，...t₅₀，则共得数据向量数量为n＝t₁+t₂+...+t₅₀共850个。

本发明实施例中，采集电网运行已由于各种原因退出运行的套管的局部放电和介质损耗数据作为初始数据集，所述的原因例如：雷击等过电压导致的绝缘破坏，设备过热导致的热击穿，大风等强应力载荷导致的结构破坏，设备定期更换等；所述数据从套管在线监测系统中的局部放电监测仪及末屏传感器中获得，数据采集间隔为一个月。

步骤2、对采集的所有套管的剩余寿命进行聚类，获得套管每个聚类中心的剩余寿命，进而获得每个聚类中心所对应的局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率，构成套管寿命预测的特征数据向量；

本发明实施例中，采用k-Means聚类算法对套管的剩余寿命进行聚类，对采集的套管的剩余寿命向量x＝(x₁，x₂，...x_j，...x_n)中的数据点进行分类，并计算每个聚类中心(c₁，c₂，...c_i，...c_k)；其中，x₁，x₂，...x_j，...x_n表示第1个剩余寿命数据，第2个剩余寿命数据，......第j个剩余寿命数据，......第n个剩余寿命数据；n为采集的剩余寿命数据个数；c₁，c₂，...c_i，...c_k表示第1个聚类中心剩余寿命数据，第2个聚类中心剩余寿命数据，......第j个聚类中心剩余寿命数据，......第k个聚类中心剩余寿命数据；k为聚类个数。流程图如图2所示，具体步骤如下：

步骤2-1、确定聚类个数

本发明实施例中，k取总数据个数n的1/4附近的整数，即k＝213；

步骤2-2、在采集的套管的剩余寿命数据点中随机选取k个数据点c_i，i＝1…，k，并将选取的数据点作为各聚类的初始中心；

步骤2-3、确定各剩余寿命数据点所属聚类，获得剩余寿命数据点的权重矩阵，具体如下：

剩余寿命数据点x_j相对于聚类中心c_i的权重w_ji，计算公式如下：

$w_{\mathrm{ji}}=\left\{\begin{array}{cc}1,& \mathrm{if}\left|\right|x_j-c_i\left|\right|\≤\left|\right|x_j-c_m\left|\right|,\∀m\≠i\\ 0& \mathrm{otherwise}\end{array}\right.---\left(1\right)$

即判断剩余寿命数据点x_j与聚类中心c_i之间的距离是否小于等于剩余寿命数据点x_j与聚类中心c_m之间的距离，若是，则确定该剩余寿命数据点x_j相对于聚类中心c_i的权重为1，否则权重为0；

且满足：

$\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}=1,\∀j=1,...n,\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}=n---\left(2\right)$

本发明实施例中，k＝2，n＝9，则权重矩阵可为：

$w_{\mathrm{ji}}=\left[\begin{array}{ccccccccc}1& 0& 0& 1& 0& 1& 1& 0& 0\\ 0& 1& 1& 0& 1& 0& 0& 1& 1\end{array}\right]---\left(3\right)$

步骤2-4、计算目标函数；

计算目标函数J：

$J=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{\left|\right|x_j-c_j\left|\right|}^2---\left(4\right)$

步骤2-5、判断两次迭代所获得的目标函数差值是否小于设定阈值，即|J^(t)-J^(t-1)|＜ε，若是，则获得最终各聚类中心的剩余寿命，及对应的局部放电总次数N_pc、局部放电次数年平均月增长率N_pc％、年平均介质损耗正切值tanδ，介质损耗正切值年平均月变化率tanδ％；否则，执行步骤2-6；

本发明实施例中，J^(t)表示第t次迭代时获得的目标函数，J^(t-1)表示第t-1次迭代时获得的目标函数，J⁰＝0；阈值的取值范围为10^-4～10^-3；

步骤2-6、更新聚类的中心点，并回到步骤2-3：

更新聚类的中心点的公式如下：

$c_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}\·x_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}}---\left(5\right)$

通过多次迭代，获得如图3中图(a)、图(b)和图(c)所示的数据聚类示意图；

本发明实施例中，k-Means聚类算法的输出是k个套管寿命数据聚类中心点向量和k×n的一个模糊划分矩阵，这个矩阵表示的是每个套管寿命数据点属于每个类的隶属度。

步骤3、将套管寿命预测的特征数据向量作为神经网络训练样本，其中，局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率，为神经网络的输入，套管剩余寿命作为神经网络的输出，完成神经网络的训练；

本发明实施例中，RBF神经网络是一种三层前向网络，包含输入层本、隐含层和输出层。本发明中的网络输入层含有4个节点，输入变量为x₁、x₂、x₃、x₄，隐含层3个节点，输出层1个节点O；如图4所示，图中u_ij为隐含层第i个节点到输入层第j个节点之间的权值；u_io为输出层节点到隐含层第i个节点之间的权值，i＝1，2，3，j＝1，2，3，4。

网络中隐含层激发函数用来描述某层中的输出与输入的关系，常用高斯基函数：

$\mathrm{\φ}\left(x\right)=\frac{1}{{1+e}^{-x}},0\≤\mathrm{\φ}\left(x\right)\≤1---\left(6\right)$

其中，e为自然对数的底数；

步骤4、将电网中的目标套管参数作为训练完成的神经网络的输入，获得电网中的目标套管的剩余寿命；

步骤5、工作人员根据所获目标套管的剩余寿命，进行更换或维修。

Claims (2)

1.一种以介质参数为评估参量的变压器套管剩余寿命预测方法，其特征在于，包括以下步骤：

步骤1、采集已经退出电网运行的多个套管的参数，该参数包括每个月的局部放电次数、每个月的介质损耗正切值、总运行年限；对参数进行初步处理得到局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率和剩余寿命；

步骤2、对采集的所有套管的剩余寿命进行聚类，获得套管每个聚类中心的剩余寿命，进而获得每个聚类中心所对应的局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率，构成套管寿命预测的特征数据向量；

步骤3、将套管寿命预测的特征数据向量作为神经网络训练样本，其中，局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率作为神经网络的输入，套管剩余寿命作为神经网络的输出，完成神经网络的训练；

步骤4、将电网中的目标套管参数作为训练完成的神经网络的输入，获得电网中的目标套管的剩余寿命；

步骤5、工作人员根据所获目标套管的剩余寿命，进行更换或维修。

2.根据权利要求1所述的以介质参数为评估参量的变压器套管剩余寿命预测方法，其特征在于，步骤2所述的聚类，采用k-Means聚类算法。