CN107576884A - 基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法 - Google Patents

Abstract

本发明涉及一种基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法，包含以下步骤：当暂态过电压冲击变压器绕组时，利用信号采集装置测得绕组末端的电压信号；对该采集获得的电压信号，通过经验模态分解得到各个本征模态分量；将该计算得到的各个本征模态分量与绕组正常时对应的各个本征模态分量计算相关系数，将计算得到的各个相关系数作为变压器绕组变形的故障特征量；将得到的故障特征量输入到训练好的神经网络中，得到故障定位向量，其中，数值接近1的元素代表的位置发生了绕组变形。本发明利用变压器遭受的暂态过电压信号陡峭上升沿中的高频成分，从行波分析的角度诊断变压器绕组变形，实现了绕组变形位置的指纹式识别和定位。

Description

基于经验模态分解和神经网络的变压器绕组变形在线故障定 位方法

技术领域

本发明涉及电力检测技术领域，尤其涉及一种基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法。

背景技术

变压器是电力系统中的核心设备之一，其运行情况与电力系统安全密切相关。据不完全统计，绕组变形导致的变压器事故约占变压器总事故的25％。因此，及时有效地检测变压器绕组变形，对于避免突发事故发生、提高电力系统安全可靠运行具有重要意义。

目前，变压器绕组变形的诊断方法主要分为电测法和非电测法。电测法主要包括低压脉冲法、频率响应法和短路电抗法，非电测法主要有振动法和超声波检测法。低压脉冲法在实际应用中易受现场电磁干扰的影响，测量结果可重复性较差。频率响应法有效克服了低压脉冲法的一些缺陷，因其重复性好、灵敏度高等优点得到广泛应用，但目前仅能离线测试，不能在线监测绕组状态。振动法通过安置在变压器油箱上的振动传感器获取振动信号的频谱、功率谱等，但若变压器发生短路将威胁测试仪器及人身安全。超声波检测法采用超声测距原理，受温度、变压器油多少等因素的影响较大，且需要将传感器安装在变压器内部，难以满足相关绝缘要求。

近年来，行波技术以其原理简单、灵敏度高等优点应用于电力主设备故障检测领域。变压器和发电机都是通过绕组和铁心产生磁场，进行能量的传递和耦合，在物理结构上相似，且在高频信号作用下变压器绕组也相当于均匀传输线。变压器在运行中遭受的暂态过电压多为内部过电压，其波头时间短，可达到μs级别，等效最高频率可能达到兆赫兹，而且幅值高，能量大。大中型变压器大多使用饼式绕组，绕组在轴向由水平放置的线饼组成。在暂态过电压的冲击下，无故障绕组可以看作均匀传输线模型，将绕组的每个线饼作为模型的一个计算单元，每个单元由电感、电容元件组成，均匀传输线模型即为一系列计算单元的级联。由行波的传播特性可知，行波在传输路径中遇到阻抗不连续点，会产生相应的折射与反射，而折反射系数由传输路径的电感、电容等元件性质决定。变压器绕组由均匀铜导线绕制，线匝间的电气参数相近，当绕组发生变形时，故障点的电感、对地电容等参数改变，该处的折反射系数异于其他位置。行波在故障点处的能量损耗和正常位置存在差异，行波波形中的某些波峰、波谷发生变化，反映绕组变形信息的故障特征体现在行波的某些频率成分中。因此，将行波技术引入变压器绕组变形的检测领域。

发明内容

本发明的目的在于，提供一种基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法，利用变压器遭受的暂态过电压信号陡峭上升沿中的高频成分，从行波分析的角度诊断变压器绕组变形，实现了绕组变形位置的在线定位。

本发明的技术方案是，基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法，具体包含以下步骤：

步骤1：当暂态过电压冲击变压器绕组时，利用信号采集装置测得绕组末端的电压信号U₁(f)。

步骤2：对于上述步骤1中采集获得的电压信号U₁(f)，通过经验模态分解得到各个本征模态分量X。

步骤3：对于步骤2中计算得到的各个本征模态分量X，与绕组正常时对应的各个本征模态分量Y计算相关系数将计算得到的各个相关系数作为变压器绕组变形的故障特征量。

步骤4：对于步骤3中得到的故障特征量，输入到训练好的神经网络中，得到故障定位向量，其中，数值接近1的元素代表的位置发生了绕组变形。

所述步骤3中，具体包含以下步骤：

步骤31：为获得绕组正常时的暂态过电压信号，根据运行过程中常见的暂态过电压信号的参数范围，选取若干典型的脉冲信号注入绕组中，绕组在信号注入前后均未变形，测得此时绕组末端的电压信号。与步骤1中暂态过电压信号参数相近的脉冲信号在绕组末端的电压为U₂(f)。

步骤32：对于步骤31中测得的电压信号u₂(f)，通过经验模态分解得到各个本征模态分量Y。

步骤33：计算步骤2中得到的各个本征模态分量X和步骤32得到的各个本征模态分量Y的相关系数将计算得到的各个相关系数作为变压器绕组变形的故障特征量。

所述步骤4中，具体包含以下步骤：

步骤41：为得到训练好的神经网络，在绕组的不同位置设置变形故障，在某脉冲信号的冲击下测得绕组末端的电压信号，经经验模态分解得到各个本征模态分量，与绕组正常时的本征模态分量计算相关系数，即为训练输入样本。训练输出样本为对应的故障定位向量，仅由0和1组成，仅故障处为1。

步骤42：构建输入层有j个节点，输出层有m个节点的神经网络。将步骤41中的训练输入样本和训练输出样本一起输入到该神经网络中，得到反映故障特征和故障点位置间映射关系的神经网络。

步骤43：对于步骤3中得到的故障特征量，输入到步骤42中的训练好的神经网络中，得到故障定位向量，其中，数值接近1的元素代表的位置发生了绕组变形。

本发明所提供的基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法，利用变压器遭受的暂态过电压信号陡峭上升沿中的高频成分，从行波分析的角度诊断变压器绕组变形，实现了绕组变形位置的指纹式识别和定位。

附图说明

图1是本发明所述的基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法的流程图；

图2是本发明步骤3所述的计算故障特征量的流程图；

图3是本发明步骤4所述的根据故障定位向量确定绕组变形位置的流程图。

具体实施方式

以下根据图1～图3，具体说明本发明的较佳实施例。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

如图1所示，本发明所提供的基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法，具体包含以下步骤。

步骤1：当暂态过电压冲击变压器绕组时，利用信号采集装置测得绕组末端的电压信号U₁(f)。

步骤2：对于上述步骤1中采集获得的电压信号U₁(f)，通过经验模态分解得到各个本征模态分量X。

步骤3：对于步骤2中计算得到的各个本征模态分量X，与绕组正常时对应的各个本征模态分量Y计算相关系数将计算得到的各个相关系数作为变压器绕组变形的故障特征量。如图2所示，具体包括下列步骤。

步骤31：为获得绕组正常时的暂态过电压信号，根据运行过程中常见的暂态过电压信号的参数范围，选取若干典型的脉冲信号注入绕组中，绕组在信号注入前后均未变形，测得此时绕组末端的电压信号。与步骤1中暂态过电压信号参数相近的脉冲信号在绕组末端的电压为U₂(f)。

步骤32：对于步骤31中测得的电压信号U₂(f)，通过经验模态分解得到各个本征模态分量Y。

步骤33：计算步骤2中得到的各个本征模态分量X和步骤32得到的各个本征模态分量Y的相关系数将计算得到的各个相关系数作为变压器绕组变形的故障特征量。

步骤4：对于步骤3中得到的故障特征量，输入到训练好的神经网络中，得到故障定位向量，其中，数值接近1的元素代表的位置发生了绕组变形。如图3所示，具体包括下列步骤。

步骤41：为得到训练好的神经网络，在绕组的不同位置设置变形故障，在某脉冲信号的冲击下测得绕组末端的电压信号，经经验模态分解得到各个本征模态分量，与绕组正常时的本征模态分量计算相关系数，即为训练输入样本。训练输出样本为对应的故障定位向量，仅由0和1组成，仅故障处为1。

步骤42：构建输入层有j个节点，输出层有m个节点的神经网络。将步骤41中的训练输入样本和训练输出样本一起输入到该神经网络中，得到反映故障特征和故障点位置间映射关系的神经网络。

步骤43：对于步骤3中得到的故障特征量，输入到步骤42中的训练好的神经网络中，得到故障定位向量，其中，数值接近1的元素代表的位置发生了绕组变形。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (3)

1.基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法，其特征在于，所述方法包含以下步骤：

步骤1：当暂态过电压冲击变压器绕组时，利用信号采集装置测得绕组末端的电压信号U₁(f)。

步骤2：对于上述步骤1中采集获得的电压信号U₁(f)，通过经验模态分解得到各个本征模态分量X。

步骤3：对于步骤2中计算得到的各个本征模态分量X，与绕组正常时对应的各个本征模态分量Y计算相关系数将计算得到的各个相关系数作为变压器绕组变形的故障特征量。

步骤4：对于步骤3中得到的故障特征量，输入到训练好的神经网络中，得到故障定位向量，其中，数值接近1的元素代表的位置发生了绕组变形。

2.如权利要求1所述的基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法，其特征在于，所述的步骤3中，具体包含以下步骤：

步骤31：为获得绕组正常时的暂态过电压信号，根据运行过程中常见的暂态过电压信号的参数范围，选取若干典型的脉冲信号注入绕组中，绕组在信号注入前后均未变形，测得此时绕组末端的电压信号。与步骤1中暂态过电压信号参数相近的脉冲信号在绕组末端的电压为U₂(f)。

步骤32：对于步骤31中测得的电压信号U₂(f)，通过经验模态分解得到各个本征模态分量Y。

步骤33：计算步骤2中得到的各个本征模态分量X和步骤32得到的各个本征模态分量Y的相关系数将计算得到的各个相关系数作为变压器绕组变形的故障特征量。

3.如权利要求1所述的基于经验模态分解和神经网络的变压器绕组变形在线故障定位方法，其特征在于，所述步骤4中，具体包含以下步骤：

步骤41：为得到训练好的神经网络，在绕组的不同位置设置变形故障，在某脉冲信号的冲击下测得绕组末端的电压信号，经经验模态分解得到各个本征模态分量，与绕组正常时的本征模态分量计算相关系数，即为训练输入样本。训练输出样本为对应的故障定位向量，仅由0和1组成，仅故障处为1。

步骤42：构建输入层有j个节点，输出层有m个节点的神经网络。将步骤41中的训练输入样本和训练输出样本一起输入到该神经网络中，得到反映故障特征和故障点位置间映射关系的神经网络。

步骤43：对于步骤3中得到的故障特征量，输入到步骤42中的训练好的神经网络中，得到故障定位向量，其中，数值接近1的元素代表的位置发生了绕组变形。