CN108519526A - 一种判断变压器谐波负载运行状态的方法及系统 - Google Patents

Abstract

本发明公开了一种判断变压器谐波负载运行状态的方法及系统，方法的实施步骤包括获取待检测变压器的声信号，根据待检测变压器的声信号提取独立特征参数，将独立特征参数输入训练好的机器学习模型，得到待检测变压器当前的谐波负载运行状态，所述机器学习模型被训练包括独立特征参数和谐波负载运行状态之间的映射关系；系统包括被编程以执行前述方法的计算机设备。本发明能够有效检测变压器谐波负载运行状态的方法，具有不接触带电设备、操作方便、检测效率高的优点。

Description

一种判断变压器谐波负载运行状态的方法及系统

技术领域

本发明涉及变压器运行状态检测领域，具体涉及一种判断变压器谐波负载运行状态的方法及系统。

背景技术

变压器是电力系统的重要组成部分，承担着不同电压等级电力网络之间的电能传输任务。其安全运行对于向电力用户提供稳定、可靠的电力供应具有重要意义。随着变频器在居民家用电器(如空调、冰箱等)中的普及，变压器负载谐波含量已经普遍处于相对较高水平。负载谐波含量的增加导致变压器损耗增加，引起变压器温度升高、噪声与振动加剧。变压器长期保持高谐波负载运行，容易造成绝缘受损、匝间短路，从而降低变压器的使用寿命，严重影响其供电可靠性。因此，有必要对谐波负载条件下的变压器运行状态进行检测。目前，一般采用电流互感器测量变压器谐波电流，该方法需要在变压器母线上预先安装传感器，而且往往需要人工现场检测，需与带电设备直接接触，存在一定的安全隐患。变压器数量多、分布范围广，检测所需人员与设备较多，加之许多变压器在投运前并未预先安装电流互感器，导致运行人员无法直接了解变压器的负载谐波状况以及运行状况，不利于变压器的安全可靠运行。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种判断变压器谐波负载运行状态的方法及系统，本发明能够有效检测变压器谐波负载运行状态的方法，具有不接触带电设备、操作方便、检测效率高的优点。

为了解决上述技术问题，本发明采用的技术方案为：

本发明提供一种判断变压器谐波负载运行状态的方法，其实施步骤包括：

1)获取待检测变压器的声信号；

2)根据待检测变压器的声信号提取独立特征参数；

3)将独立特征参数输入训练好的机器学习模型，得到待检测变压器当前的谐波负载运行状态，所述机器学习模型被训练包括独立特征参数和谐波负载运行状态之间的映射关系。

优选地，步骤2)的详细步骤包括：

2.1)对待检测变压器的声信号进行预处理；

2.2)对预处理后的声信号进行频谱分析与小波包分析，提取谐波负载运行特征参数；

2.3)针对谐波负载运行特征参数进行主成分分析，得到独立特征参数。

优选地，步骤2.2)的详细步骤包括：

2.2.1)对预处理后的变压器的声信号进行傅里叶变换，截取2kHz范围内的声信号频谱；计算声信号2kHz范围内50Hz及其奇次谐波频率声信号能量与50Hz及其偶次谐波频率声信号能量的比值R_oe；

2.2.2)计算声信号2kHz频谱范围内50Hz及其谐波频率的频谱复杂度H；

2.2.3)对预处理后的变压器的声信号进行3层小波包分析，计算小波包能量特征E；

2.2.4)将比值R_oe、频谱复杂度H与小波包能量特征E三者共同构成不平衡负载运行特征参数。

优选地，步骤2.2.1)中比值R_oe的计算函数表达式如式(1)所示；

式(1)中，A_2i为信号50Hz偶次谐波幅值，A_2i-1为信号50Hz奇次谐波幅值，N为2kHz范围内信号50Hz谐频数量。

优选地，步骤2.2.2)中频谱复杂度H的计算函数表达式如式(1)所示；

式(2)中，R_i为50Hz第i次谐频振动幅值比重。

优选地，步骤2.2.3)中小波包能量特征E的计算函数表达式如式(3)所示；

式(3)中，E_i为第i个小波包子带能量，n＝3为小波包分解层数。

优选地，步骤2.3)针对谐波负载运行特征参数进行主成分分析时，主成分分析输出的独立特征参数维度为2维，且主成分条件为独立特征贡献率超过85％，最终得到谐波负载运行特征参数对应的独立特征参数。

优选地，步骤3)中的机器学习模型为最小二乘支持向量机分类模型。

优选地，所述最小二乘支持向量机分类模型的训练步骤包括：

S1)针对样本变压器，分别采集未发生谐波负载时的声信号x_1i、以及发生谐波负载时的声信号x_2i；

S2)对样本变压器的未发生谐波负载时的声信号x_1i、以及发生谐波负载时的声信号x_2i提取独立特征参数；

S3)根据采集声信号时样本变压器是否处于谐波负载运行状态，对样本变压器的谐波负载声信号特征参数进行分类，未发生谐波负载时的独立特征参数的特征参数类别为“1”，发生谐波负载时的独立特征参数的特征参数类别为“-1”；

S4)将分类后的独立特征参数及其特征参数类别组成训练集，将训练集采用最小二乘支持向量机方法进行训练，得到包含变压器的独立特征参数和谐波负载运行状态之间的映射关系的最小二乘支持向量机分类模型。

本发明还提供一种判断变压器谐波负载运行状态的系统，包括计算机设备，其特征在于，所述计算机设备被编程以执行本发明前述判断变压器谐波负载运行状态的方法的步骤。

本发明判断变压器谐波负载运行状态的方法具有下述优点：

1、本发明在常用电流检测方法无法开展时，能够有效检测出变压器的谐波负载运行状态；

2、本发明与带电设备不存在电接触，测试过程无需接线或安装其他测量设备，测试安全性、检测效率更高，操作方便，检测成本较低。

本发明判断变压器谐波负载运行状态的系统为本发明判断变压器谐波负载运行状态的方法对应的系统，其同样也具有本发明判断变压器谐波负载运行状态的方法的前述优点，故在此不再赘述。

附图说明

图1是本发明实施例方法的实施流程示意图。

图2是本发明实施例中未发生谐波负载时变压器的声信号频谱。

图3是本发明实施例中发生谐波负载时变压器的声信号频谱。

图4是本发明实施例中待预测变压器谐波负载状态的分类判别结果。

具体实施方式

参见图1，本实施例判断变压器谐波负载运行状态的方法的实施步骤包括：

1)获取待检测变压器的声信号；

2)根据待检测变压器的声信号提取独立特征参数；

3)将独立特征参数输入训练好的机器学习模型，得到待检测变压器当前的谐波负载运行状态，所述机器学习模型被训练包括独立特征参数和谐波负载运行状态之间的映射关系。

本实施例方法能够在不进行电流检测的情况下，有效检测出变压器的谐波负载问题，具有无需与设备带电部位接触、检测安全性与效率高的优点。

本实施例中，步骤1)中获取待检测变压器声信号时，声信号测点位置位于变压器1/2高度、距离高压侧立面1m范围内的任意位置，且要求每次测试测点位置相同，采样频率4096Hz，采用小波包分析方法对背景噪声信号进行降噪预处理，排除环境噪声干扰。由于不同位置变压器声信号存在一定差异，相同测点位置有利于保证测试结果具有可对比性。由于自冷式变压器噪声信号一般位于2kHz范围内，因此，采样频率应不低于4kHz。变压器声信号测试容易受到外界因素的干扰，采用小波包分析方法能够对声信号频带进行细分，从而查找出环境噪声所在频段，进而滤除环境噪声干扰，提高测量准确性。

参见图1，步骤2)的详细步骤包括：

2.1)对待检测变压器的声信号进行预处理(背景降噪)；

2.2)对预处理后的声信号进行频谱分析与小波包分析，提取谐波负载运行特征参数；

2.3)针对谐波负载运行特征参数进行主成分分析，得到独立特征参数。

本实施例中，步骤2.2)的详细步骤包括：

2.2.1)对预处理后的变压器的声信号进行傅里叶变换，截取2kHz范围内的声信号频谱；计算声信号2kHz范围内50Hz及其奇次谐波频率声信号能量与50Hz及其偶次谐波频率声信号能量的比值R_oe；

2.2.2)计算声信号2kHz频谱范围内50Hz及其谐波频率的频谱复杂度H；

2.2.3)对预处理后的变压器的声信号进行3层小波包分析，计算小波包能量特征E；

2.2.4)将比值R_oe、频谱复杂度H与小波包能量特征E三者共同构成不平衡负载运行特征参数。

本实施例中，步骤2.2.1)中比值R_oe的计算函数表达式如式(1)所示；

式(1)中，A_2i为信号50Hz偶次谐波幅值，A_2i-1为信号50Hz奇次谐波幅值，N为2kHz范围内信号50Hz谐频数量。

本实施例中，步骤2.2.2)中频谱复杂度H的计算函数表达式如式(1)所示；

式(2)中，R_i为50Hz第i次谐频振动幅值比重。

本实施例中，步骤2.2.3)中小波包能量特征E的计算函数表达式如式(3)所示；

式(3)中，E_i为第i个小波包子带能量，n＝3为小波包分解层数。

如图2所示，三相均为75％负载，未发生谐波负载时，变压器声信号频谱主要集中在2kHz范围内，变压器声信号能量主要集中在100Hz、200Hz、300Hz、400Hz、500Hz、600Hz以及700Hz等50Hz偶数倍频率上。比值R_oe较小，为0.0996；H为1.7387；小波包能量特征E＝[70.6565,24.2365,0.4263,4.4110,0.0056,0.0410,0.0416,0.1816]。如图3所示，三相均为75％负载，但包含70kVA的3次与5次谐波，发生谐波负载后，声信号频谱分布较三相平衡负载情况发生了显著变化，主频200Hz比重更加突出，谐波含量显著增加，150Hz、250Hz等50Hz奇数倍频率分量幅值显著增大。比值R_oe增大至0.4604；H为2.3506；小波包能量特征E＝[67.8071,26.3343,0.5272,4.7587,0.0953,0.0954,0.1762,0.2060]。本实施例将比值R_oe、频谱复杂度H、小波包能量特征E三个特征参数互相补充，共同构成谐波负载特征参数。

本实施例中，步骤2.3)针对谐波负载运行特征参数进行主成分分析时，主成分分析输出的独立特征参数维度为2维，且主成分条件为独立特征贡献率超过85％，最终得到谐波负载运行特征参数对应的独立特征参数。由于比值R_oe、频谱复杂度H、小波包能量特征E三个特征参数之间可能存在相互关联，因此，本实施例步骤3)采用主成分分析方法对其进行去相关处理，从而进一步降低特征数量，最终的变压器谐波负载特征参数仅为两个，分别为“特征参数1”与“特征参数2”。需要说明的是，采用主成分分析进行降维是主成分分析方法的基本应用，故进行主成分分析的具体步骤在此不再详述。

本实施例中，步骤3)中的机器学习模型为最小二乘支持向量机分类模型，此外也可以根据需要采用其他的机器学习模型。

本实施例中，最小二乘支持向量机分类模型的训练步骤包括：

S1)针对样本变压器，分别采集未发生谐波负载时的声信号x_1i、以及发生谐波负载时的声信号x_2i；

S2)对样本变压器的未发生谐波负载时的声信号x_1i、以及发生谐波负载时的声信号x_2i提取独立特征参数；

S3)根据采集声信号时样本变压器是否处于谐波负载运行状态，对样本变压器的谐波负载声信号特征参数进行分类，未发生谐波负载时的独立特征参数的特征参数类别为“1”，发生谐波负载时的独立特征参数的特征参数类别为“-1”；

S4)将分类后的独立特征参数及其特征参数类别组成训练集，将训练集采用最小二乘支持向量机方法进行训练，得到包含变压器的独立特征参数和谐波负载运行状态之间的映射关系的最小二乘支持向量机分类模型。

如图4所示，本实施例中采用120组待预测变压器声信号样本对最小二乘支持向量机分类模型进行训练，其中40组为正常状态样本，80组为谐波负载运行状态样本。假设80组待预测变压器声信号样本分类未知，采用训练完成的最小二乘支持向量机分类模型对这80组声信号特征参数进行分类判别，其中40组被判别为不平衡负载运行状态，40组被判别为三相平衡负载运行状态，判别的准确率为100％，满足实际应用要求。

本实施例还提供一种判断变压器谐波负载运行状态的系统，包括计算机设备，计算机设备被编程以执行本实施例判断变压器谐波负载运行状态的方法的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种判断变压器谐波负载运行状态的方法，其特征在于实施步骤包括：

1)获取待检测变压器的声信号；

2)根据待检测变压器的声信号提取独立特征参数；

3)将独立特征参数输入训练好的机器学习模型，得到待检测变压器当前的谐波负载运行状态，所述机器学习模型被训练包括独立特征参数和谐波负载运行状态之间的映射关系。

2.根据权利要求1所述的判断变压器谐波负载运行状态的方法，其特征在于，步骤2)的详细步骤包括：

2.1)对待检测变压器的声信号进行预处理；

2.2)对预处理后的声信号进行频谱分析与小波包分析，提取谐波负载运行特征参数；

2.3)针对谐波负载运行特征参数进行主成分分析，得到独立特征参数。

3.根据权利要求2所述的判断变压器谐波负载运行状态的方法，其特征在于，步骤2.2)的详细步骤包括：

2.2.1)对预处理后的变压器的声信号进行傅里叶变换，截取2kHz范围内的声信号频谱；计算声信号2kHz范围内50Hz及其奇次谐波频率声信号能量与50Hz及其偶次谐波频率声信号能量的比值R_oe；

2.2.2)计算声信号2kHz频谱范围内50Hz及其谐波频率的频谱复杂度H；

2.2.3)对预处理后的变压器的声信号进行3层小波包分析，计算小波包能量特征E；

2.2.4)将比值R_oe、频谱复杂度H与小波包能量特征E三者共同构成不平衡负载运行特征参数。

4.根据权利要求3所述的判断变压器谐波负载运行状态的方法，其特征在于，步骤2.2.1)中比值R_oe的计算函数表达式如式(1)所示；

式(1)中，A_2i为信号50Hz偶次谐波幅值，A_2i-1为信号50Hz奇次谐波幅值，N为2kHz范围内信号50Hz谐频数量。

5.根据权利要求3所述的判断变压器谐波负载运行状态的方法，其特征在于，步骤2.2.2)中频谱复杂度H的计算函数表达式如式(1)所示；

式(2)中，R_i为50Hz第i次谐频振动幅值比重。

6.根据权利要求3所述的判断变压器谐波负载运行状态的方法，其特征在于，步骤2.2.3)中小波包能量特征E的计算函数表达式如式(3)所示；

式(3)中，E_i为第i个小波包子带能量，n＝3为小波包分解层数。

7.根据权利要求2所述的判断变压器谐波负载运行状态的方法，其特征在于，步骤2.3)针对谐波负载运行特征参数进行主成分分析时，主成分分析输出的独立特征参数维度为2维，且主成分条件为独立特征贡献率超过85％，最终得到谐波负载运行特征参数对应的独立特征参数。

8.根据权利要求1所述的判断变压器谐波负载运行状态的方法，其特征在于，步骤3)中的机器学习模型为最小二乘支持向量机分类模型。

9.根据权利要求8所述的判断变压器谐波负载运行状态的方法，其特征在于，所述最小二乘支持向量机分类模型的训练步骤包括：

S1)针对样本变压器，分别采集未发生谐波负载时的声信号x_1i、以及发生谐波负载时的声信号x_2i；

S2)对样本变压器的未发生谐波负载时的声信号x_1i、以及发生谐波负载时的声信号x_2i提取独立特征参数；

S3)根据采集声信号时样本变压器是否处于谐波负载运行状态，对样本变压器的谐波负载声信号特征参数进行分类，未发生谐波负载时的独立特征参数的特征参数类别为“1”，发生谐波负载时的独立特征参数的特征参数类别为“-1”；

S4)将分类后的独立特征参数及其特征参数类别组成训练集，将训练集采用最小二乘支持向量机方法进行训练，得到包含变压器的独立特征参数和谐波负载运行状态之间的映射关系的最小二乘支持向量机分类模型。

10.一种判断变压器谐波负载运行状态的系统，包括计算机设备，其特征在于，所述计算机设备被编程以执行权利要求1～9中任意一项所述判断变压器谐波负载运行状态的方法的步骤。