CN109884459B - 一种电力变压器绕组变形智能在线诊断定位方法 - Google Patents
一种电力变压器绕组变形智能在线诊断定位方法 Download PDFInfo
- Publication number
- CN109884459B CN109884459B CN201910091394.9A CN201910091394A CN109884459B CN 109884459 B CN109884459 B CN 109884459B CN 201910091394 A CN201910091394 A CN 201910091394A CN 109884459 B CN109884459 B CN 109884459B
- Authority
- CN
- China
- Prior art keywords
- phase
- voltage
- entropy
- low
- transformer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000004804 winding Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 21
- 230000007547 defect Effects 0.000 abstract description 3
- 230000009471 action Effects 0.000 abstract description 2
- 230000005520 electrodynamics Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R1/00—Details of instruments or arrangements of the types included in groups G01R5/00 - G01R13/00 and G01R31/00
- G01R1/28—Provision in measuring instruments for reference values, e.g. standard voltage, standard waveform
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/72—Testing of electric windings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F27/00—Details of transformers or inductances, in general
- H01F27/40—Structural association with built-in electric component, e.g. fuse
- H01F27/402—Association of measuring or protective means
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F30/00—Fixed transformers not covered by group H01F19/00
- H01F30/06—Fixed transformers not covered by group H01F19/00 characterised by the structure
- H01F30/12—Two-phase, three-phase or polyphase transformers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种电力变压器绕组变形智能在线诊断方法。电力变压器受到短路冲击或者运输碰撞后，在电动力或机械力作用下会发生绕组局部扭曲、鼓包等特征，称为绕组变形，给电力网络的安全运行埋下了巨大隐患。常用的绕组变形诊断方法均为离线诊断法，存在需要变压器停运且对操作人员专业技能要求高等缺点。本发明给出了一种结合信息熵与支持向量机的绕组变形智能在线诊断方法，利用排列熵、小波熵进行电流和电压信号的特征提取，综合电力变压器各监测指标在复杂度、时频域等方面的变异情况，并通过机器学习算法从故障特征中自动学习诊断逻辑，实现绕组变形的智能诊断，从而降低人力成本和提高诊断效率。
Description
技术领域
本发明属于电力变压器状态监测、状态诊断领域，具体地说是一种电力变压器绕组变形智能在线诊断和定位的方法。
背景技术
变压器是电力系统的主要设备之一，承担着电网互联和功率交换的枢纽作用。当变压器受到短路冲击后或者运输碰撞等因素后，变压器绕组在电动力或机械力作用下可能发生轴向或径向尺寸变化，称为绕组变形。严重的绕组变形将导致绝缘击穿，造成电力系统事故和巨大的经济社会损失。电力变压器绕组变形问题的难点在于其具有隐蔽性、渐变性等特征，长时间未得到维修将导致变形加剧、抗短路能力下降，直至彻底损坏。
目前，电力变压器绕组变形的诊断都是基于停电试验的结果，尚无一套完善的、科学的电力变压器绕组变形的在线诊断方法。绕组变形常用的诊断方法包括频率响应法、低电压短路阻抗测试法和绕组介损电容量测试法，以上三种方法的应用非常广泛，但共同的局限在于都需要停电测试，属于离线诊断方法。离线诊断方法有三个缺点：首先，试验时需要停电。在某些情况下，由于系统运行的要求，设备无法停电，往往造成漏试或超周期试验，这就难以及时诊断出故障缺陷。其次，试验间隔周期过长。试验的周期一般为一年，一些发展较快的故障很容易在两次规定试验之间的时间内发展成为事故。最后，试验时间集中、工作量大，对操作人员的专业技能要求较高，需要大量的人力成本。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在缺陷，提供一种应用电压和电流监测数据在线诊断电力变压器绕组变形的智能方法，以实现绕组变形的在线诊断的目的，辅助检修人员在无需干扰电网正常运行的情况下，简单、迅速和准确地判断变压器绕组是否发生变形和变形位置，提高检修工作效率，节约人力物力资源，确保电网安全稳定运行。
为此，本发明采用如下的技术方案：一种电力变压器绕组变形智能在线诊断定位方法，其包括步骤：
步骤1：将已知n台变形位置的变压器的在线监测指标按三相三绕组分别拆分为9个位置子样本作为位置诊断的建模样本；
步骤2：计算9n个位置子样本的下属监测指标最近一次短路前后两段序列归一化后的排列熵、小波熵和均值的均方根误差构造特征集；
步骤3：将9n个位置子样本的特征集分别加上是否发生变形的标签，输入到SVM(支持向量机)模型中进行分类学习，得到训练好的SVM模型；
步骤4：采用分层交叉验证，判断该模型诊断结果的正确率、准确率以及召回率；
步骤5：判断待测样本的变形位置，需要先用绕组变形在线诊断方法，得出该待测变压器已发生变形后，再将该待测变压器的在线监测指标按三相三绕组拆分为9个位置子样本，用与步骤2同样的方法算出特征集，输入到训练好的SVM模型中，输出SVM模型对各台位置子样本的诊断结果。
本发明结合了信息熵与支持向量机算法，从电力变压器的电压和电流监测数据中提取特征并进行学习，最后实现电力变压器绕组变形智能在线诊断和定位的方法。
作为上述方法的补充，步骤1中，所述的9个位置分别为高压A相、高压B相、高压C相、中压A相、中压B相、中压C相、低压A相、低压B相和低压C相。
作为上述方法的补充，步骤1中，所述的在线监测指标包含电压、电流监测数据以及通过三相不平衡率构造出的12个新的相差值指标，共计30个指标；
相差值指标以低压侧为例，电流、电压相差值计算公式如下所示，中压侧、高压侧的电流、电压相差值的计算同理；
低压侧AB相电流差＝低压侧B相电流幅值-低压侧A相电流幅值，
低压侧BC相电流差＝低压侧C相电流幅值-低压侧B相电流幅值，
低压侧AB相电压差＝低压侧B相电压幅值-低压侧A相电压幅值，
低压侧BC相电压差＝低压侧C相电压幅值-低压侧B相电压幅值。
作为上述方法的补充，步骤2中的排列熵，其算法采用相空间重构延迟坐标法对一维时间序列x中任意一个元素x(i)进行相空间重构，得到如下矩阵：
式中，m为嵌入维数，τ为延迟时间；对x(i)的重构向量的各元素进行升序排列j1，j2，…，jm；m维相空间映射下最多得到m！个不同的排列模式，用P(l)表示其中一种排列的模式，
P(l)＝(j1，j2，…，jm)，
然后对x序列各种排列情况出现次数进行统计，计算各种排列情况出现的相对频率Pi：
则信号排列模式的熵表示为：
归一化后的排列熵为：
作为上述方法的补充，步骤2中的小波熵，其算法是将信号f(n)通过不同的滤波器进行不断的细分，将信号分解为不同尺度M上的子信号，包括一系列频段二进划分的高频细节子带信号D1，D2，…，DM与低频近似子带信号AM(n)，将信号进行小波分解后得到信号在每个频段i＝1，2，…，n内的小波能量E1，E2，…，En；根据小波变换前后能量守恒，某一时间窗内信号的总功率E等于各分量功率Ei之和；总能量熵等于各个频段的小波相对能量ei的信息熵的总和：
H＝-∑eilnei。
作为上述方法的补充，步骤2中所述的排列熵、小波熵、均值的均方根误差RMSEPE,RMSEWE和RMSEAVG，计算过程以排列熵为例，计算出所有监测指标排列熵差的平方和，取平均值再开根号后，即得出该变压器前后排列熵的均方根误差RMSEPE。
作为上述方法的补充，步骤5中所述的绕组变形在线诊断方法，其步骤如下：
步骤a：以样本变压器的电压电流监测数据，并将建模样本中已有的各相电流电压监测数据互作差，构造电流相差值、电压相差值作为新指标加入到指标中；
步骤b：将建模样本的在线监测数据分为前后两段序列；对于发生过短路的变压器，按最近一次短路时间划分为短路前和短路后两段序列；对于没有发生过短路的变压器，将序列等分为前半段和后半段；
步骤c：计算建模样本的监测指标在前后两段序列的排列熵、小波熵、均值的均方根误差；
步骤d：将建模样本的特征集加上标签后输入到SVM模型中进行分类学习，得到训练好的SVM模型；
步骤e：采用分层交叉验证，判断该SVM模型诊断结果的正确率、准确率以及召回率；
步骤f：采用同样的特征提取方法分别计算出待测样本的特征集，输入到训练好的SVM模型中，输出模型对各台待测变压器的诊断结果。
本发明利用排列熵、小波熵进行信号的特征提取，并通过支持向量机实现对变压器是否变形的诊断。本发明的优势在于可以综合该变压器各监测指标在复杂度、时频域等方面的变异情况，并通过机器学习算法实现了智能诊断。
附图说明
图1为本发明的流程图；
图2为本发明应用例中HB变(发生了变形)短路前后各监测指标排列熵变化情况图；
图3为本发明应用例中FM变(未发生变形)短路前后各监测指标排列熵变化情况图；
图4为本发明应用例中位置子样本的二维散点分布图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步说明。
实施例
一种电力变压器绕组变形智能在线诊断定位方法，如图1所示，其步骤如下：
步骤1：将已知n台变形位置的变压器的在线监测指标按三相三绕组分别拆分为9个位置子样本(高压A相、高压B相、高压C相、中压A相、中压B相、中压C相、低压A相、低压B相、低压C相)作为位置诊断的建模样本。
步骤2：计算9n个位置子样本的下属监测指标最近一次短路前后两段序列归一化后的排列熵、小波熵、均值的均方根误差构造特征集。
步骤3：将9n个位置子样本的特征集分别加上是否发生变形的标签，输入到SVM(支持向量机)模型中进行分类学习。
步骤4：采用分层交叉验证，判断该模型诊断结果的正确率、准确率以及召回率。
步骤5：判断待测样本的变形位置时，需要先用绕组变形在线诊断方法，得出该待测变压器已发生变形后，再将该变压器的在线监测指标按三相三绕组拆分为9个位置子样本，用同样的方法算出特征集，输入到训练好的SVM模型中，输出模型对各台位置子样本的诊断结果。
进一步，步骤1中所述的在线监测指标，包含电压、电流监测数据以及通过三相不平衡率构造出的12个新的相差值指标，共计30个指标。相差值指标以低压侧为例，电流电压相差值计算如下所示，中压侧、高压侧同理可得。
低压侧AB相电流差＝低压侧B相电流幅值-低压侧A相电流幅值，
低压侧BC相电流差＝低压侧C相电流幅值-低压侧B相电流幅值，
低压侧AB相电压差＝低压侧B相电压幅值-低压侧A相电压幅值，
低压侧BC相电压差＝低压侧C相电压幅值-低压侧B相电压幅值。
进一步，步骤2中的排列熵，其算法采用相空间重构延迟坐标法对一维时间序列x中任意一个元素x(i)进行相空间重构，相空间重构得到如下矩阵：
式中，m为嵌入维数，τ为延迟时间；对x(i)的重构向量的各元素进行升序排列j1，j2，…，jm；m维相空间映射下最多得到m！个不同的排列模式，用P(l)表示其中一种排列的模式，
P(l)＝(j1，j2，…，jm)，
然后对x序列各种排列情况出现次数进行统计，计算各种排列情况出现的相对频率Pi：
则信号排列模式的熵表示为：
归一化后的排列熵为：
进一步，步骤2中所述的小波熵，其算法是将信号f(n)通过不同的滤波器进行不断的细分，将信号分解为不同尺度(M)上的子信号，包括一系列频段二进划分的高频细节子带信号D1，D2，…，DM与低频近似子带信号AM(n)，将信号进行小波分解后可以得到信号在每个频段i＝1，2，…，n内的小波能量E1，E2，…，En。根据小波变换前后能量守恒，某一时间窗内信号的总功率E等于各分量功率Ei之和。总能量熵等于各个频段的小波相对能量的信息熵的总和：
H＝-∑eilnei。
进一步，步骤2中所述的排列熵、小波熵、均值的均方根误差RMSEPE,RMSEWE和RMSEAVG。计算过程以排列熵为例，该方法计算出所有监测指标排列熵差的平方和，取平均值再开根号后，即得出该变压器前后排列熵的均方根误差RMSEPE。
进一步，步骤5中所述的绕组变形在线诊断方法，其步骤具体如下：
步骤a：以样本变压器的电压电流监测数据，并将建模样本中已有的各相电流电压监测数据互作差，构造电流相差值、电压相差值作为新指标加入到指标中。
步骤b：将建模样本的在线监测数据分为前后两段序列。对于发生过短路的变压器，按最近一次短路时间划分为短路前和短路后两段序列；对于没有发生过短路的变压器，将序列等分为前半段和后半段。
步骤c：计算建模样本的监测指标在前后两段序列的排列熵、小波熵、均值的均方根误差。
步骤d：将建模样本的特征集加上标签后输入到SVM(支持向量机)模型中进行分类学习。
步骤e：采用分层交叉验证，判断该模型诊断结果的正确率(Accuracy)、准确率(Precision)以及召回率(Recall)。
步骤f：采用同样的特征提取方法分别计算出待测样本的特征集，输入到训练好的SVM模型中，输出模型对各台待测变压器的诊断结果。
应用例
特征提取
提取建模样本(29台)的监测指标在前后两段序列的排列熵、小波熵、均值的均方根误差，构造特征集。以HB变为例，按照以下步骤提取HB变的特征集。
(1)按最近一次短路时间2015年1月24日划分为短路前(2013/11/1-2015/1/24)和短路后(2015/1/24-2015/8/13)两段序列Tbefore和Tafter。
(2)将所有指标按最大最小归一化公式
转化到[0，1]区间以去量纲化。
(3)计算筛选和重构后的监测指标在前后两段序列的排列熵(PE)、小波熵(WE)、均值(AVG)。均值由该监测指标在所有观测记录中的算术平均值表示。
对比一台短路后发生了变形的变压器(HB变)和短路后未发生变形的变压器(FM变)，如图2和图3所示，HB变大部分监测指标在短路前和短路后序列的排列熵值都有明显差异，而FM变所有监测指标短路前和短路后的排列熵值都大致相等。
SVM与分层交叉验证
将建模样本的特征集加上是否变形的标签后，输入到SVM中进行分类学习。然后，采用交叉验证方法，依次选择一组作为测试集，其他两组作为训练集，输入到SVM中，即可输出测试结果。
位置子样本特征提取
诊断绕组变形具体位置的主要环节为位置子样本特征提取。在6台已变形的变压器中，只有HB变、WT变和XX变这3台变压器已经明确了各变压器内部发生变形的位置和未发生变形的位置。将这三台变压器按三相三绕组拆分为9个位置子样本，构成27个新的位置子样本，作为位置诊断的建模样本。分别计算每个位置子样本的下属监测指标前后两段序列归一化后的排列熵、小波熵、均值的均方根误差，构造特征集。
作排列熵差(指监测指标前后序列的排列熵均方根误差)和均值差(指监测指标前后序列的均值的均方根误差)的二维散点图如图4所示，变形的位置子样本(下图空心圆)多聚集在图的右上角，而正常的位置子样本(下图实心圆)多聚集在图的左下角，说明变形样本的前后序列排列熵差和均值差要比正常样本偏大，即变形导致各监测指标的排列熵和均值发生变化。
Claims (6)
1.一种电力变压器绕组变形智能在线诊断定位方法，其特征在于，包括步骤：
步骤1：将已知n台变形位置的变压器的在线监测指标按三相三绕组分别拆分为9个位置子样本作为位置诊断的建模样本；
步骤2：计算9n个位置子样本的下属监测指标最近一次短路前后两段序列归一化后的排列熵、小波熵和均值的均方根误差构造特征集；
步骤3：将9n个位置子样本的特征集分别加上是否发生变形的标签，输入到SVM模型中进行分类学习，得到训练好的SVM模型；
步骤4：采用分层交叉验证，判断该模型诊断结果的正确率、准确率以及召回率；
步骤5：判断待测样本的变形位置，需要先用绕组变形在线诊断方法，得出该待测变压器已发生变形后，再将该待测变压器的在线监测指标按三相三绕组拆分为9个位置子样本，用与步骤2同样的方法算出特征集，输入到训练好的SVM模型中，输出SVM模型对各台位置子样本的诊断结果；
步骤1中，所述的在线监测指标包含电压、电流监测数据以及通过三相不平衡率构造出的12个新的相差值指标，共计30个指标；
相差值指标以低压侧为例，电流、电压相差值计算公式如下所示，中压侧、高压侧的电流、电压相差值的计算同理；
低压侧AB相电流差＝低压侧B相电流幅值-低压侧A相电流幅值，
低压侧BC相电流差＝低压侧C相电流幅值-低压侧B相电流幅值，
低压侧AB相电压差＝低压侧B相电压幅值-低压侧A相电压幅值，
低压侧BC相电压差＝低压侧C相电压幅值-低压侧B相电压幅值。
2.根据权利要求1所述的电力变压器绕组变形智能在线诊断定位方法，其特征在于，步骤1中，所述的9个位置分别为高压A相、高压B相、高压C相、中压A相、中压B相、中压C相、低压A相、低压B相和低压C相。
3.根据权利要求1所述的电力变压器绕组变形智能在线诊断定位方法，其特征在于，步骤2中的排列熵，其算法采用相空间重构延迟坐标法对一维时间序列x中任意一个元素x(i)进行相空间重构，得到如下矩阵：
式中，m为嵌入维数，τ为延迟时间；对x(i)的重构向量的各元素进行升序排列j1，j2，…，jm；m维相空间映射下最多得到m！个不同的排列模式，用P(l)表示其中一种排列的模式，
P(l)＝(j1，j2，…，jm)，
然后对x序列各种排列情况出现次数进行统计，计算各种排列情况出现的相对频率Pi：
则信号排列模式的熵表示为：
归一化后的排列熵为：
4.根据权利要求1所述的电力变压器绕组变形智能在线诊断定位方法，其特征在于，步骤2中的小波熵，其算法是将信号f(n)通过不同的滤波器进行不断的细分，将信号分解为不同尺度M上的子信号，包括一系列频段二进划分的高频细节子带信号D1，D2，…，DM与低频近似子带信号AM(n)，将信号进行小波分解后得到信号在每个频段i＝1，2，…，n内的小波能量E1，E2，…，En；根据小波变换前后能量守恒，某一时间窗内信号的总功率E等于各分量功率Ei之和；总能量熵等于各个频段的小波相对能量ei的信息熵的总和：
H＝-∑eilnei。
5.根据权利要求1所述的电力变压器绕组变形智能在线诊断定位方法，其特征在于，步骤2中所述的排列熵、小波熵、均值的均方根误差RMSEPE，RMSEWE和RMSEAVG，计算过程以排列熵为例，计算出所有监测指标排列熵差的平方和，取平均值再开根号后，即得出该变压器前后排列熵的均方根误差RMSEPE。
6.根据权利要求1所述的电力变压器绕组变形智能在线诊断定位方法，其特征在于，步骤5中所述的绕组变形在线诊断方法，其步骤如下：
步骤a：以样本变压器的电压电流监测数据，并将建模样本中已有的各相电流电压监测数据互作差，构造电流相差值、电压相差值作为新指标加入到指标中；
步骤b：将建模样本的在线监测数据分为前后两段序列；对于发生过短路的变压器，按最近一次短路时间划分为短路前和短路后两段序列；对于没有发生过短路的变压器，将序列等分为前半段和后半段；
步骤c：计算建模样本的监测指标在前后两段序列的排列熵、小波熵、均值的均方根误差；
步骤d：将建模样本的特征集加上标签后输入到SVM模型中进行分类学习，得到训练好的SVM模型；
步骤e：采用分层交叉验证，判断该SVM模型诊断结果的正确率、准确率以及召回率；
步骤f：采用同样的特征提取方法分别计算出待测样本的特征集，输入到训练好的SVM模型中，输出模型对各台待测变压器的诊断结果。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910091394.9A CN109884459B (zh) | 2019-01-30 | 2019-01-30 | 一种电力变压器绕组变形智能在线诊断定位方法 |
| US16/553,665 US11402438B2 (en) | 2019-01-30 | 2019-08-28 | Intelligent on-line diagnosis and positioning method for winding deformation of power transformers |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910091394.9A CN109884459B (zh) | 2019-01-30 | 2019-01-30 | 一种电力变压器绕组变形智能在线诊断定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109884459A CN109884459A (zh) | 2019-06-14 |
| CN109884459B true CN109884459B (zh) | 2020-12-01 |
Family
ID=66927486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910091394.9A Active CN109884459B (zh) | 2019-01-30 | 2019-01-30 | 一种电力变压器绕组变形智能在线诊断定位方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11402438B2 (zh) |
| CN (1) | CN109884459B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110286292A (zh) * | 2019-07-18 | 2019-09-27 | 广东石油化工学院 | 一种基于排列模式的变压器运行状态振声检测方法和系统 |
| RU2723911C1 (ru) * | 2019-08-09 | 2020-06-18 | федеральное государственное бюджетное образовательное учреждение высшего образования "Тольяттинский государственный университет" | Способ электродинамических испытаний силовых трансформаторов |
| CN111239646B (zh) * | 2020-01-17 | 2021-10-01 | 南方电网科学研究院有限责任公司 | 有载分接开关级间短路故障预警方法、装置及存储介质 |
| CN112307918A (zh) * | 2020-10-21 | 2021-02-02 | 华北电力大学 | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 |
| CN112560888B (zh) * | 2020-10-23 | 2024-02-23 | 南京航空航天大学 | 基于辛几何变换评估变压器绕组抗短路能力的方法及系统 |
| CN112630580B (zh) * | 2021-01-11 | 2021-09-21 | 西南交通大学 | 一种变压器绕组短路故障模拟装置 |
| CN112986870A (zh) * | 2021-01-26 | 2021-06-18 | 国网江苏省电力有限公司南京供电分公司 | 基于振动法的分布式电力变压器绕组状态监测方法及系统 |
| CN113408458B (zh) * | 2021-06-29 | 2023-10-17 | 北京交通大学 | 一种基于振动信号特征熵融合的断路器故障诊断方法 |
| CN113468818B (zh) * | 2021-07-13 | 2023-04-25 | 上海电气风电集团股份有限公司 | 风力发电机组的绕组运行状态监测方法和装置 |
| CN113625199A (zh) * | 2021-09-08 | 2021-11-09 | 中车长春轨道客车股份有限公司 | 一种车载变压器绕组变形自动测试系统及方法 |
| CN114111886A (zh) * | 2021-10-29 | 2022-03-01 | 广州贯行电能技术有限公司 | 一种利用运行信息的电力变压器缺陷在线诊断方法 |
| CN114280508B (zh) * | 2021-12-02 | 2022-07-19 | 西南交通大学 | 一种基于振荡波特征的变压器绕组状态检测方法 |
| CN114325352B (zh) * | 2022-01-04 | 2023-04-18 | 电子科技大学 | 一种基于经验小波变换的模拟滤波电路故障诊断方法 |
| CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
| CN114526813A (zh) * | 2022-01-27 | 2022-05-24 | 南京苏逸实业有限公司 | 一种变压器振动监测方法及装置 |
| CN116500532B (zh) * | 2023-06-25 | 2023-11-14 | 云南电网有限责任公司 | 同步交叉采样的高压电压互感器计量异常评估方法及系统 |
| CN116522739B (zh) * | 2023-06-29 | 2023-09-26 | 南昌科晨电力试验研究有限公司 | 一种基于数据分析的变压器短路冲击管控方法及系统 |
| CN117217008B (zh) * | 2023-09-15 | 2024-05-07 | 国网四川省电力公司电力科学研究院 | 一种输电网变压器的数字孪生模型构建方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0718539A2 (de) * | 1994-12-21 | 1996-06-26 | Richard Norres | Gasführungselement mit schallweichen Wänden zum Dämmen und Dämpfen von sich in Hauptkanälen ausbreitenden Geräuschen |
| CN103163420A (zh) * | 2011-12-08 | 2013-06-19 | 沈阳工业大学 | 电力变压器智能在线状态评判方法 |
| CN105627904A (zh) * | 2016-02-01 | 2016-06-01 | 国网浙江省电力公司电力科学研究院 | 一种变压器绕组变形的判定方法 |
| CN105956623A (zh) * | 2016-05-04 | 2016-09-21 | 太原理工大学 | 一种基于模糊熵的癫痫脑电信号分类方法 |
| CN109444656A (zh) * | 2018-12-21 | 2019-03-08 | 浙江大学 | 一种变压器绕组变形位置的在线诊断方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
| US20140039817A1 (en) * | 2012-08-06 | 2014-02-06 | Phase3 Technologies Ltd. | System and method for monitoring an electrically-connected system having a periodic behavior |
| EP3791236A4 (en) * | 2018-05-07 | 2022-06-08 | Strong Force Iot Portfolio 2016, LLC | METHODS AND SYSTEMS FOR DATA COLLECTION, LEARNING AND STREAMING MACHINE SIGNALS FOR ANALYSIS AND MAINTENANCE USING THE INDUSTRIAL INTERNET OF THINGS |
| CN110514924B (zh) * | 2019-08-12 | 2021-04-27 | 武汉大学 | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 |
-
2019
- 2019-01-30 CN CN201910091394.9A patent/CN109884459B/zh active Active
- 2019-08-28 US US16/553,665 patent/US11402438B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0718539A2 (de) * | 1994-12-21 | 1996-06-26 | Richard Norres | Gasführungselement mit schallweichen Wänden zum Dämmen und Dämpfen von sich in Hauptkanälen ausbreitenden Geräuschen |
| CN103163420A (zh) * | 2011-12-08 | 2013-06-19 | 沈阳工业大学 | 电力变压器智能在线状态评判方法 |
| CN105627904A (zh) * | 2016-02-01 | 2016-06-01 | 国网浙江省电力公司电力科学研究院 | 一种变压器绕组变形的判定方法 |
| CN105956623A (zh) * | 2016-05-04 | 2016-09-21 | 太原理工大学 | 一种基于模糊熵的癫痫脑电信号分类方法 |
| CN109444656A (zh) * | 2018-12-21 | 2019-03-08 | 浙江大学 | 一种变压器绕组变形位置的在线诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| Online Diagnosis for Transformer Winding Deformation Based on Information Entropy and SVM;Yuxuan You，等;《2019 IEEE 3rd Conference on Energy Internet and Energy System Integration(EI2)》;20191110;第720-5页 * |
| 电力变压器绕组变形状态信息融合评估方法;曹辰，等;《高电压技术》;20180430;第44卷(第4期);第1107-1113页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109884459A (zh) | 2019-06-14 |
| US11402438B2 (en) | 2022-08-02 |
| US20200241066A1 (en) | 2020-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109884459B (zh) | 一种电力变压器绕组变形智能在线诊断定位方法 | |
| CN109444656B (zh) | 一种变压器绕组变形位置的在线诊断方法 | |
| CN108107324B (zh) | 一种基于深度卷积神经网络的配电网故障定位方法 | |
| CN109307824B (zh) | 一种基于聚类的配电网单相接地故障区段定位方法 | |
| CN103713237B (zh) | 一种电力系统输电线路短路故障诊断方法 | |
| CN101907437B (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
| CN109142851B (zh) | 一种新型的配电网内部过电压识别方法 | |
| Duan et al. | Method of inter‐turn fault detection for next‐generation smart transformers based on deep learning algorithm | |
| EP3043186B1 (en) | Method and system for identifying full parameters of element by fault recorder, and fault locating method | |
| CN103344875A (zh) | 谐振接地系统单相接地故障分类选线方法 | |
| CN106226635A (zh) | 一种配电网馈线故障类型识别方法及装置 | |
| CN105093066A (zh) | 基于小波分析与支持向量机的线路故障判断方法 | |
| CN112098889B (zh) | 一种基于神经网络和特征矩阵的单相接地故障定位方法 | |
| CN110687393A (zh) | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 | |
| CN112180210A (zh) | 一种配电网单相接地故障选线方法及系统 | |
| CN106203382A (zh) | 一种基于核函数极限学习机的励磁涌流和故障电流识别方法 | |
| CN106526468A (zh) | 基于波形特征识别的断路器状态检测方法 | |
| CN111308260A (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
| CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
| CN111723684A (zh) | 一种海上风电场内部暂态过电压类型的识别方法 | |
| CN112462193A (zh) | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 | |
| CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
| CN113804997B (zh) | 基于双向WaveNet深度学习的电压暂降源定位方法 | |
| CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| CN103823158A (zh) | 采用不变矩的谐振接地系统故障选线方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zheng Yiming Inventor after: Zheng Hong Inventor after: Wei Zemin Inventor after: Xia Qiaoqun Inventor after: Tang Tieying Inventor after: Lan Daolin Inventor after: Hu Xixing Inventor after: Wang Wenhao Inventor after: Jiang Xiongwei Inventor after: Han Rui Inventor after: Hua Zhongsheng Inventor after: Du Wei Inventor after: Zhu Yiyong Inventor after: He Yifan Inventor after: Mei Bingxiao Inventor before: Zheng Yiming Inventor before: Xia Qiaoqun Inventor before: Tang Tieying Inventor before: Lan Daolin Inventor before: Hu Xixing Inventor before: Wang Wenhao Inventor before: Xu Jialong Inventor before: Hua Zhongsheng Inventor before: Du Wei Inventor before: Zhu Yiyong Inventor before: He Yifan Inventor before: Mei Bingxiao Inventor before: Wei Zemin |