CN109991508A - 一种基于动态非线性特征序列的变压器绕组状态诊断方法 - Google Patents

Abstract

本发明公开了一种基于动态非线性特征序列的变压器绕组状态诊断方法。通过在变压器的油箱布置振动传感器获取不同负载电流下的振动信号并获取电流信号，利用交叉递归图分析法从采集到的电流与振动的关系中提取非线性比特征，并计算随负载电流变化的非线性特征序列；建立不同状态对应的隐马尔可夫模型，利用非线性特征序列对HMM模型进行训练；针对待测变压器绕组，输入对应的非线性特征序列到训练后的模型中比较不同模型得到的概率大小，获得变压器绕组实际状态结果。

Description

一种基于动态非线性特征序列的变压器绕组状态诊断方法

技术领域

本发明涉及变压器绕组故障检测诊断领域，具体是涉及一种基于动态非线性特征序列的变压器绕组状态诊断方法。

背景技术

电力变压器是电网核心设备之一，且价值较高。对于大型电力变压器而言，大约41％的故障是由有载分接开关(OLTC)造成，19％的故障属于绕组故障。但绕组故障远比由有载分接开关造成的故障致命。对于没有有载分接开关的变压器而言，绝大多数故障(约26.6％)是由绕组故障引起。绕组是变压器内部最为关键且脆弱的部件，且绕组一旦发生故障，需要对变压器进行吊罩检查和进一步检修，这会带来巨大的经济损失。

目前，变压器绕组的离线式检测有短路阻抗法、低压脉冲法和频率响应法等检测方法。现所用的离线式检测方法效果虽然都还不错，但离线式检测方法有一个通病就是可记录性比不上带电检测方法。目前，常用的带电检测方法有油色谱分析法和局部放电检测法。但油色谱分析法并不能直接、及时反映绕组的机械结构变形等状态和故障；而局部放电检测方法产生局部放电的因素较多，受到环境条件的影响比较大。两种方法对变压器绕组常见的机械结构变形等故障不敏感、不及时，其次检测过程需要专门设计，安装不方便，检测成本较高。

发明内容

基于此，有必要针对变压器绕组状态监测诊断的问题，为了解决背景技术存在的问题，提出一种新的变压器绕组故障状态诊断方法，利用绕组动态电磁力与振动非线性的关系检测变压器绕组的状态。

如图4所示，本发明的技术方案如下：

1)变压器绕组置于变压器油箱中，变压器绕组连接负载，在变压器油箱靠近变压器绕组的表面设置多个振动监测点，每个振动监测点安装上振动传感器，对电力变压器进行短路实验，具体是变压器油箱槽的低压侧短接和变压器油箱槽的高压侧加电压并提升电压直至达到额定电流值，短路实验过程中实时监测变压器绕组的电流信号和振动传感器的振动信号，将获得的振动信号和电流信号分别定义为{V(t)}和{i(t)}，t＝1,2,...,T_x，T_x是序列的长度，t表示监测时刻；

2)由于电磁力与电流的平方成正比，根据电流信号建立电磁力序列，表示为{f(t)}＝{i²(t)}，以振动信号作为序列，对振动序列和电磁力序列进行归一化处理，再利用交叉递归图分析法从电磁力与相关振动中提取非线性比特征，由非线性比特征构造成非线性特征向量序列；

油箱振动是受铁心上的磁致伸缩力和绕组上的电磁力的综合作用，振动的产生主要是受电磁力作用，本发明从电磁力与相关振动的关系中提取非线性特征，作为变压器绕组状态的判断依据，能准确判断获得状态结果。

3)构建不同状态对应的隐马尔可夫模型(HMM)；采集不同状态下的变压器绕组的振动信号和电流信号进行如上操作步骤，将获得的非线性特征向量序列作为训练数据输入到不同的HMM模型中进行训练，获得HMM分类器；

4)针对待测状态的变压器绕组的非线性特征向量序列作为观察序列输入到训练好的HMM分类器中，根据其中不同HMM模型输出的概率最大值来判断绕组的实际状态，取概率最大值HMM模型对应的状态作为变压器绕组的最终状态结果，从而实现了变压器绕组的状态诊断。

不同状态针对的HMM模型输入同一组非线性特征向量序列会得到不同概率值。

所述的步骤(2)中，提取非线性比特征构造特征向量序列具体为：

首先，对一个已知状态或待测状态的电力变压器，将变压器绕组均等效为一个由质量、弹簧、阻尼构成的多自由度模型，用时滞法构造轨迹矩阵Y和Z：

M＝T_x-(D_E-1)T_D

其中，D_E是嵌入维数，T_D是延迟时间，T_x是序列长度，M是行数；表示第个绕组节点的电磁力向量，Y表示电磁力特征矩阵，表示第j个绕组节点的振动向量，Z表示振动特征矩阵；

然后，再处理获得两个轨迹矩阵Y和Z之间的交叉递归矩阵

其中，Θ表示阶跃函数，r是预定义的交叉递归阈值；||||表示范数；

接着，计算获得交叉递归率(CRR)作为轨迹矩阵之间的相似度：

其中，M是行数；

最后，采用以下公式处理获得变压器绕组对应的负载电流I下的非线性比：

其中，R(I)表示非线性比；

并且在不同负载电流下获得的非线性比R(I)构造成非线性特征向量序列{R(I₁),R(I₂),...,R(I_L)}，L表示不同负载电流的数量。

所述的不同负载电流在额定电流值范围内间隔采样取值。

本发明特殊采用隐马尔可夫模型(HMM)用于处理具有未观测状态的系统的随机过程，并且所述的隐马尔可夫模型(HMM)采用高斯混合隐马尔可夫模型(GHMM)来处理连续的非线性比特征。

所述的变压器绕组的状态分为正常、衰退和异常的三类，但不仅仅局限于这三大类，具体的细分类别可以根据实际需求而定。

本发明发现变压器振动是由铁芯上的磁致伸缩力和绕组上的电磁力共同作用产生，振动特征与内部机械结构状态密切相关。利用变压器油箱的振动信号作为绕组状态的诊断依据，能避免现有几种变压器绕组检测方法的弊端。

本发明的有益效果是：

本发明通过在变压器的油箱布置振动传感器获取变压器的稳态振动，同时采集变压器的电流信号。利用交叉递归图分析，从采集到的电流与振动的关系中提取非线性特征，并在不同载荷下计算变压器的非线性比。

同时，建立一个HMM库，利用样本变压器的非线性特征对HMM进行训练。对训练良好的HMM输入要诊断的变压器的绕组动态非线性特征，得到最大输出概率，最终实现变压器绕组实际状态诊断。

附图说明

图1是本发明变压器绕组数学模型图；

图2是本发明绝缘材料的静态应力-应变曲线图；

图3是本发明左-右高斯混合隐马尔可夫模型图；

图4是本发明基于HMM的变压器绕组状态诊断流程图；

图5是本发明不同条件下的稳态振动波形和频谱图；

图6是本发明不同情况下的CRP图：(a)电磁力本身，(b)正常绕组，(c)衰退绕组，(d)异常绕组。

图7是本发明不同条件下绕组负荷变化的非线性特征图；

图8是本发明正常测试样本的概率输出值；

图9是本发明衰退测试样本的概率输出值；

图10是本发明异常测试样本的概率输出值；

图11是本发明实施例得到的误差矩阵。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明所述的绕组状态评估方法进行详细说明，但本发明并不限于以下实施例。

变压器油箱表面测量得到的稳态振动通常包含基频和其谐波频率的分量。油箱振动通常被解释为铁心上的磁致伸缩力和绕组上的电磁力的综合作用。前者与磁芯中磁通的平方成正比，后者与绕组中电流的平方成正比。对于油浸式变压器，振动通过“固体-固体”和“流体-固体”两种途径传递到变压器油箱。

由于变压器上下端的压板和绕组线圈的分布规律，绕组结构单元等效为多自由度(MDOF)模型，绕组结构单元主要由变压器绕组、铁芯和压板构成，如图1所示。绕组线圈内的铜芯导体相当于质量(M_i)，绕组线圈外的绝缘材料相当于弹簧(K_i)和阻尼(C_i)的组合。绕组的绝缘材料具有明显的非线性力学特征，使得变压器振动也具有非线性。

如图4所示，本发明具体实施例及其实施过程如下：

1)如图1所示，变压器绕组置于电力变压器油箱槽中，变压器绕组连接负载，在变压器油箱靠近变压器绕组的表面设置多个振动监测点，每个振动监测点安装上振动传感器，对电力变压器进行短路实验，具体是变压器油箱槽的低压侧短接和变压器油箱槽的高压侧加电压并缓慢提升电压直至达到额定电流值，短路实验过程中实时监测变压器绕组的电流信号和振动传感器的振动信号，将获得的振动信号和电流信号分别定义为{V(t)}和{i(t)}，t＝1,2,...,T_x，T_x是序列的长度，t表示监测时刻；

具体实施是将50个振动传感器对称分布在变压器油箱槽的高压侧和低压侧，高压侧布置25个，低压侧布置25个。

在夹紧架和铁芯相对刚性情况下，将变压器绕组等效为多个微小部分并作为绕组节点，如图1所示，将轴向绕组振动模型描述为：

其中，f_i是作用在第i个线圈上的电磁力，x_i是第i个线圈的轴向位移。[M]、[C]和[K]分别表示质量矩阵、粘性阻尼矩阵和刚度矩阵，{x}为绕组节点的位移向量，表示{x}的一阶求导，表示{x}的二阶求导，{f}表示时变的电磁力。电磁力是由电流和漏磁密度相互作用产生的。

轴向电磁力由两部分组成，直流分量和交流分量。

f_i＝A_c-A_ccos(2ω),A_c∝I²

其中，f_i表示第i个线圈上的电磁力，A_c是电磁力的幅值，I和ω分别是输入电流的有效值和角频率。

电磁力在操作过程中起着两种作用。一方面，直流分量改变了轴向力的分布，另一方面，交流分量起着正弦激励的作用。

图2显示了绝缘体的静态应力-应变曲线，这是压缩和减压过程的平均值。可以看出，应力越小，非线性越强。此外，当绝缘受到周期性力作用时，滞回现象也不容忽视。基于方程所示的振动模型在线性系统的假设下，绕组在正弦电磁力作用下的强迫响应也是正弦的。然而，实际的非线性系统会产生复杂的动力学行为。

2)根据电流信号建立电磁力序列，表示为{f(t)}＝{i²(t)}，以振动信号作为序列，对振动序列和电磁力序列进行归一化处理，即减去均值和除以标准差等操作，再利用交叉递归图分析法从电磁力与相关振动中提取非线性比特征，由非线性比特征构造成非线性特征向量序列，具体如下。

首先，对一个已知状态的电力变压器和一个待测状态的电力变压器，两个相同规格的变压器，将变压器绕组等效为多个微小部分并作为绕组节点，用时滞法构造轨迹矩阵Y和Z：

M＝T_x-(D_E-1)T_D

其中，D_E是嵌入维数，T_D是延迟时间，T_x是序列长度，M是行数；表示第i个电磁力向量，Y表示电磁力特征矩阵，表示第j个绕组节点的振动向量，Z表示振动特征向量。

然后，再处理获得两个轨迹矩阵Y和Z之间的交叉递归矩阵：

其中，Θ表示阶跃函数，r是预定义的交叉递归阈值；||||表示范数；

接着，计算获得交叉递归率(CRR)作为轨迹矩阵之间的相似度：

其中，M是行数；

最后，采用以下公式处理获得变压器绕组对应的负载电流I下的非线性比：

其中，R(I)表示非线性比；

并且在不同负载电流下获得的非线性比R(I)构造成非线性特征向量序列{R(I₁),R(I₂),...,R(I_L)}，L表示不同负载电流的数量。

3)构建不同状态对应的隐马尔可夫模型(HMM)；采集不同状态下的变压器绕组的振动信号和电流信号进行如上操作步骤，将获得的非线性特征向量序列作为训练数据输入到不同的HMM模型中进行训练，获得HMM分类器。具体实施的变压器绕组的状态分为正常、衰退和异常的三类。

4)针对待测状态的变压器绕组的非线性特征向量序列作为观察序列输入到训练好的HMM分类器中，根据其中不同HMM模型输出的概率最大值来判断绕组的实际状态，取概率最大值HMM模型对应的状态作为变压器绕组的最终状态结果，从而实现了变压器绕组的状态诊断。

不同状态针对的HMM模型输入同一组非线性特征向量序列会得到不同概率值。

{I₁,I₂,...,I_L}是按升序排列的所加载到变压器绕组上的负载电流序列作为观测序列，L是负载电流序列的长度。具体实施中，相邻两个非线性比之间的负载电流间隔为额定电流值的10％，观测序列的长度由负载电流取值范围决定。例如，如果负载电流从额定电流值的20％到90％不等，则负载电流序列长度为8。

具体实施的隐马尔可夫模型(HMM)的输入由观察序列O＝{O₁,O₂,...,O_l}组成，其中O_l是在对应负载下得到的非线性比特征。非线性特征向量序列中的非线性比是连续的，实施例使用连续观测密度的高斯混合HMM(GHMM)。变压器绕组的机械退化是一个不可逆转的过程，可以用图3所示的左-右GHMM来表示。

在模型学习阶段，将训练数据分成几个类，并使用多个HMM来区分这些类。每个HMM用Baum-Welch算法进行训练，分配用于识别一个特定的变压器状况。模型训练完成后，识别过程基于选择给出观测序列概率最大的模型。

在具体实验中，本实施例采用全尺寸的50MVA/110kV三相变压器，50个振动传感器对称分布在槽的高压侧和低压侧。值得注意的是，在试验过程中进行了单相负载试验，即低压端子短路，并将该电压分别施加到各相的高压端子上。电压逐渐增大，直到电流达到额定值，并在不同负荷下采集油箱振动。如果将额定电流视为100％值，则对变压器进行相对于额定值的100％、90％……10％的测试。在10kHz采样频率下，同步采集振动和电流信号。

训练和测试都是在三相变压器的实验过程中得到的。当分别在A相和B相中进行负载测试时，收集训练样本，同时使用来自相位C的振动用于测试。有载试验的优点是可以忽略磁致伸缩力对振动非线性的影响。

实验模拟了正常、退化和异常三种典型情况下的绕组。当夹紧力分别设定为90％和100％时，收集正常样品。由于绕组的运行故障模拟是不可行的，因此采用夹紧力调整来模拟退化的情况，分别调整夹紧力为20％和30％得到退化的样本。用人工绕组变形法从变压器中获得了异常样品，并重复了两次测量。

如图5所示在不同的条件下，100％负载时所选择的位置(中间柱的顶部)的振动波形和频谱。因为电流信号可以被视为标准正弦波，理想的电磁力也是100Hz的正弦波。在正常情况下，强迫振动的波形是正弦的，这意味着绕组的数学模型可以用线性模型来表示。然而，在退化和异常条件下，振动非线性变得显着。此外，在正常情况下，振动谱主要集中在100Hz，而对于退化和反常的绕组，则出现100Hz的谐波。

接下来，利用CRP分析方法提取振动的非线性特征。如上所述，电磁力是用电流的平方来表示的。本发明的嵌入维数为3，阈值r为归一化信号标准差的0.2。由于采样频率为10kHz，延迟时间设置为100。图6(a)显示电磁力与其本身之间的CRP。正常绕组的CRP如图6(b)所示，其图案与图6(a)非常相似。退化样本和异常样本的CRP分别如图6(c)和图6(d)所示。可以看出，绕组状态越差，递归点越少。

振动非线性主要受轴向夹紧应力和电磁力幅值两个因素的影响。图7显示了不同工况下非线性特征随负载的变化趋势。正常变压器的非线性比接近1，波动小。随着负荷的增加，衰退变压器的非线性比先增大后减小，这意味着这两个因素都会影响结果。异常变压器的非线性比相对较小，主要随负载的增加而减小。非线性特征是一个随负载变化的参数。

本实施例选择负载变化的非线性比作为特征序列，采用隐马尔可夫模型作为分类器。首先，对三个不同条件下的HMM进行训练，包括HMM 1(正常)、HMM 2(衰退)和HMM 3(异常)。HMM状态数是对退化阶段的细分，根据贝叶斯信息准则(BIC)选择最佳模型。由于正常样本的非线性比相对稳定，HMM 1的最优隐态数设置为4。HMM 2和HMM 3的最优隐态数为8，这可以解释为每个负载对应于一个细分状态。

图8-图10展示出了测试样本的分类结果，每个曲线是所选择的50个具有相同程度的样本的输出概率。通过寻找概率最大的HMM模型，可以得到分类结果。可以看出，正常样本和异常样本都很容易识别。相反，衰退样品更有可能被归类为异常样本。图11展示了本方法对应的误差矩阵，最终的分类准确率高达97.6％。

Claims (5)

1.一种基于动态非线性特征序列的变压器绕组状态诊断方法，其特征在于：包括如下步骤：

1)变压器绕组置于变压器油箱中，在变压器油箱靠近变压器绕组的表面设置多个振动监测点，每个振动监测点安装上振动传感器，对电力变压器进行短路实验，具体是变压器油箱槽的低压侧短接和变压器油箱槽的高压侧加电压并提升电压直至达到额定电流值，短路实验过程中实时监测变压器绕组的电流信号和振动传感器的振动信号，将获得的振动信号和电流信号分别定义为{V(t)}和{i(t)}，t＝1,2,...,T_x，T_x是序列的长度，t表示监测时刻；

2)根据电流信号建立电磁力序列，表示为{f(t)}＝{i²(t)}，以振动信号作为序列，对振动序列和电磁力序列进行归一化处理，再利用交叉递归图分析法从电磁力与相关振动中提取非线性比特征，由非线性比特征构造成非线性特征向量序列；

3)构建不同状态对应的隐马尔可夫模型(HMM)；采集不同状态下的变压器绕组的振动信号和电流信号进行如上操作步骤，将获得的非线性特征向量序列作为训练数据输入到不同的HMM模型中进行训练，获得HMM分类器；

4)针对待测状态的变压器绕组的非线性特征向量序列作为观察序列输入到训练好的HMM分类器中，根据其中不同HMM模型输出的概率最大值来判断绕组的实际状态，取概率最大值HMM模型对应的状态作为变压器绕组的最终状态结果，从而实现了变压器绕组的状态诊断。

2.根据权利要求1所述的一种基于动态非线性特征序列的变压器绕组状态诊断方法，其特征在于：所述的步骤(2)中，提取非线性比特征构造特征向量序列具体为：

首先，对一个已知状态或待测状态的电力变压器，将变压器绕组均等效为一个由质量、弹簧、阻尼构成的多自由度模型，用时滞法构造轨迹矩阵Y和Z：

M＝T_x-(D_E-1)T_D

其中，D_E是嵌入维数，T_D是延迟时间，T_x是序列长度，M是行数；表示第个绕组节点的电磁力向量，Y表示电磁力特征矩阵，表示第j个绕组节点的振动向量，Z表示振动特征矩阵；

然后，再处理获得两个轨迹矩阵Y和Z之间的交叉递归矩阵

其中，Θ表示阶跃函数，r是预定义的交叉递归阈值；|| ||表示范数；

接着，计算获得交叉递归率(CRR)作为轨迹矩阵之间的相似度：

其中，M是行数；

最后，采用以下公式处理获得变压器绕组对应的负载电流I下的非线性比：

其中，R(I)表示非线性比；

由在不同负载电流下获得的非线性比R(I)构造成非线性特征向量序列{R(I₁),R(I₂),...,R(I_L)}，L表示不同负载电流的数量。

3.根据权利要求2所述的一种基于动态非线性特征序列的变压器绕组状态诊断方法，其特征在于：所述的不同负载电流在额定电流值范围内间隔采样取值。

4.根据权利要求1所述的一种基于动态非线性特征序列的变压器绕组状态诊断方法，其特征在于：所述的隐马尔可夫模型(HMM)采用高斯混合隐马尔可夫模型(GHMM)。

5.根据权利要求1所述的一种基于动态非线性特征序列的变压器绕组状态诊断方法，其特征在于：所述的变压器绕组的状态分为正常、衰退和异常的三类。