CN111024347B - 一种电抗器健康状态评估方法 - Google Patents

Abstract

本发明属于电抗器健康状态评估领域，具体涉及一种电抗器健康状态评估方法，包括：采集待评估电抗器四面多个位置的振动信号，并对每个位置的相同时段内稳定振动信号进行快速傅里叶变换，得到每个位置对应的频谱；从每个位置对应的频谱中筛选各主频倍频的谱线，对筛选出的每一主频倍频下的所有谱线先叠加后归一化或先归一化后叠加，构成总离散频谱；基于各主频倍频对应的谱线强度阈值，统计总离散频谱中超出其谱线强度阈值的主频倍频个数；基于该个数评估得到待评估电抗器的健康状态。本发明可实时采集电抗器全方位振动信号并对其综合分析，受环境影响低、稳定性好，实现较准确的电抗器当前健康状态评估，为电抗器定期停机检修计划提供技术性指导。

Description

一种电抗器健康状态评估方法

技术领域

本发明属于高压并联电抗器健康状态评估领域，更具体地，涉及一种电抗器健康状态评估方法。

背景技术

高压并联电抗器(以下简称电抗器)是电网系统中重要的无功补偿设备，在远距离输电过程中起到了巨大作用。它具有补偿远距离输电线电容电流、限制过电压的功能，可以起到保护用电设备以及降低线路有功损耗等作用。对以往故障案列研究发现电抗器内部局部放电、局部过热及设备绝缘老化是导致其故障的主要因素。而引起电抗器局部放电与过热频发的主要原因是其自身运行过程中振动导致的线圈、铁芯、螺栓松动。电抗器的健康状态评估是后续电抗器停机检修计划制定的基础，其运行状态更是关乎整个电网系统的安全与稳定。但通过常规人工巡检方法，无法提前发现电抗器内部紧固件松动等问题。

当前电抗器主要的缺陷检测方法，例如：外部形变检查、上电红外热像检测噪声检测和磁感应强度检测、油色谱检测，上述方法均只能监测电抗器的常规电气特征参量。其中外部检查法主要检查电抗器外部是否有显著形变，其检测精度低且无法提前发现内部绝缘故障。而红外热像检测、噪声检测和磁感应强度检测，虽准确性较好，但成本过高且实时性差，具有一定局限性。油色谱数据虽能反映电抗器内部放电等故障，但那都是机械故障发展到一定程度才会引起的电气故障。因此开展利用简单易获取的状态信息来评估电抗器健康状态的研究，对保障电抗器安全稳定地工作是非常有帮助的。

发明内容

本发明提供一种电抗器健康状态评估方法，用以解决现有电抗器健康状态评估中因只能监测电抗器的常规电气特征参量且实时性差而存在潜伏性故障无法有效分析得知进而容易导致电抗器健康状态恶化的技术问题。

本发明解决上述技术问题的技术方案如下：一种电抗器健康状态评估方法，包括：

S1、采集待评估电抗器四面多个位置的振动信号，并对每个位置的相同时段内稳定振动信号进行快速傅里叶变换，得到每个位置对应的频谱；

S2、从每个位置对应的频谱中筛选各主频倍频的谱线，对筛选出的每一主频倍频下的所有谱线先叠加后归一化或先归一化后叠加，构成总离散频谱；

S3、基于各主频倍频对应的谱线强度阈值，统计所述总离散频谱中超出其谱线强度阈值的主频倍频个数；

S4、基于所述主频倍频个数，评估得到所述待评估电抗器的健康状态。

本发明的有益效果是：上述振动信号可以采用传感器采集，电抗器的四面分别设置多个传感器，排布在每一面的不同位置，每个传感器都观测到了一定的电抗器健康信息或者说都能凸显一定的电抗器健康信息，充分利用电抗器各方位的振动信息来综合判断，极大提高健康状态的判断精度，避免误判。其中，充分利用电抗器各方位的振动信息时具体将各路振动信号对应的各相同主频倍频谱线叠加(每个100HZ倍频对应的幅值称为一个谱线)，可以让噪声之间相互消弱，使得电抗器的健康信息得以进一步凸显。本发明既结合了传统信号分析的优点又兼顾电抗器结构的特点，可以实时采集振动信号，实现对电抗器全方面信息的综合实时分析，评估得到当前电抗器的健康状态，受环境影响低、稳定性好，从而实现更高的评估精度，本方法可以为电抗器的定期停机检修计划提供技术性指导。

上述技术方案的基础上，本发明还可以做如下改进。

进一步，每面的所述多个位置在该面均匀排布。

本发明的进一步有益效果是：每面的多个位置为在该面均匀排布，一方面可以易于定位各传感器的位置，另一方面有利于在电抗器的四周进行更加全方位的振动信号测量。

进一步，所述主频倍频的谱线为1000HZ及以内的100Hz倍频的谱线。

本发明的进一步有益效果是：根据对电抗器的振动产生原理分析，理论计算得出其振动信号频率成分以100Hz倍频为主，因此选用100Hz的倍频，另外，由于1000Hz以上的频谱成分几乎没有，因此为简化计算同时保证准确率，只挑选1000Hz以内的100Hz倍频谱线，构成离散频谱。

进一步，每个位置对应的所述频谱为幅值谱。

本发明的进一步有益效果是：由于频谱的幅值反映了振动信号能量分布，不同的健康状态能量分布不同，因此，频谱选用幅值谱，能较准确检测到当前健康状态.

进一步，所述S2包括：

从每个位置对应的频谱中筛选各主频倍频的谱线，得到该位置对应的离散频谱；

对各所述离散频谱之间同一主频倍频下的幅值求和，得到叠加后的总离散频谱，对该叠加后的总离散频谱以主频幅值为归一化基准进行归一化，得到归一化后的总离散频谱；或者，分别以主频幅值为归一化基准对每个离散频谱独立进行归一化，得到归一化后的离散频谱，对各归一化后的离散频谱之间同一主频倍频下的幅值求和，得到叠加后的总离散频谱。

进一步，所述先叠加后归一化或先归一化后叠加，优选为：先叠加后归一化。

本发明的进一步有益效果是：先叠加后归一化，可以实现健康状态的明确划分，避免介于两健康状态之间的电抗器其健康状态划分不明确的问题。

进一步，所述S4具体为：

基于预先构建的超出其谱线强度阈值的主频倍频个数与健康状态之间的对应关系，根据所述待评估电抗器对应的所述主频倍频个数，确定所述待评估电抗器的健康状态。

本发明的进一步有益效果是：本方法综合电抗器历史振动信号，预先建立振动情况与设备故障之间的一种对应关系，再结合当前采集的振动信号，可以实时分析当前电抗器的健康状态，精确度高，评估效率高，为电抗器的定期停机检修计划提供了技术性指导。

进一步，所述各主频倍频对应的谱线强度阈值以及所述对应关系均为通过机器学习的方式优化得到。

本发明的进一步有益效果是：通过机器学习的方式获取超出其谱线强度阈值的主频倍频个数与健康状态之间的对应关系，客观性强，准确度高。

进一步，所述通过机器学习的方式优化得到，具体为：

分别对不同健康状态下的电抗器执行所述S1、S2和S3，得到每个健康状态下的电抗器的所述总离散频谱；

采用机器学习模型，其输入为各健康状态对应的总离散频谱，以不同健康状态对应的总离散频谱中超出其谱线强度阈值的主频倍频的个数不同为目标，优化所述机器学习模型中各主频倍频的谱线强度阈值参数，得到各主频倍频的谱线强度阈值以及不同健康状态对应的超出其谱线强度阈值的主频倍频的个数，完成所述对应关系的构建。

本发明的进一步有益效果是：在机器学习中以不同健康状态下的电抗器的总离散频谱作为机器学习模型的输入样本，以不同健康状态对应的总离散频谱中超出其谱线强度阈值的主频倍频的个数不同为目标进行各谱线强度阈值的优化，可以更加明显的将不同健康状态的电抗器区分开，通过这种方法得到的各谱线强度阈值，在应用于待评估电抗器的健康评估时，准确高。

进一步，所述不同健康状态下的电抗器以及所述待评估电抗器上的所述多个位置在个数和方位上均相同。

本发明的进一步有益效果是：对不同健康状态下的电抗器的多个位置在个数和方位上均相同，得到的对应关系才能更加有效的用于待评估电抗器的健康评估，实现电抗器健康状态的准确估计。

附图说明

图1为本发明实施例提供的一种电抗器健康状态评估方法的流程图；

图2为本发明实施例提供的一种电抗器健康状态评估方法中电抗器每面上振动信号采集位置示意图；

图3为本发明实施例提供的一种电抗器健康状态评估方法中电抗器各面的编码顺序示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例一

一种电抗器健康状态评估方法100，如图1所示，包括：

步骤110、采集待评估电抗器四面多个位置的振动信号，并对每个位置的相同时段内稳定振动信号进行快速傅里叶变换，得到每个位置对应的频谱；

步骤120、从每个位置对应的频谱中筛选各主频倍频的谱线，对筛选出的每一主频倍频下的所有谱线先叠加后归一化或先归一化后叠加，构成总离散频谱；

步骤130、基于各主频倍频对应的谱线强度阈值，统计总离散频谱中超出其谱线强度阈值的主频倍频个数；

步骤140、基于主频倍频个数，评估得到待评估电抗器的健康状态。

电抗器运行中其产生振动主要有两个原因：一是铁心磁致伸缩导致的铁心振动，二是绕组产生的麦克斯韦尔力作用下引起的铁心饼振动。

自由状态下系统振动的微分方程可以用矩阵表示为：

其中，M为结构质量矩阵，K为结构刚度矩阵，

为广义加速度列阵，X为广义位移列阵。

当电抗器处于运行工况时，由(通交流电产生的)交变磁场产生的激振力作用于电抗器系统，上面公式等号右侧不再是零，而是激振力F(合力)。对于电抗器而言，当激振力来自电抗器本体的电磁激振力时，激振力

该强迫振动下系统的微分方程的特解为：

即系统仅受到电抗器本身的电磁激振力时，系统各测点的振动频率与激振力频率一致，为2f＝100Hz，故电抗器振动频谱分析主要以100Hz倍频为主。

基于以上分析，充分考虑电抗器正常运行期间可能出现的主要问题如铁心异常和绕组变形等而提出本实施例方法。

需要说明的是，对采集到的稳定的振动信号截取相同时间长度的序列，然后做FFT变换(快速傅里叶变换)得到频谱数据，频谱的分辨率是10Hz(低于100HZ)，其中，振动信号中0.01s为一个周期，上述时间长度为至少一个振动周期，例如取10个周期，为0.1s。

上述振动信号可以采用传感器采集，电抗器的四面分别设置多个传感器，排布在每一面的不同位置，例如每面有9个传感器，则36个传感器相当于36个不同方位对一个目标(该电抗器)的观测，每个传感器都观测到了一定的电抗器健康信息或者说都能凸显一定的电抗器健康信息。由于通过数据分析发现单独分析某个测点的振动信号，不同测点得出的规律差异十分明显，电抗器的健康信息被位置因素掩盖，不利于健康状态评估，而本方法充分利用电抗器各方位的振动信息来综合判断，极大提高健康状态的判断精度，避免误判。其中，充分利用电抗器各方位的振动信息时具体将各路振动信号对应的各相同主频倍频谱线叠加(每个100HZ倍频对应的幅值称为一个谱线)，可以让噪声之间相互消弱，使得电抗器的健康信息得以凸显。该方法可以实时采集振动信号以实时进行健康状态的评估，可以为电抗器的定期停机检修计划提供技术性指导。

需要说明的是，采用归一化方法可以将各种电抗器的谱线在一个标准下与阈值进行比较，泛化能力强。

综上，本方法基于总离散频谱分析的电抗器健康状态评估方法，既结合了传统信号分析的优点又兼顾电抗器结构的特点，可以实现对电抗器全方面信息的综合分析。另外该方法受环境影响低、稳定性好，可以实时分析当前电抗器的健康状态。而通过分析总离散频谱而不是单分析某些测点的离散频谱，可以避免一些偶然性误差，一定程度上也减少了噪声的干扰，从而实现更高的评估精度。

优选的，每面的多个位置在该面均匀排布，且每面的位置个数相等。

例如，在电抗器油箱4个侧面均匀布置振动传感器进行振动检测。具体地，将电抗器油箱壁的每个侧面均匀划分成9个方格，均匀设置：一方面可以易于定位各传感器的位置，另一方面有利于在电抗器的四周进行更加全方位的振动信号测量，如图2所示，四个侧面共计4×9＝36个方格，将振动传感器吸附在电抗器油箱表面。例如，标记电抗器高压套管侧为A面，依次顺时针方向标记其余3面为B、C、D面，如图3所示。36个方格依次被记为A1,…,A9，B1,…,B9，C1,…,C9，D1,…,D9，便于数据对应。

优选的，上述主频倍频的谱线为1000HZ及以内的100Hz倍频的谱线。

根据对电抗器的振动产生原理分析，理论计算得出其振动信号频率成分以100Hz倍频为主，对所有电抗器的频谱图实际分析的结果与理论计算一致，因此筛选谱线时只挑选100Hz的倍频。频谱图分析结果还显示1000Hz以上的频谱成分几乎没有，因此为简化计算同时保证准确率，只挑选1000Hz以内的谱线，构成离散频谱。

优选的，上述频谱为幅值谱。

频频有幅值谱和相位谱，由于频谱的幅值反映了振动信号能量分布，不同的健康状态能量分布不同，因此，频谱选用幅值谱，能较准确检测到当前健康状态。

优选的，步骤120包括：

从每个位置对应的频谱中筛选各主频倍频的谱线，得到该位置对应的离散频谱；

对各离散频谱之间同一主频倍频下的幅值求和，得到叠加后的总离散频谱，对该叠加后的总离散频谱以主频幅值为归一化基准进行归一化，得到归一化后的总离散频谱；或者，分别以主频幅值为归一化基准对每个离散频谱独立进行归一化，得到归一化后的离散频谱，对各归一化后的离散频谱之间同一主频倍频下的幅值求和，得到叠加后的总离散频谱。

优选的，上述先叠加后归一化或先归一化后叠加，优选为：先叠加后归一化。

对于先归一化再求总离散频谱还是先求总离散频谱再归一化，通过对比实验，实验结果表明，两种方法均能发现电抗器的异常，但先归一化再求总离散频谱对处于靠近两种健康状态的电抗器健康状态划分不明确，而先求全谱线再归一化则表现得要优于前者，原因分析如下：某些测点其本征振动就很大，例如存在测点其振动信号的200Hz幅值要高于100Hz，另外个别测点的振动信号还存在较大误差，先归一化会放大这些特性，这样最后得到的总离散频谱便不能很好地反映电抗器的健康状态。

优选的，步骤140具体为：

基于预先构建的超出其谱线强度阈值的主频倍频个数与健康状态之间的对应关系，根据待评估电抗器对应的主频倍频个数，确定待评估电抗器的健康状态。

本方法综合电抗器历史振动信号，预先建立振动情况与设备故障之间的一种对应关系，再结合当前采集的振动信号，可以实时分析当前电抗器的健康状态，精确度高，评估效率高，为电抗器的定期停机检修计划提供了技术性指导。

优选的，各主频倍频对应的谱线强度阈值以及上述对应关系均为通过机器学习的方式优化得到。

通过机器学习的方式获取超出其谱线强度阈值的主频倍频个数与健康状态之间的对应关系，客观性强，准确度高。

优选的，上述通过机器学习的方式优化得到，具体为：

分别对不同健康状态下的电抗器执行上述步骤110、120、130，得到每个健康状态下的电抗器的总离散频谱；采用机器学习模型，其输入为各健康状态对应的总离散频谱，以不同健康状态对应的总离散频谱中超出其谱线强度阈值的主频倍频的个数不同为目标，优化机器学习模型中各主频倍频的谱线强度阈值参数，得到各主频倍频的谱线强度阈值以及不同健康状态对应的超出其谱线强度阈值的主频倍频的个数，完成上述对应关系的构建。

例如，通过这种方法得到的各电抗器的阈值，以主频倍频(其谱线强度阈值)的格式表示，则如下：

对于140000kvar的衡变电抗器其谱线强度阈值的一种设定为：200Hz(0.25)、300Hz(0.35)、400Hz(0.2)、500Hz(0.2)、600Hz(0.1)、700Hz(0.1)、800Hz(0.05)、900Hz(0.05)、1000Hz(0.04)。

对于140000kvar的衡变电抗器其谱线强度阈值的另一种设定为：200Hz(0.2)、300Hz(0.2)、400Hz(0.2)、500Hz(0.2)、600Hz(0.1)、700Hz(0.1)、800Hz(0.05)、900Hz(0.04)、1000Hz(0.03)。

对于80000kvar的衡变电抗器其谱线强度阈值的一种设定为：200Hz(0.16)、300Hz(0.16)、400Hz(0.15)、500Hz(0.1)、600Hz(0.07)、700Hz(0.07)、800Hz(0.04)、900Hz(0.04)、1000Hz(0.03)。

在机器学习中以不同健康状态下的电抗器的总离散频谱作为机器学习模型的输入样本，以不同健康状态对应的总离散频谱中超出其谱线强度阈值的主频倍频的个数不同为目标进行各谱线强度阈值的优化，可以更加明显的将不同健康状态的电抗器区分开，通过这种方法得到的各谱线强度阈值，在应用于待评估电抗器的健康评估时，准确高。

优选的，上述不同健康状态下的电抗器以及待评估电抗器上的多个位置在个数和方位上均相同。

对不同健康状态下的电抗器的多个位置在个数和方位上均相同，得到的对应关系才能更加有效的用于待评估电抗器的健康评估，实现电抗器健康状态的准确估计。

具体的，可根据色谱数据以及超声波局放数据等先验知识，对电抗器的健康状态做人为划分为5个状态：差、注意、中、良好以及优。挑选等量的确定异常和正常的电抗器的总离散频谱(例如，异常对应状态差，正常对应状态优，其他三个状态介于两者之间，由最好的和最坏的来确定按多大的间隔划分等级，比如最好的是满分，最差的0分，那么满分与零分的差是100分，划分五个等级的话，就20分一个等级)，采用机器学习模型，来确定各谱线相应的阈值，统计各电抗器超出阈值的谱线数。

本方法综合电抗器历史振动信号，建立了振动情况与设备故障之间的一种对应关系，再结合当前采集的振动信号，可以实时分析当前电抗器的健康状态，为电抗器的定期停机检修计划提供了技术性指导。

根据超出(低于)阈值的谱线数划分状态等级，并用色谱数据以及超声波局放数据等先验知识检验正确性，最后建立振动信号与健康状态的对应关系如下表，客观性强，准确度高。

低于阈值谱线数	0-2	2-4	4-6	6-8	8-10
						状态描述	差	注意	中	良好	优
维修策略	立即维修	尽快维修	优先维修	计划维修	延期维修

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种电抗器健康状态评估方法，其特征在于，包括：

S1、采集待评估电抗器四面多个位置的振动信号，并对每个位置的相同时段内稳定振动信号进行快速傅里叶变换，得到每个位置对应的频谱；其中，每面的多个位置在该面均匀排布，且每面的位置个数相等，均为九个，在待评估电抗器的四周进行更加全方位的振动信号测量；

S2、从每个位置对应的频谱中筛选各主频倍频的谱线，对筛选出的每一主频倍频下的所有谱线先叠加后归一化或先归一化后叠加，构成总离散频谱；

所述S2具体为：

从每个位置对应的频谱中筛选各主频倍频的谱线，得到该位置对应的离散频谱；

对各所述离散频谱之间同一主频倍频下的幅值求和，得到叠加后的总离散频谱，对该叠加后的总离散频谱以主频幅值为归一化基准进行归一化，得到归一化后的总离散频谱；或者，分别以主频幅值为归一化基准对每个离散频谱独立进行归一化，得到归一化后的离散频谱，对各归一化后的离散频谱之间同一主频倍频下的幅值求和，得到叠加后的总离散频谱；

S3、基于各主频倍频对应的谱线强度阈值，统计所述总离散频谱中超出其谱线强度阈值的主频倍频个数；

S4、基于所述主频倍频个数，评估得到所述待评估电抗器的健康状态；

所述S4具体为：

基于预先构建的超出其谱线强度阈值的主频倍频个数与健康状态之间的对应关系，根据所述待评估电抗器对应的所述主频倍频个数，确定所述待评估电抗器的健康状态；

所述各主频倍频对应的谱线强度阈值以及所述对应关系均为通过机器学习的方式优化得到；

所述通过机器学习的方式优化得到，具体为：

分别对不同健康状态下的电抗器执行所述S1、S2和S3，得到每个健康状态下的电抗器的所述总离散频谱；

采用机器学习模型，其输入为各健康状态对应的总离散频谱，以不同健康状态对应的总离散频谱中超出其谱线强度阈值的主频倍频的个数不同为目标，优化所述机器学习模型中各主频倍频的谱线强度阈值参数，得到各主频倍频的谱线强度阈值以及不同健康状态对应的超出其谱线强度阈值的主频倍频的个数，完成所述对应关系的构建。

2.根据权利要求1所述的一种电抗器健康状态评估方法，其特征在于，所述主频倍频的谱线为1000HZ及以内的100Hz倍频的谱线。

3.根据权利要求1所述的一种电抗器健康状态评估方法，其特征在于，每个位置对应的所述频谱为幅值谱。

4.根据权利要求1至3任一项所述的一种电抗器健康状态评估方法，其特征在于，所述先叠加后归一化或先归一化后叠加，优选为：先叠加后归一化。

5.根据权利要求1所述的一种电抗器健康状态评估方法，其特征在于，所述不同健康状态下的电抗器以及所述待评估电抗器上的所述多个位置在个数和方位上均相同。

Images