CN112115647A - 一种基于改进的动态热模型的变压器状态确定方法 - Google Patents

一种基于改进的动态热模型的变压器状态确定方法 Download PDF

Info

Publication number
CN112115647A
CN112115647A CN202011001221.2A CN202011001221A CN112115647A CN 112115647 A CN112115647 A CN 112115647A CN 202011001221 A CN202011001221 A CN 202011001221A CN 112115647 A CN112115647 A CN 112115647A
Authority
CN
China
Prior art keywords
temperature
dynamic thermal
thermal model
improved dynamic
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.)
Pending
Application number
CN202011001221.2A
Other languages
English (en)
Inventor
李应光
孙德兴
李春
梁国芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202011001221.2A priority Critical patent/CN112115647A/zh
Publication of CN112115647A publication Critical patent/CN112115647A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明涉及电力技术领域，公开了一种基于改进的动态热模型的变压器状态确定方法，包括步骤：获取环境温度、负载率以及冷却器状态；将所述环境温度、负载率以及冷却器状态作为输入，热点温度、顶层油温、散热器温度、底层油温作为输出，根据改进的动态热模型计算获得模型参数。不同于现有热模型通过各部分温升在一定时间内的平均值来间接衡量环境温度的变化，本发明实施例提供的改进的动态热模型考虑到了环境温度的直接变化以及变压器内部温度变化对变压器油参数的影响，更能反映实际物理状况，因此所获得的变压器状态信息的准确度更高，更具实用性。

Description

一种基于改进的动态热模型的变压器状态确定方法
技术领域
本发明涉及及电力设备技术领域，尤其涉及一种基于改进的动态热模型的变压器状态确定方法。
背景技术
在电力变压器作为电力系统中最昂贵、最重要的设备之一，担负着电网间电压变化、电能转换的功能，其负载能力是制约电网变电容量限额的主要因素，同时，它的运行状态也在很多方面深入地影响着电力系统的稳定性和可靠性。变压器绕组的热点温度是限制其负载能力的主要决定因素，它与负载电流数值、负载损耗和杂散损耗等有关。热点温度超过该处绝缘水平所能允许的长期平均温度时会破坏绝缘或导致寿命损失。因此，变压器负载能力研究的实质是分析变压器在热点温度不超过温度限值且不影响正常使用寿命的情况下所能承载的最大负荷及可持续时间的问题。当变电站出现“N-1”事故时，如果变压器有较高的负载能力，不仅可以使变压器在一定过载范围内安全稳定地运行，还可以给调度留出时间裕度。
电力系统是一个庞大且复杂的系统，各个电力设备通过变压器紧密相连，大型的主变压器一旦发生故障，将对电力网络的运行产生深刻影响，并造成巨大的经济损失，若故障不能及时排除，严重时甚至会导致整个电力系统的崩溃。现代变压器特别是在其超铭牌额定容量运行时，需要预测内部的温度情况，确定热点温度，以便能够及时、准确地捕捉到引发事故的先兆现象，保证供电的稳定性和可靠性，使变压器在各种负载情况下具有正常的工作寿命，避免因过热而引发的事故。
目前，油浸式变压器常用的热电类比模型，是基于传热学和电路原理建立的3节点等效热路模型，但是此热电类比模型未考虑环境温度的直接变化，而是通过各部分温升在一定时间内的平均值来间接衡量环境温度的变化，以及未考虑到变压器的内部温度变化对变压器油参数的影响，因而计算得到的变压器状态信息的准确度较低。
发明内容
本发明的目的在于提供一种基于改进的动态热模型的变压器状态确定方法，提高计算准确度和实用性。
为达此目的，本发明采用以下技术方案：
一种基于改进的动态热模型的变压器状态确定方法，包括步骤：
获取环境温度、负载率以及冷却器状态；
将所述环境温度、负载率以及冷却器状态作为输入，热点温度、顶层油温、散热器温度、底层油温作为输出，根据动态热模型计算获得模型参数；
所述动态热模型的模型表达式为：
Figure BDA0002694385640000021
其中，Pall表示分散的铜耗和铁耗的整体热源；θ1'表示热点温度值；θ2'表示顶层油温；θ3'表示散热器温度；θ4'表示底层油温；θamb实际的环境温度；
C1表示铁芯、绕组和部分绝缘油的热容组成的集总热容；C2、C3和C4分别表示顶层油温升节点、散热器温度节点和底层油温升节点对环境温度的集总热容。
可选的，还包括步骤：利用遗传算法优化得到所述模型参数。
可选的，所述遗传算法通过选择、交叉和变异三个算子来跟踪最优的结果。
可选的，所述通过选择算子来跟踪最优的结果，包括：
计算出种群中所有个体的适应度之和；
计算每个个体相对适应度的大小，这个数值即为考量该个体能否作为父代的概率，用轮盘赌策略来记录各个个体被选中的次数：
将当前种群中适应度最低的个体替换为适应度最高的个体。
可选的，所述通过交叉算子来跟踪最优的结果，包括：
在选择了下一代的双亲后，以预设的交叉概率Pc选择两个个体进行交叉，通过交换两个个体的部分基因而得到两个新的个体。
可选的，所述通过变异算子来跟踪最优的结果，包括：
采用均匀变异，以概率Pm选择个体进行变异，随机的选取个体的基因位，并将其反转。
可选的，还包括步骤：利用所述动态热模型进行负载能力评估。
可选的，所述变压器为油浸式变压器。
与现有技术相比，本发明的有益效果为：
不同于现有热模型通过各部分温升在一定时间内的平均值来间接衡量环境温度的变化，本发明实施例提供的改进的动态热模型考虑到了环境温度的直接变化以及变压器内部温度变化对变压器油参数的影响，更能反映实际物理状况，因此所获得的变压器状态信息的准确度更高，更具实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的变压器动态热模型示意图；
图2为本发明实施例提供的遗传算法的框架示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
油浸式电力变压器在电力系统中应用广泛，其发热行为十分复杂。变压器的热量主要来自于铁芯和绕组等，运行时产生的损耗转变为热能，并造成各部分的温度差异，产生热传递过程。变压器的热量是通过传导、对流、辐射这三种基本方式传递出来的。一般来讲，在铁芯与绕组等固体发热体内，热量是经传导从内部传递至外部的；在油与固体接触的表面，热量通过油的对流从接触表面传递至油中，然后以对流的方式传递到油箱内壁；再经过传导从油箱内壁传至外壁；最后，热量从外壁表面经过对流与辐射散发至空气介质中。当发热大于散热时，变压器各部位温度持续上升，达到热平衡后，各部分温升保持不变。
本发明实施例主要考虑到环境温度的直接变化以及新型散热器的影响，更能反映实际物理状况，基于此提供一种具有良好计算准确度和实用性的动态热模型，以达到提高计变压器状态信息的计算准确度的目的。
具体的，本发明实施例提供了一种基于改进的动态热模型的变压器物理状况确定方法，包括步骤：
获取环境温度、负载率以及冷却器状态；
将环境温度、负载率以及冷却器状态作为输入，热点温度、顶层油温、散热器温度、底层油温作为输出，根据改进的动态热模型计算获得模型参数。
上述步骤中，改进的动态热模型，其模型示意图如图1所示，其模型表达式为：
Figure BDA0002694385640000041
其中，Pall表示分散的铜耗和铁耗的整体热源；θ1'表示热点温度值；θ2'表示顶层油温；θ3'表示散热器温度；θ4'表示底层油温；θamb实际的环境温度；
C1表示铁芯、绕组和部分绝缘油的热容组成的集总热容；C2、C3和C4分别表示顶层油温升节点、散热器温度节点和底层油温升节点对环境温度的集总热容。
为提高计算结果的精确度，本发明实施例还包括步骤：利用遗传算法优化得到上述模型参数。
遗传算法(Genetic Algorithm，GA)是用计算机来模拟生物“优胜劣汰，适者生存”的遗传和进化过程的一种搜索和优化算法，1975年由美国的Holland教授首次提出。遗传算法的框架简述为图2所示。
遗传算法主要通过三个算子来跟踪最优的结果：选择、交叉和变异。
1)选择
选择指从种群中选择具有优良基因的个体，使它们有机会作为父代把优良基因传递给下一代。具体的操作过程是：1，计算出种群中所有个体的适应度之和；2，计算每个个体相对适应度的大小，这个数值即为考量该个体能否作为父代的概率，用轮盘赌策略来记录各个个体被选中的次数：3，当前种群中适应度最低的个体被替换为适应度最高的个体。
2)交叉
在选择了下一代的双亲后，以一定的交叉概率Pc选择两个个体进行交叉，通过交换两个个体的部分基因而得到两个新的个体。
3)变异
采用均匀变异，以概率Pm选择个体进行变异，随机的选取个体的基因位，并将其反转。
基于改进的动态热模型，本发明实施例还可包括步骤：利用动态热模型进行负载能力评估。
由于与现有热模型相比较，本发明实施例提供的改进的动态热模型考虑到了环境温度的直接变化以及新型散热器的影响，更能反映实际物理状况，因此能够有效提高负载能力评估结果的准确性。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于改进的动态热模型的变压器状态确定方法，其特征在于，包括步骤：
获取环境温度、负载率以及冷却器状态；
将所述环境温度、负载率以及冷却器状态作为输入，热点温度、顶层油温、散热器温度、底层油温作为输出，根据动态热模型计算获得模型参数；
所述动态热模型的模型表达式为：
Figure FDA0002694385630000011
其中，Pall表示分散的铜耗和铁耗的整体热源；θ1'表示热点温度值；θ2'表示顶层油温；θ3'表示散热器温度；θ4'表示底层油温；θamb实际的环境温度；
C1表示铁芯、绕组和部分绝缘油的热容组成的集总热容；C2、C3和C4分别表示顶层油温升节点、散热器温度节点和底层油温升节点对环境温度的集总热容。
2.根据权利要求1所述的基于改进的动态热模型的变压器状态确定方法，其特征在于，还包括步骤：利用遗传算法优化得到所述模型参数。
3.根据权利要求2所述的基于改进的动态热模型的变压器状态确定方法，其特征在于，所述遗传算法通过选择、交叉和变异三个算子来跟踪最优的结果。
4.根据权利要求3所述的基于改进的动态热模型的变压器状态确定方法，其特征在于，所述通过选择算子来跟踪最优的结果，包括：
计算出种群中所有个体的适应度之和；
计算每个个体相对适应度的大小，这个数值即为考量该个体能否作为父代的概率，用轮盘赌策略来记录各个个体被选中的次数：
将当前种群中适应度最低的个体替换为适应度最高的个体。
5.根据权利要求3所述的基于改进的动态热模型的变压器状态确定方法，其特征在于，所述通过交叉算子来跟踪最优的结果，包括：
在选择了下一代的双亲后，以预设的交叉概率Pc选择两个个体进行交叉，通过交换两个个体的部分基因而得到两个新的个体。
6.根据权利要求3所述的基于改进的动态热模型的变压器状态确定方法，其特征在于，所述通过变异算子来跟踪最优的结果，包括：
采用均匀变异，以概率Pm选择个体进行变异，随机的选取个体的基因位，并将其反转。
7.根据权利要求1所述的基于改进的动态热模型的变压器状态确定方法，其特征在于，还包括步骤：利用所述动态热模型进行负载能力评估。
8.根据权利要求1所述的基于改进的动态热模型的变压器状态确定方法，其特征在于，所述变压器为油浸式变压器。
CN202011001221.2A 2020-09-22 2020-09-22 一种基于改进的动态热模型的变压器状态确定方法 Pending CN112115647A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011001221.2A CN112115647A (zh) 2020-09-22 2020-09-22 一种基于改进的动态热模型的变压器状态确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011001221.2A CN112115647A (zh) 2020-09-22 2020-09-22 一种基于改进的动态热模型的变压器状态确定方法

Publications (1)

Publication Number Publication Date
CN112115647A true CN112115647A (zh) 2020-12-22

Family

ID=73800272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011001221.2A Pending CN112115647A (zh) 2020-09-22 2020-09-22 一种基于改进的动态热模型的变压器状态确定方法

Country Status (1)

Country Link
CN (1) CN112115647A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861254A (zh) * 2020-12-31 2021-05-28 联合汽车电子有限公司 电驱动桥变速箱油温的检测方法、电机的控制方法及系统
CN113466290A (zh) * 2021-05-25 2021-10-01 广东电网有限责任公司广州供电局 变压器热缺陷检测方法、装置、计算机设备和存储介质
CN113704968A (zh) * 2021-07-23 2021-11-26 广东电网有限责任公司广州供电局 一种油浸式配电变压器绝缘老化评估的方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928700A (zh) * 2012-10-24 2013-02-13 上海市电力公司 一种电力变压器状态实时动态监测方法
CN105550472A (zh) * 2016-01-20 2016-05-04 国网上海市电力公司 一种基于神经网络的变压器绕组热点温度的预测方法
CN107367337A (zh) * 2017-09-11 2017-11-21 甘书宇 一种利用变压器顶层油温升实现油浸式变压器在线监测的方法
CN110162884A (zh) * 2019-05-23 2019-08-23 华翔翔能电气股份有限公司 考虑地坑热量累积效应的地埋式变电站评估控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928700A (zh) * 2012-10-24 2013-02-13 上海市电力公司 一种电力变压器状态实时动态监测方法
CN105550472A (zh) * 2016-01-20 2016-05-04 国网上海市电力公司 一种基于神经网络的变压器绕组热点温度的预测方法
CN107367337A (zh) * 2017-09-11 2017-11-21 甘书宇 一种利用变压器顶层油温升实现油浸式变压器在线监测的方法
CN110162884A (zh) * 2019-05-23 2019-08-23 华翔翔能电气股份有限公司 考虑地坑热量累积效应的地埋式变电站评估控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱瞳: "油浸式电力变压器热模型研究及负载能力评估", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 042 - 152 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861254A (zh) * 2020-12-31 2021-05-28 联合汽车电子有限公司 电驱动桥变速箱油温的检测方法、电机的控制方法及系统
CN113466290A (zh) * 2021-05-25 2021-10-01 广东电网有限责任公司广州供电局 变压器热缺陷检测方法、装置、计算机设备和存储介质
CN113466290B (zh) * 2021-05-25 2022-08-12 广东电网有限责任公司广州供电局 变压器热缺陷检测方法、装置、计算机设备和存储介质
CN113704968A (zh) * 2021-07-23 2021-11-26 广东电网有限责任公司广州供电局 一种油浸式配电变压器绝缘老化评估的方法和装置

Similar Documents

Publication Publication Date Title
CN112115647A (zh) 一种基于改进的动态热模型的变压器状态确定方法
CN104484569B (zh) 基于热电类比理论的变压器热点温度计算方法
CN112084720A (zh) 一种基于考虑故障率的变压器过载能力评估方法
CN108037780B (zh) 基于温升及负荷率的油浸式变压器冷却控制方法
CN107843791A (zh) 一种基于温升特性的变压器负荷能力评估方法
CN107508281B (zh) 一种同相供电系统潮流控制器动态可靠性评估方法
CN107063502A (zh) 一种基于多参量融合的油浸式变压器热点温度估算方法
Shiravand et al. Prediction of transformer fault in cooling system using combining advanced thermal model and thermography
CN107526872B (zh) 一种500kV超高压电缆的热应力及形变量的计算方法
CN115270622A (zh) 基于数值计算与线性回归模型预测变压器热点温度的方法
CN106653342B (zh) 均匀高温绝缘系统油浸式变压器及其结构优化方法
CN105404780B (zh) 一种多参数综合分析的变压器过载能力评估方法
Eteiba et al. Heat Conduction Problems in ${\rm SF} _ {6} $ Gas Cooled-Insulated Power Transformers Solved by the Finite-Element Method
CN103063963B (zh) 一种变压器容量测试方法
CN107122506A (zh) 一种考虑变压器油非线性时间常数的顶层油温热模型
Ben-gang et al. The improved thermal-circuit model for hot-spot temperature calculation of oil-immersed power transformers
Hamzeh et al. Reliability evaluation of distribution transformers considering the negative and positive effects of rooftop photovoltaics
Lai et al. Research on the relation between load coefficient and hot spot temperature of oil-immersed power transformer
Xu et al. Analysis of temperature field of medium frequency transformer based on improved thermal network method
Liu et al. Structure parameters optimization of the rain cover and ventilation duct of dry air core reactor under the forced air cooling condition
CN107145617A (zh) 一种考虑变压器油非线性时间常数的顶层油温热模型
Tian et al. Experimental verification on thermal modeling of medium frequency transformers
CN116050838B (zh) 基于风电负荷相关性的配电变压器运行风险评估方法及系统
Wang et al. Thermal Distribution Characteristics Related to the Transformer Fine Structure Predicted by CFD-Based Spline Interpolation
Luo et al. A method for hot spot temperature monitoring of oil-immersed transformers combining physical simulation and intelligent neural network

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