CN112485552A - 一种基于多源参量的变压器套管故障诊断方法及系统 - Google Patents

一种基于多源参量的变压器套管故障诊断方法及系统 Download PDF

Info

Publication number
CN112485552A
CN112485552A CN202011080402.9A CN202011080402A CN112485552A CN 112485552 A CN112485552 A CN 112485552A CN 202011080402 A CN202011080402 A CN 202011080402A CN 112485552 A CN112485552 A CN 112485552A
Authority
CN
China
Prior art keywords
neural network
data set
bushing
sample data
fault
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
CN202011080402.9A
Other languages
English (en)
Inventor
张玉波
余长厅
赵坚
颜海俊
张磊
焦健
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202011080402.9A priority Critical patent/CN112485552A/zh
Publication of CN112485552A publication Critical patent/CN112485552A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/26—Oils; Viscous liquids; Paints; Inks
    • G01N33/28—Oils, i.e. hydrocarbon liquids
    • G01N33/2835—Specific substances contained in the oils or fuels
    • G01N33/2847—Water in oils
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
    • G01R27/2688—Measuring quality factor or dielectric loss, e.g. loss angle, or power factor
    • G01R27/2694—Measuring dielectric loss, e.g. loss angle, loss factor or power factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Power Engineering (AREA)
  • Testing Relating To Insulation (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种基于多源参量的变压器套管故障诊断方法及系统，其方法包括：采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行油化试验，获取试验数据集；基于套管频域介电谱测试法对所述高压套管进行放电试验，获取所述高压套管在1mHz频率下的介质损耗；对所述试验数据集中的每一个试验数据进行故障类型匹配处理，同时结合所述介质损耗与所述高压套管电容芯的运行年限生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。本发明实施例通过利用变压器套管的多个特征量在BP神经网络中的学习过程可对套管故障原因进行解析，实用性较好。

Description

一种基于多源参量的变压器套管故障诊断方法及系统
技术领域
本发明涉及故障检测技术领域，尤其涉及一种基于多源参量的变压器套管故障诊断方法及系统。
背景技术
变压器套管是发生故障最多的组件之一，套管故障会引起变压器跳闸，甚至引发变压器着火等危害。由于运行中的变压器要长期承受工作电压、负荷电流以及在故障中出现的短时过电压、大电流的冲击，需要通过变压器套管将高、低压绕组的引线分别引到油箱的外部，起到引线对地的绝缘作用，从而保障变压器在电力系统中的稳定运行。变压器套管的故障类型主要有介损增大、电容量增大、局部放电、过热等，进一步导致变压器本体产生受潮故障或者X蜡故障。因此，查明套管故障的原因对于技术人员后续处理变压器故障具有重要意义，但现有的技术手段仍无法满足技术人员现场区分套管故障原因的需要。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于多源参量的变压器套管故障诊断方法及系统，通过利用变压器套管的多个特征量在BP神经网络中的学习过程可对套管故障原因进行解析，实用性较好。
为了解决上述问题，本发明提出了一种基于多源参量的变压器套管故障诊断方法，所述方法包括：
采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行油化试验，获取试验数据集；
基于套管频域介电谱测试法对所述高压套管进行放电试验，获取所述高压套管在1mHz频率下的介质损耗；
对所述试验数据集中的每一个试验数据进行故障类型匹配处理，同时结合所述介质损耗与所述高压套管电容芯的运行年限生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
可选的，所述对所述试验数据集中的每一个试验数据进行故障类型匹配处理，同时结合所述介质损耗与所述高压套管电容芯的运行年限生成样本数据集，并利用所述样本数据集对BP神经网络进行训练包括：
获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量以及所述介质损耗与所述运行年限进行归一化处理；
获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
可选的，所述将所述M个特征量中的每一个特征量以及所述介质损耗与所述运行年限进行归一化处理包括：
从所述M个特征量、所述介质损耗和所述运行年限中获取最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量以及所述介质损耗和所述运行年限所对应的归一化值为：
Figure BDA0002718379830000021
其中，
Figure BDA0002718379830000022
为第i个特征量，
Figure BDA0002718379830000023
为所述最小特征量，
Figure BDA0002718379830000024
为所述最大特征量，xi为所述第i个特征量
Figure BDA0002718379830000025
所对应的归一化值。
可选的，所述构建BP神经网络包括：
定义所述BP神经网络的输入层神经元数量为M+2，确定所述BP神经网络的隐含层神经元数量为：
Figure BDA0002718379830000026
定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
另外，本发明实施例还提供了一种基于多源参量的变压器套管故障诊断系统，所述系统包括：
第一获取模块，用于采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行油化试验，获取试验数据集；
第二获取模块，用于基于套管频域介电谱测试法对所述高压套管进行放电试验，获取所述高压套管在1mHz频率下的介质损耗；
训练模块，用于对所述试验数据集中的每一个试验数据进行故障类型匹配处理，同时结合所述介质损耗与所述高压套管电容芯的运行年限生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
诊断模块，用于基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
可选的，所述训练模块包括：
数据处理单元，用于获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量以及所述介质损耗与所述运行年限进行归一化处理；
故障编码单元，用于获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
网络构建单元，用于构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
网络训练单元，用于以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
可选的，所述数据处理单元用于从所述M个特征量、所述介质损耗和所述运行年限中获取最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量以及所述介质损耗和所述运行年限所对应的归一化值为：
Figure BDA0002718379830000031
其中，
Figure BDA0002718379830000032
为第i个特征量，
Figure BDA0002718379830000033
为所述最小特征量，
Figure BDA0002718379830000034
为所述最大特征量，xi为所述第i个特征量
Figure BDA0002718379830000035
所对应的归一化值。
可选的，所述网络构建单元用于定义所述BP神经网络的输入层神经元数量为M+2，确定所述BP神经网络的隐含层神经元数量为：
Figure BDA0002718379830000041
以及定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
在本发明实施例中，通过利用相应的试验方法获取变压器套管电容芯的油化特征量以及该变压器套管的介质损耗值，并利用上述各个运行特征值在BP神经网络中的学习过程可对该变压器套管的故障原因进行准确解析，以便于进一步维护该变压器在电力系统中的安全运行，具备较好的实用价值。
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，显而易见的，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是本发明实施例中的基于多源参量的变压器套管故障诊断方法的流程示意图；
图2是本发明实施例中的各个试验样本所对应的BP神经网络输出故障雷达示意图；
图3是本发明实施例中的基于多源参量的变压器套管故障诊断系统的结构组成示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
请参阅图1，图1示出了本发明实施例中的基于多源参量的变压器套管故障诊断方法的流程示意图；
S101、采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行油化试验，获取试验数据集；
在本发明实施例中，首先获取若干个已知故障类型的高压套管电容芯，并利用油纸对上述若干个高压套管电容芯中的每一个高压套管电容芯绝缘油进行提取；再基于油色谱试验法对油纸上所附着的绝缘油的成分含量进行试验分析，其中绝缘油的成分主要包括甲烷(CH4)、乙烯(C2H4)、乙烷(C2H6)、乙炔(C2H2)、氢气(H2)、一氧化碳(CO)、二氧化碳(CO2)和总烃；最后基于水分试验法对油纸上所附着的绝缘油的水分含量进行试验分析，且以上述提及的九种特征含量作为一个高压套管电容芯的绝缘油试验数据，可最终获取上述若干个高压套管电容芯所形成的试验数据集。
S102、基于套管频域介电谱测试法对所述高压套管进行放电试验，获取所述高压套管在1mHz频率下的介质损耗；
在本发明实施例中，套管频域介电谱测试法作为一种无损检测方法，逐渐被应用于检测大型变压器、套管等油纸绝缘设备的绝缘状态，可在更宽频率范围内测试绝缘系统的介损频率特性和电容量随频率的变化特性。在频域内，电介质材料的介电特性可通过复电容和相对介电常数来表征，此时引入复电容为：
C(ω)＝C′(ω)-iC″(ω)
则其介质损耗因数为：
tanδ(ω)＝C″(ω)/C′(ω)
其中，C′(ω)为复电容C(ω)的实部，C″(ω)为复电容C(ω)的虚部；此处可根据在1mHz频率下的复电容和介质损耗因数，融合计算出所述高压套管在1mHz下的介质损耗。
S103、对所述试验数据集中的每一个试验数据进行故障类型匹配处理，同时结合所述介质损耗与所述高压套管电容芯的运行年限生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
本发明实施过程包括如下：
(1)获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量以及所述介质损耗与所述运行年限进行归一化处理；
具体的，从所述样本数据集中获取一个样本数据，即其中一个高压套管电容芯的样本数据，再从该样本数据所包含的M个特征量、所述介质损耗和所述运行年限中获取最小特征量和最大特征量，计算所述M个特征量中的每一个特征量以及所述介质损耗和所述运行年限所对应的归一化值为：
Figure BDA0002718379830000061
其中，
Figure BDA0002718379830000062
为第i个特征量，
Figure BDA0002718379830000063
为所述最小特征量，
Figure BDA0002718379830000064
为所述最大特征量，xi为所述第i个特征量
Figure BDA0002718379830000065
所对应的归一化值。结合步骤S101中的描述，此处的M个特征量实际上为9个特征量。
(2)获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
具体的，所述样本数据集中所包含的若干个高压套管电容芯已划分为四大类：无故障类型的高压套管电容芯yk1、发生受潮故障类型的高压套管电容芯yk2、发生X蜡故障类型的高压套管电容芯yk3和发生受潮及X蜡故障类型的高压套管电容芯yk4，即此处的N个故障类型实际上为4个故障类型。在此基础上，对所述样本数据集中的每一个样本数据k进行故障编码输出为Yk＝[yk1,yk2,yk3,yk4]，且本发明实施例为了使得待构建的BP神经网络具有更好的泛化能力，在实际运算过程中将样本数据k(即高压套管电容芯k)在处于第i种状态的网络输出期望值表示为yki＝0.7,ykj＝0.1(i≠j)，即无故障类型所对应的编码输出为Yk1＝[0.7,0.1,0.1,0.1]，发生受潮故障类型所对应的编码输出为Yk2＝[0.1,0.7,0.1,0.1]，发生X蜡故障类型所对应的编码输出为Yk3＝[0.1,0.1,0.7,0.1]，发生受潮及X蜡故障类型所对应的编码输出为Yk4＝[0.1,0.1,0.1,0.7]，由此生成所述样本数据集所对应的故障编码状态表。
(3)构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
具体的，定义所述BP神经网络的输入层神经元数量为M+2，确定所述BP神经网络的隐含层神经元数量为：
Figure BDA0002718379830000071
Figure BDA0002718379830000072
同时定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，利用MATLAB软件中的神经网络工具箱构建所述BP神经网络。其中，所述BP神经网络的输入层与隐含层之间的激活函数以及隐含层与输出层之间的激活函数均采用S型传递函数，即f(x)＝1/(1+e-x)；此外所述BP神经网络中所设置的训练函数采用梯度下降训练函数，所述训练函数设定最大学习迭代次数为600次，且在对所述BP神经网络进行训练过程中，若训练次数达到280次时所述训练函数已经趋近于0，则判定所述BP神经网络处于收敛状态。
(4)以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
S104、基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
在本发明实施例中，利用步骤S101的操作方法可对待测高压套管电容芯的绝缘油中所包含的各个特征含量进行提取分析，再利用步骤S102的操作方法对所述待测高压套管的绝缘特性进行提取分析，在此基础上利用步骤S103中所提及到的归一化处理方式对所述各个特征含量与所述绝缘特性进行处理，得到样本数据并将其输入到所述训练后的BP神经网络进行对所述待测高压套管的故障诊断输出。
此外，本发明实施例通过选取已知故障类型的四支高压套管作为验证样本，对上述的变压器套管故障诊断方法进行验证，其中无故障类型的验证样本1例、发生受潮故障类型的验证样本1例、发生X蜡故障类型的验证样本1例、发生受潮及X蜡故障类型的验证样本1例，利用步骤S101和步骤S102可得到上述四支高压套管的各类试验数据如表1所示：
表1各个验证样本的试验数据表
Figure BDA0002718379830000073
Figure BDA0002718379830000081
再利用步骤S103对表1中的各组试验数据进行归一化处理后得到各组样本数据，并将所述各组样本数据输入至所述训练后的BP神经网络进行故障编码输出，如表2所示：
表2各个试验样本的BP神经网络输出故障编码表
Figure BDA0002718379830000082
Figure BDA0002718379830000091
根据表2所描述的各个试验样本的BP神经网络输出故障编码，利用MATLAB软件可分别绘制出各个试验样本的BP神经网络故障雷达图，如图2所示：验证样本1发生受潮及X蜡故障，其在表2中所对应的故障输出值(yk4)接近于0.7；验证样本2发生受潮故障，其在表2中所对应的故障输出值(yk2)接近于0.7；验证样本3发生X蜡故障，其在表2中所对应的故障输出值(yk3)接近于0.7；验证样本4无故障，其在表2中所对应的故障输出值(yk1)接近于0.7；再将上述各个试验样本的最终试验结果与表1中已提供的故障类型信息进行对照，可获知所述训练后的BP神经网络的诊断结果与预期相符，由此验证所述训练后的BP神经网络可以较为准确地判断出变压器套管的状态。
请参阅图3，图3示出了本发明实施例中的基于多源参量的变压器套管故障诊断系统的结构组成示意图，所述系统包括：
第一获取模块201，用于采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行油化试验，获取试验数据集；
第二获取模块202，用于基于套管频域介电谱测试法对所述高压套管进行放电试验，获取所述高压套管在1mHz频率下的介质损耗；
训练模块203，用于对所述试验数据集中的每一个试验数据进行故障类型匹配处理，同时结合所述介质损耗与所述高压套管电容芯的运行年限生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
进一步的，所述训练模块203包括数据处理单元、故障编码单元、网络构建单元和网络训练单元；其中，所述数据处理单元用于获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量以及所述介质损耗与所述运行年限进行归一化处理；所述故障编码单元用于获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；所述网络构建单元用于构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；所述网络训练单元用于以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
具体的，所述数据处理单元用于从所述M个特征量、所述介质损耗和所述运行年限中获取最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量以及所述介质损耗和所述运行年限所对应的归一化值为：
Figure BDA0002718379830000101
其中，
Figure BDA0002718379830000102
为第i个特征量，
Figure BDA0002718379830000103
为所述最小特征量，
Figure BDA0002718379830000104
为所述最大特征量，xi为所述第i个特征量
Figure BDA0002718379830000105
所对应的归一化值。
具体的，所述网络构建单元用于定义所述BP神经网络的输入层神经元数量为M+2，确定所述BP神经网络的隐含层神经元数量为：
Figure BDA0002718379830000106
以及定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
诊断模块204，用于基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
其中，所述系统被配置用于执行上述的基于多源参量的变压器套管故障诊断方法，针对所述系统中的各个模块的具体实施方式请参考图1所示出的方法流程图及具体实施内容，在此不再赘述。
在本发明实施例中，通过利用相应的试验方法获取变压器套管电容芯的油化特征量以及该变压器套管的介质损耗值，并利用上述各个运行特征值在BP神经网络中的学习过程可对该变压器套管的故障原因进行准确解析，以便于进一步维护该变压器在电力系统中的安全运行，具备较好的实用价值。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
以上对本发明实施例所提供的一种基于多源参量的变压器套管故障诊断方法及系统进行了详细介绍，本文中采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于多源参量的变压器套管故障诊断方法，其特征在于，所述方法包括：
采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行油化试验，获取试验数据集；
基于套管频域介电谱测试法对所述高压套管进行放电试验，获取所述高压套管在1mHz频率下的介质损耗；
对所述试验数据集中的每一个试验数据进行故障类型匹配处理，同时结合所述介质损耗与所述高压套管电容芯的运行年限生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
2.根据权利要求1所述的基于多源参量的变压器套管故障诊断方法，其特征在于，所述对所述试验数据集中的每一个试验数据进行故障类型匹配处理，同时结合所述介质损耗与所述高压套管电容芯的运行年限生成样本数据集，并利用所述样本数据集对BP神经网络进行训练包括：
获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量以及所述介质损耗与所述运行年限进行归一化处理；
获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
3.根据权利要求2所述的基于多源参量的变压器套管故障诊断方法，其特征在于，所述将所述M个特征量中的每一个特征量以及所述介质损耗与所述运行年限进行归一化处理包括：
从所述M个特征量、所述介质损耗和所述运行年限中获取最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量以及所述介质损耗和所述运行年限所对应的归一化值为：
Figure FDA0002718379820000021
其中，
Figure FDA0002718379820000022
为第i个特征量，
Figure FDA0002718379820000023
为所述最小特征量，
Figure FDA0002718379820000024
为所述最大特征量，xi为所述第i个特征量
Figure FDA0002718379820000025
所对应的归一化值。
4.根据权利要求2所述的基于多源参量的变压器套管故障诊断方法，其特征在于，所述构建BP神经网络包括：
定义所述BP神经网络的输入层神经元数量为M+2，确定所述BP神经网络的隐含层神经元数量为：
Figure FDA0002718379820000026
定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
5.一种基于多源参量的变压器套管故障诊断系统，其特征在于，所述系统包括：
第一获取模块，用于采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行油化试验，获取试验数据集；
第二获取模块，用于基于套管频域介电谱测试法对所述高压套管进行放电试验，获取所述高压套管在1mHz频率下的介质损耗；
训练模块，用于对所述试验数据集中的每一个试验数据进行故障类型匹配处理，同时结合所述介质损耗与所述高压套管电容芯的运行年限生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
诊断模块，用于基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
6.根据权利要求5所述的基于多源参量的变压器套管故障诊断系统，其特征在于，所述训练模块包括：
数据处理单元，用于获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量以及所述介质损耗与所述运行年限进行归一化处理；
故障编码单元，用于获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
网络构建单元，用于构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
网络训练单元，用于以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
7.根据权利要求6所述的基于多源参量的变压器套管故障诊断系统，其特征在于，所述数据处理单元用于从所述M个特征量、所述介质损耗和所述运行年限中获取最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量以及所述介质损耗和所述运行年限所对应的归一化值为：
Figure FDA0002718379820000031
其中，
Figure FDA0002718379820000032
为第i个特征量，
Figure FDA0002718379820000033
为所述最小特征量，
Figure FDA0002718379820000034
为所述最大特征量，xi为所述第i个特征量
Figure FDA0002718379820000035
所对应的归一化值。
8.根据权利要求6所述的基于多源参量的变压器套管故障诊断系统，其特征在于，所述网络构建单元用于定义所述BP神经网络的输入层神经元数量为M+2，确定所述BP神经网络的隐含层神经元数量为：
Figure FDA0002718379820000036
以及定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
CN202011080402.9A 2020-10-10 2020-10-10 一种基于多源参量的变压器套管故障诊断方法及系统 Pending CN112485552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011080402.9A CN112485552A (zh) 2020-10-10 2020-10-10 一种基于多源参量的变压器套管故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011080402.9A CN112485552A (zh) 2020-10-10 2020-10-10 一种基于多源参量的变压器套管故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN112485552A true CN112485552A (zh) 2021-03-12

Family

ID=74926738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011080402.9A Pending CN112485552A (zh) 2020-10-10 2020-10-10 一种基于多源参量的变压器套管故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN112485552A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234584A (zh) * 2013-04-27 2013-08-07 中国南方电网有限责任公司超高压输电公司检修试验中心 一种sf6绝缘直流套管故障诊断系统及诊断方法
CN104535865A (zh) * 2014-12-30 2015-04-22 西安工程大学 基于多参数的电力变压器运行故障综合诊断方法
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN107063349A (zh) * 2017-04-17 2017-08-18 云南电网有限责任公司电力科学研究院 一种诊断变压器故障的方法及装置
CN108491358A (zh) * 2018-03-21 2018-09-04 广东电网有限责任公司电力科学研究院 一种变压器套管状态评估方法及装置
CN110618340A (zh) * 2019-03-11 2019-12-27 广东工业大学 一种变压器状态评估方法
US20200202221A1 (en) * 2018-12-20 2020-06-25 Shandong University Of Science And Technology Fault detection method and system based on generative adversarial network and computer program

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234584A (zh) * 2013-04-27 2013-08-07 中国南方电网有限责任公司超高压输电公司检修试验中心 一种sf6绝缘直流套管故障诊断系统及诊断方法
CN104535865A (zh) * 2014-12-30 2015-04-22 西安工程大学 基于多参数的电力变压器运行故障综合诊断方法
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN107063349A (zh) * 2017-04-17 2017-08-18 云南电网有限责任公司电力科学研究院 一种诊断变压器故障的方法及装置
CN108491358A (zh) * 2018-03-21 2018-09-04 广东电网有限责任公司电力科学研究院 一种变压器套管状态评估方法及装置
US20200202221A1 (en) * 2018-12-20 2020-06-25 Shandong University Of Science And Technology Fault detection method and system based on generative adversarial network and computer program
CN110618340A (zh) * 2019-03-11 2019-12-27 广东工业大学 一种变压器状态评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王坚等: "基于油气试验车和神经网络的变压器故障诊断方法", 科技创新导报, no. 20 *

Similar Documents

Publication Publication Date Title
Bagheri et al. Classification and discrimination among winding mechanical defects, internal and external electrical faults, and inrush current of transformer
Duan et al. Identification of partial discharge defects based on deep learning method
Ghanizadeh et al. ANN and cross-correlation based features for discrimination between electrical and mechanical defects and their localization in transformer winding
Saha Review of time-domain polarization measurements for assessing insulation condition in aged transformers
Zhao et al. Diagnosing transformer winding deformation faults based on the analysis of binary image obtained from FRA signature
CN107609251B (zh) 一种基于fds的油纸电容式套管串联极化模型建模方法
Bagheri et al. Effect of transformer winding mechanical defects, internal and external electrical faults and inrush currents on performance of differential protection
Nosratian Ahour et al. Determination and localisation of turn‐to‐turn fault in transformer winding using frequency response analysis
Perkel et al. Interpretation of dielectric loss data on service aged polyethylene based power cable systems using VLF test methods
Devadiga et al. Winding turn‐to‐turn short‐circuit diagnosis using FRA method: sensitivity of measurement configuration
Jin-qiang Fault prediction of a transformer bushing based on entropy weight TOPSIS and gray theory
Bahador et al. Modelling and detection of live tree‐related high impedance fault in distribution systems
CN106841905A (zh) 一种变压器短路故障的识别方法及装置
Shamlou et al. Winding deformation classification in a power transformer based on the time-frequency image of frequency response analysis using Hilbert-Huang transform and evidence theory
Rajamani et al. Interturn short diagnosis in small transformers through impulse injection: on‐line on‐load self‐impedance transfer function approach
Rajamani et al. Sweep frequency response analysis based diagnosis of shorts within transformer windings
Wang et al. Diagnosis of solid insulation deterioration for power transformers with dissolved gas analysis‐based time series correlation
Wang et al. Cable incipient fault identification using restricted Boltzmann machine and stacked autoencoder
Ekici et al. Comparison of different regression models to estimate fault location on hybrid power systems
Akhmetov et al. A bootstrapping solution for effective interpretation of transformer winding frequency response
CN117131786B (zh) 一种电压互感器绝缘故障在线辨识方法
Bin et al. Research on mechanical fault diagnosis method of power transformer winding
Saha et al. Understanding frequency & time domain polarisation methods for the insulation condition assessment of power transformers
Samimi et al. Feasibility study on the detection of turn-to-turn fault severity in the transformer winding by frequency response analysis and numerical indices
Semenov et al. Examination of state of the cable insulation by the return voltage

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210312