CN113052249B - 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 - Google Patents

基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 Download PDF

Info

Publication number
CN113052249B
CN113052249B CN202110349611.7A CN202110349611A CN113052249B CN 113052249 B CN113052249 B CN 113052249B CN 202110349611 A CN202110349611 A CN 202110349611A CN 113052249 B CN113052249 B CN 113052249B
Authority
CN
China
Prior art keywords
fault
winding
current
deviation coefficient
transformer winding
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
Application number
CN202110349611.7A
Other languages
English (en)
Other versions
CN113052249A (zh
Inventor
李振华
成俊杰
黄悦华
吴�琳
李红斌
王涛
张磊
张涛
徐艳春
李振兴
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202110349611.7A priority Critical patent/CN113052249B/zh
Publication of CN113052249A publication Critical patent/CN113052249A/zh
Application granted granted Critical
Publication of CN113052249B publication Critical patent/CN113052249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，根据变压器绕组结构仿真模型求得的绕组分布参数，建立变压器绕组集中参数电路模型；充分考虑各种故障与电力参数影响，模拟绕组的轴向、径向和匝间短路故障，通过在绕组首端注入频率为600kHz～1MHz范围的扫频信号，测得绕组首端和末端电流数据，构建绕组故障特征曲线数据库；由首、末端电流特征曲线的差异性获得了不同绕组故障的特征向量库；利用支持向量机和电流偏差系数对绕组故障进行类型识别、故障位置确定。本发明方法采用了支持向量机对绕组的故障类型进行识别，提高了故障识别的准确性；同时只需要获取故障的电流偏差系数值即可确定故障发生的位置。

Description

基于支持向量机和电流偏差系数的变压器绕组故障类型识别 方法
技术领域
本发明涉及电力变压器绕组故障检测领域，具体涉及一种基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法。
背景技术
电力变压器是电力传输的关键设备，因此其安全稳定的运行对于电网安全生产有着至关重要的意义。由于国家经济的快速发展，对于电力的需求也不断的增长，从而也导致在电力系统中的短路电流不断增大。根据相关的统计结果可知，在变压器故障类型中，由变压器绕组变形引起的故障比例占到变压器所有故障总和的三分之一。短路电流和安装的机械冲击都可能造成变压器的绕组变形，其中由绕组中短路电流而产生的轴向力和径向力造成变压器绕组移位、鼓包以及扭曲等变形，这是绕组变形最常见的形式。变压器绕组重大故障通常是由很微小的变形经过长时间的积累从而产生的，这也给电网安全运行带来了巨大的隐患。因此为了防范变压器的故障危害，对绕组故障检测是十分必要的
针对已有的利用电流偏差系数法来对变压器绕组故障进行检测的相关研究，现有的技术文献“沈明,尹毅,吴建东,等.变压器绕组变形在线监测实验研究[J].电工技术学报,2015,29(11):184-190.”和“沈明.电流偏差法在绕组变形在线监测中的应用研究[D].上海交通大学,2015.”。这些文献虽采用了电流偏差系数来对故障进行诊断，但是还存在不足之处，主要表现在：①上述文献所采用的是固定频率的高频信号，但是当频率改变时，所得到的电流偏差系数值会有很大的差异，这将严重影响绕组故障的诊断；②上述文献中对故障类型仿真时，故障类型与电力参数变化考虑不够充分，没有考虑电感等参数的影响，只利用电容变化对故障类型进行粗略的模拟，从而造成故障类型诊断正确率不高；③对于故障类型进行诊断时，只简单采用电流偏差系数这一种指标，诊断需要人工进行判定，不够方便简单。
发明内容
为解决上述技术问题，本发明提供一种基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，采用了支持向量机对绕组的故障类型进行识别，提高了故障识别的准确性；同时只需要获取故障的电流偏差系数值即可确定故障发生的位置，为检修人员快速排查故障提供一种新的方法。
本发明采取的技术方案为：
基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，根据变压器绕组结构仿真模型求得的绕组分布参数，建立变压器绕组集中参数电路模型；充分考虑各种故障与电力参数影响，模拟绕组的轴向、径向和匝间短路故障，通过在绕组首端注入频率为600kHz～1MHz范围的扫频信号，测得绕组首端和末端电流数据，构建绕组故障特征曲线数据库；由首、末端电流特征曲线的差异性获得了不同绕组故障的特征向量库；利用支持向量机和电流偏差系数对绕组故障进行类型识别、故障位置确定。
基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，包括以下步骤：
步骤1：根据变压器绕组的结构尺寸、位置、材料属性建立变压器绕组结构仿真模型，采用有限元法计算得到变压器绕组的分布电容、电感参数；
步骤2：根据步骤1中获取的分布电容、电感参数，建立变压器绕组集中参数电路模型；变压器绕组正常情况下，在变压器绕组集中参数电路模型注入正弦扫频信号，获取绕组首端电流Ia(f)、末端电流Ib(f)，同时将首端电流Ia(f)、末端电流Ib(f)作为指纹数据；
步骤3：利用仿真电路模拟绕组的各种故障情况，在相同的测试条件下，获取绕组不同故障下的首端电流、末端电流分别为
Figure BDA0003001746870000021
构建绕组故障特征曲线数据库；
步骤4：将步骤3和步骤2中获得的首端电流、末端电流曲线进行比对分析，确定首端电流数据差值sc、末端电流数据差值mc、电流偏差系数CDC组成特征向量，根据不同的绕组故障类型得到特征向量库；
步骤5：根据步骤4利用不同的绕组故障类型得到的特征向量库，采用支持向量机对绕组故障进行识别，根据识别结果确定绕组的故障类型；再利用电流偏差系数CDC特征向量进一步确定绕组的故障位置。
所述步骤2中，在变压器绕组集中参数电路模型首端注入的正弦信号为600kHz～1MHz范围的低压高频扫频信号，获取的变压器绕组集中参数电路模型首端电流、末端电流分别为绕组的一次侧和二次侧的电流数据。
所述步骤3中，由建立的变压器绕组集中参数电路模型来对故障进行模拟时，通过改变电路中不同的电力参数值来模拟不同的故障类型；
所述步骤3中，相同的测试条件指得是：步骤3中所加的正弦扫频信号与步骤2中电压信号大小和所施加的位置相同；同时步骤3中变压器绕组集中参数电路模型首、末端的采样电阻的阻值大小相同。
所述步骤3中，仿真所得到故障的电流数据包括：不同故障类型发生时所处的绕组的位置不同的首末端电流数据；不同故障类型发生在相同位置，但发生故障时故障程度不同的电流数据；故障程度为5％、10％、15％、20％、25％五种等级，故障位置为绕组各饼不同位置。
所述步骤4中，首端电流数据差值sc、末端电流数据差值mc计算公式为：
Figure BDA0003001746870000031
式中：I1(f)绕组健康状态时第i个频率下所测的首端或者末端的电流值；
Figure BDA0003001746870000032
是绕组故障时第i个频率下所测的首端或者末端电流值。
所述步骤4中，电流偏差系数CDC值计算公式为：
Figure BDA0003001746870000033
式中：Ia(f)和分别Ib(f)是绕组健康状态时第i个频率下所测的首、末两端的电流值；
Figure BDA0003001746870000034
和
Figure BDA0003001746870000035
分别是绕组故障时第i个频率下所测的首、末端的电流值。
所述步骤5中，绕组故障类型主要包括：轴向变形、径向变形、匝间短路、整体位移等故障类型；基于故障特征向量库利用支持向量机对绕组故障类型进行识别时，需要将特征向量设置标签分类，根据所需要识别的故障类型，一般设置的标签为1、2、3、、、n。相同类型的绕组故障特征向量要设置为相同的类别标签，不同的类型的故障设置为不同的标签，其中相同类型还包括同一故障类型同一故障程度发生在不同位置，同一故障类型发生在同一故障位置，但是故障程度不同时，进行标记设置是也为同一标记。
本发明一种基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，技术效果如下：
1)、本发明采用了正弦高频扫频信号源，这样与已采用的定频方法，所得的数据更加充分，可以减小因频率不同而引起故障诊断的误差；
2)、本发明对各类故障类型进行仿真模拟时，更加充分考虑各种故障类型与不同的电力参数的对应关系，减少因对故障模拟的电力参数考虑不充分造成的故障识别不准确；
3)、本发明利用了首末端电流曲线差异性，建立了基于数学指标的区分度明显的特征向量库，采用了解决小样本、非线性、高维模式识别问题的支持向量机对绕组的故障类型进行识别，提高了故障识别的准确性；
4)、本发明中的电流偏差系数与绕组变形的程度无关,只与绕组变形的位置有关,且绕组同一部分变形时电流偏差系数在一定的的范围内变动，因此只需要获取故障的电流偏差系数值可以确定故障发生的位置。
5)、利用支持向量机进行故障识别时，需要将所得到的故障类型的特征向量按照故障类型进行分类标记，当支持向量机对故障类型识别之后，可以通过该类别的标签确定故障的类型。由于每一种故障所发生故障位置所得到的特征向量电流偏差系数CDC都处在各自一定的区间范围，只要得到所待测故障的电流偏差系数值所在位置区间可以很容易的确定故障发生的位置。
附图说明
图1为本发明的流程图。
图2(a)为各类绕组故障发生在中部的绕组首端电流曲线。
图2(b)为各类绕组故障发生在中部的绕组末端电流曲线图。
图3为采用支持向量机对绕组故障识别的结果图。
图4(a)为轴向变形故障的电流偏差系数图。
图4(b)为匝间短路故障的电流偏差系数图。
图4(c)为径向变形故障的电流偏差系数图。
图5为变压器绕组结构仿真模型图。
图6为变压器绕组集中参数电路模型图。
具体实施方式
基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，根据变压器绕组结构仿真模型求得的绕组分布参数，建立变压器绕组集中参数电路模型；充分考虑各种故障与电力参数影响，通过在绕组首端注入扫频信号，测得绕组首端和末端电流数据，构建绕组故障特征曲线数据库；由首、末端电流特征曲线的差异性获得了不同绕组故障的特征向量库；利用支持向量机和电流偏差系数对绕组故障进行类型识别、故障位置确定。
本发明方法具体包括以下步骤：
步骤1：根据变压器绕组的结构尺寸、位置、材料属性建立变压器绕组结构仿真模型，采用有限元法计算得到变压器绕组的分布电容、电感参数。
变压器绕组结构仿真模型图如图5所示。变压器绕组结构仿真模型能放映绕组在变压器中的实际状态，计算的相关模型参数更加准确，经过有限元法计算得到的分布电容、电感参数更能反映实际绕组的电气特性。因注入到绕组等效电路的为600kHz～1MHz范围的扫频正弦信号，在此区间内，在模拟故障类型时，其他相关参数的影响较小，可以忽略不计，所以主要考虑的参数为电容、电感等参数。
步骤2：根据步骤1中获取的分布电容、电感参数，建立变压器绕组集中参数电路模型；变压器绕组正常情况下，在变压器绕组集中参数电路模型注入正弦扫频信号，获取绕组首端电流Ia(f)、末端电流Ib(f)，同时将首端电流Ia(f)、末端电流Ib(f)作为指纹数据。变压器绕组集中参数电路模型如图6所示，其中，AC为扫频正弦信号，R1、R2为采样电阻，Cs为串联电容，Cg为对地电容。
指纹数据指的是：在绕组健康状态时，所测得绕组首端和末端的各频率点下的电流值，获取的电流值是包含在600kHz～1MHz频率范围内采样200个点数据。
在变压器绕组集中参数电路模型首端注入的正弦信号为600kHz～1MHz范围的低压高频扫频信号，获取的变压器绕组集中参数电路模型首端电流、末端电流分别为绕组的一次侧和二次侧的电流数据。
步骤3：利用仿真电路模拟绕组的各种故障情况，在相同的测试条件下，获取绕组不同故障下的首端电流、末端电流分别为
Figure BDA0003001746870000051
构建绕组故障特征曲线数据库。
绕组故障特征曲线数据库构建：
首先通过仿真采集到首、末端电流数据，再将电流数据导入MATLAB中可以构建600kHz～1MHz频率范围绕组故障特征曲线数据库，其中特征曲线如图2(a)、图2(b)所示。
由建立的变压器绕组集中参数电路模型来对故障进行模拟时，通过改变电路中不同的电力参数值来模拟不同的故障类型。本发明主要模拟的故障类型包括：径向变形，轴向变形，匝间短路。其中：径向变形通过改变对地电容和电感来模拟；轴向变形通过改变串联电容和对地电容来模拟；匝间短路通过改变串联电容和电感来模拟。
相同的测试条件指得是：步骤3中所加的正弦扫频信号与步骤2中所电压信号大小和所施加的位置相同；同时步骤3中变压器绕组集中参数电路模型首、末端的采样电阻的阻值大小相同。
仿真所得到故障的电流数据包括：不同故障类型发生时所处的绕组的位置不同的首末端电流数据；不同故障类型发生在相同位置，但发生故障时故障程度不同的电流数据；故障程度主要包含5％、10％、15％、20％、25％五种等级，故障位置为绕组各饼不同位置。故障程度是主要模拟径向变形、轴向变形、匝间短路这几种故障类型单一发生在每一饼上的具体程度。故障位置是每一饼发生单一的径向变形、轴向变形、匝间短路故障。本发明研究不包含混合故障情况，所发生的故障都是单一故障情况。
步骤4：将步骤3和步骤2中获得的首端电流、末端电流曲线进行比对分析，确定首端电流数据差值sc、末端电流数据差值mc、电流偏差系数CDC组成特征向量，根据不同的绕组故障类型得到特征向量库。
对步骤2和步骤3中首、末端电流曲线数据进行比对发现：不同的绕组故障首端和末端电流曲线数据在空间位置上有较大的差异，通过一定的数学计算可以得到能反映绕组故障的特征。其中电流偏差系数CDC值计算公式为：
Figure BDA0003001746870000061
式中：Ia(f)和分别Ib(f)是绕组健康状态时第i个频率下所测的首、末两端的电流值；
Figure BDA0003001746870000062
和
Figure BDA0003001746870000063
分别是绕组故障时第i个频率下所测的首、末端的电流值。n表示所测得的600kHz～1MHz频率范围采样的电流值个数。
首端电流数据差值sc、末端电流数据差值mc计算公式为：
Figure BDA0003001746870000064
式中：I1(f)绕组健康状态时第i个频率下所测的首端或者末端的电流值；
Figure BDA0003001746870000065
是绕组故障时第i个频率下所测的首端或者末端电流值。
步骤5：根据步骤4利用不同的绕组故障类型得到的特征向量库，采用支持向量机对绕组故障进行识别，根据识别结果确定绕组的故障类型；再利用电流偏差系数CDC特征向量进一步确定绕组的故障位置。
利用支持向量机对绕组故障进行类型识别，主要包括：
绕组故障类型主要包括：轴向变形、径向变形、匝间短路、整体位移等故障类型。基于故障特征向量库利用支持向量机对绕组故障类型进行识别时，需要将特征向量设置标签分类，根据所需要识别的故障类型，一般设置的标签为1、2、3、、、n。相同类型的绕组故障特征向量要设置为相同的类别标签，不同的类型的故障设置为不同的标签，其中相同类型还包括同一故障类型同一故障程度发生在不同位置，同一故障类型发生在同一故障位置，但是故障程度不同时，进行标记设置是也为同一标记。在利用SVM(支持向量机)对故障识别时，需要先获得判别函数，因此在对故障特征向量标记完成后，还需要抽出每一种故障类型的部分特征量作为训练集，以此来得到所需要的判别函数，剩余的特征向量可以作为测试集，因此当后续在需要进行分类时，不需要再选择训练集获得判别函数。
SVM进行具体的分类时，首先需要将输入到MATLAB中的数据样本进行[0 1]区间的归一化处理，因为在输入的样本数据中，各类样本数据的大小不一，这样在进行故障类型识别时可能会影响识别故障的准确性，同时也对收敛速度有很大的影响。对数据进行归一化处理之后，用径向基函数作为核函数对训练数据进行分类决策函数参数求取，从而求得线性判别函数，将预测样本代入到判别函数中进行故障识别效果校验，计算得出样本的类别标签，完成故障类型的识别，最后可以通过查看该类别的标签可以确定某一绕组故障的类型。
所述步骤5中，当对故障类型识别之后，可以根据之前计算得到的电流偏差系数CDC值进一步确定故障所发生的位置。由于电流偏差系数值与故障发生的程度没有直接的联系，只与故障所发生的位置有关联，且绕组同一饼发生故障时电流偏差系数值在一个区间范围内进行变化，因此由电流偏差值所处的区间确定故障发生位置。
验证案例：
为进一步对基于支持向量机及电流偏差系数的变压器绕组故障类型识别及定位方法定性分析，针对某一特定型号变压器绕组，在仿真软件Pspice中建立了其集中参数电路模型，其中绕组饼数N＝5。分别对绕组正常和不同位置发生发生不同程度及不同类型故障时的情况进行了模拟，通过仿真得到的相关结果验证该方法的有效性。
经过有限元求得的变压器绕组等效集中电路参数如表1。
表1
Figure BDA0003001746870000071
结合绕组分布参数建立的电路模型，利用仿真电路的分布参数来全面模拟绕组的轴向、径向和匝间短路故障情况，这主要包括设置轴向变形故障分别发生在绕组的5饼的各个位置，变形的程度为5％～25％，分别间隔5％,每一种故障类型包含有5种故障程度。由图2(a)和图2(b)可以分别看到正常绕组、发生轴向、径向和匝间短路的首端和末端的电流曲线图，由图2(a)和图2(b)可以对比发现，这三种故障类型的首端和末端的电流曲线与正常的首端和末端的电流曲线在空间位置上有很大的差异性。
通过不同的绕组故障类型的首端和末端的电流曲线与指纹曲线比对，获取首端电流曲线数据差值sc、末端的电流曲线数据差值mc以及计算得到的电流偏差系数CDC值作为对绕组故障的特征向量，由三种不同的故障类型发生在五种不同的位置，故障程度为5级，建立有75组特征向量的绕组故障特征库。
利用支持向量机对绕组类型进行识别时，需要将不同类型的故障进行分类设置不同的标签，相同的故障类型设置为相同的标签。由于本发明主要是对三种故障类型进行识别，因此需要设置三种标签，每一种故障类型总共包含5个变形位置，5级故障程度，每种故障有25组变形数据，3种故障类型总计有75组变形特征数据；将25组绕组轴向变形故障所包括的特征向量标记类别为1；将25组绕组径向变形故障所包括的特征向量标记类别为2；将25组绕组匝间短路故障所包括的特征向量标记类别为3。为了得到故障类型的判别函数，利用支持向量机识别时，在整个特征向量库的3类故障中，每一种故障类型需要选出一定数量的训练集，其余特征量作为测试集，本发明每一种故障类型包含有25组故障特征量，选取其中的20组作为训练集，总共训练集包含有60组，测试集选为余下每一种故障的5组特征量，测试集一共包含有15组。故障类型部分标记分类及测试数据如表2。
表2
Figure BDA0003001746870000081
为了验证支持向量机对绕组故障进行识别的效果，利用所得到的特征量进行测试，结果如图3所示。由图3识别结果计算可以得出，本发明提出的方法，对于设置的3中绕组变形测试样本的识别成功率分别达到100％，100％，100％，整个识别效果达到100％，所以对所设置的每一种故障类型的识别效果较为理想，也进一步验证该方在变压器绕组故障检测领域的优势。
通过对绕组故障的类型进行识别以后，为了对绕组的故障位置的确定，建立了各故障类型的电流偏差系数指纹图，如图4(a)、图4(b)、图4(c)所示。由图4(a)、图4(b)、图4(c)可以看到，每一种故障类型所得到的电流偏差系数与故障程度无关，只与故障发生位置有联系，同一故障类型同一位置所得到的电流偏差系数值都处在一定的区间范围之内。由待测电流偏差值所处区间范围可以确定故障发生的位置。
利用电流偏差系数CDC特征向量进一步确定绕组的故障位置。对故障位置的确定如下：
在进行各类故障模拟时，选取的特征参数有电流偏差系数CDC，由图4(a)、图4(b)、图4(c)可以看到模拟的三类故障类型的电流偏差系数图，从图4(a)、图4(b)、图4(c)中可以看出，单一故障发生在每一饼位置时所得的每一饼的电流偏差系数值都处在一定的范围区间之内，且各饼故障所得到的电流偏差系数值无交叉，因此，当确定故障类型之后，可以由待测的电流偏差系数值进一步确定绕组故障发生的位置。

Claims (7)

1.基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，其特征在于包括以下步骤：
步骤1：根据变压器绕组的结构尺寸、位置、材料属性建立变压器绕组结构仿真模型，采用有限元法计算得到变压器绕组的分布电容、电感参数；
步骤2：根据步骤1中获取的分布电容、电感参数，建立变压器绕组集中参数电路模型；变压器绕组正常情况下，在变压器绕组集中参数电路模型注入正弦扫频信号，获取绕组首端电流Ia(f)、末端电流Ib(f)，同时将首端电流Ia(f)、末端电流Ib(f)作为指纹数据；
步骤3：利用仿真电路模拟绕组的各种故障情况，在相同的测试条件下，获取绕组不同故障下的首端电流、末端电流分别为
Figure FDA0003616618650000011
构建绕组故障特征曲线数据库；
步骤4：将步骤3和步骤2中获得的首端电流、末端电流曲线进行比对分析，确定首端电流数据差值sc、末端电流数据差值mc、电流偏差系数CDC组成特征向量，根据不同的绕组故障类型得到特征向量库；
步骤5：根据步骤4利用不同的绕组故障类型得到的特征向量库，采用支持向量机对绕组故障进行识别，根据识别结果确定绕组的故障类型；再利用电流偏差系数CDC特征向量进一步确定绕组的故障位置。
2.根据权利要求1所述基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，其特征在于：所述步骤2中，在变压器绕组集中参数电路模型首端注入的正弦信号为600kHz～1MHz范围的低压高频扫频信号，获取的变压器绕组集中参数电路模型首端电流、末端电流分别为绕组的一次侧和二次侧的电流数据。
3.根据权利要求1所述基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，其特征在于：所述步骤3中，由建立的变压器绕组集中参数电路模型来对故障进行模拟时，通过改变电路中不同的电力参数值来模拟不同的故障类型。
4.根据权利要求1所述基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，其特征在于：所述步骤3中，相同的测试条件指得是：步骤3中所加的正弦扫频信号与步骤2中所述正弦扫频信号大小和所施加的位置相同；同时步骤3中变压器绕组集中参数电路模型首、末端的采样电阻的阻值大小相同。
5.根据权利要求1所述基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，其特征在于：所述步骤3中，仿真所得到故障的电流数据包括：不同故障类型发生时所处的绕组的位置不同的首末端电流数据；不同故障类型发生在相同位置，但发生故障时故障程度不同的电流数据；故障程度为5％、10％、15％、20％、25％五种等级，故障位置为绕组各饼不同位置。
6.根据权利要求1所述基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，其特征在于：所述步骤4中，首端电流数据差值sc、末端电流数据差值mc计算公式为：
Figure FDA0003616618650000021
式中：I1(f)表示绕组健康状态时第i个频率下所测的首端的电流值；
Figure FDA0003616618650000022
表示绕组故障时第i个频率下所测的首端的电流值；
Figure FDA0003616618650000023
式中：I1(f)’表示绕组健康状态时第i个频率下所测的末端的电流值；
Figure FDA0003616618650000024
表示绕组故障时第i个频率下所测的末端的电流值；
所述步骤4中，电流偏差系数CDC值计算公式为：
Figure FDA0003616618650000025
式中：Ia(f)和分别Ib(f)是绕组健康状态时第i个频率下所测的首、末两端的电流值；
Figure FDA0003616618650000026
和
Figure FDA0003616618650000027
分别是绕组故障时第i个频率下所测的首、末端的电流值。
7.根据权利要求1所述基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法，其特征在于：所述步骤5中，绕组故障类型主要包括：轴向变形、径向变形、匝间短路、整体位移故障类型；基于故障特征向量库利用支持向量机对绕组故障类型进行识别时，需要将特征向量设置标签分类，根据所需要识别的故障类型，设置的标签为1、2、3、、、n；相同类型的绕组故障特征向量要设置为相同的类别标签，不同的类型的故障设置为不同的标签，其中相同类型还包括同一故障类型同一故障程度发生在不同位置，同一故障类型发生在同一故障位置，但是故障程度不同时，进行标记设置是也为同一标记。
CN202110349611.7A 2021-03-31 2021-03-31 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 Active CN113052249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110349611.7A CN113052249B (zh) 2021-03-31 2021-03-31 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110349611.7A CN113052249B (zh) 2021-03-31 2021-03-31 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法

Publications (2)

Publication Number Publication Date
CN113052249A CN113052249A (zh) 2021-06-29
CN113052249B true CN113052249B (zh) 2022-06-21

Family

ID=76516712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110349611.7A Active CN113052249B (zh) 2021-03-31 2021-03-31 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法

Country Status (1)

Country Link
CN (1) CN113052249B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117214908B (zh) * 2023-10-10 2024-05-10 深圳市宇讯通光电有限公司 一种基于智能裁缆机械的定位控制方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6172509B1 (en) * 1999-02-11 2001-01-09 The United States Of America As Represented By The Secretary Of The Air Force Detecting polyphase machine faults via current deviation
CN203274673U (zh) * 2013-04-11 2013-11-06 上海交通大学 用于在线监测变压器绕组变形的装置
CN204666792U (zh) * 2015-06-08 2015-09-23 河北钢铁股份有限公司承德分公司 一种通过励磁偏差诊断大中型直流电机绕组故障的装置
CN109444656B (zh) * 2018-12-21 2020-06-09 浙江大学 一种变压器绕组变形位置的在线诊断方法
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

Also Published As

Publication number Publication date
CN113052249A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
Nurmanova et al. A new transformer FRA measurement technique to reach smart interpretation for inter-disk faults
Bigdeli et al. Detection of probability of occurrence, type and severity of faults in transformer using frequency response analysis based numerical indices
CN109359271B (zh) 一种基于逻辑回归的变压器绕组变形程度在线检测方法
Zhao et al. Diagnosing transformer winding deformation faults based on the analysis of binary image obtained from FRA signature
CN109829497B (zh) 一种基于监督学习的台区用户识别及判别方法
US8278939B2 (en) Diagnostic method for determining deformations in a transformer winding
CN112801135B (zh) 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备
CN117748507B (zh) 基于高斯回归模型的配网谐波接入不确定性评估方法
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN114814501B (zh) 一种电容式电压互感器电容击穿故障在线诊断方法
CN113052249B (zh) 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法
CN116643091A (zh) 基于多维时序特征的换流变阀侧套管在线绝缘监测方法
Moradzadeh et al. Location of disk space variations in transformer winding using convolutional neural networks
CN112684311B (zh) 用于变压器油纸绝缘局部放电类型识别的特征量提取方法
CN106291239A (zh) 一种采用滤波器支路电流和主成分分析方法的直流输电线路故障识别方法
Pant et al. Detecting faults in power transformers using wavelet transform
CN115308644A (zh) 基于电流偏移比差分析的变压器绕组故障检测方法及系统
Nurmanova et al. Distribution transformer frequency response analysis: behavior of different statistical indices during inter-disk fault
CN107576259A (zh) 基于特快速暂态过电压特性的变压器绕组变形在线检测方法
CN118519087B (zh) 一种互感器测试系统
Wörmann et al. Sensitivity analysis of earth fault localization based on voltage signatures in medium voltage grids
Chaouche et al. Three phase transformer modelling by frequency response analysis measurement
Banaszak et al. The Influence of the Window Width on FRA Assessment with Numerical Indices. Energies 2021, 14, 362
Suassuna de Andrade Ferreira et al. Reproducing Transformers’ Frequency Response from Finite Element Method (FEM) Simulation and Parameters Optimization. Energies 2023, 16, 4364
Orynbassar et al. Frequency response interpretation using statistical indices: A case study on 400 MVA transformer

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210629

Assignee: Yichang Yizhixing Technology Co.,Ltd.

Assignor: CHINA THREE GORGES University

Contract record no.: X2023980034895

Denomination of invention: Transformer winding fault type recognition method based on support vector machine and current deviation coefficient

Granted publication date: 20220621

License type: Common License

Record date: 20230426