CN114485540A - 一种变压器绕组形变程度与位置快速获取方法及系统 - Google Patents

Abstract

本发明公开了一种变压器绕组形变程度与位置快速获取方法及系统，包括以下步骤：1)获取待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值；2)将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中，以获取待测试变压器绕组的形变程度及位置，该方法及系统能够准确获取变压器绕组的形变情况。

Description

一种变压器绕组形变程度与位置快速获取方法及系统

技术领域

本发明属于电力系统变压器领域，涉及一种变压器绕组形变程度与位置快速获取方法及系统。

背景技术

电力变压器是电力系统得以运行的重要组成部分，它可以通过对电压的调节和控制来对整个系统的稳定和安全起到重要的保障。在电力管理实践中，变压器的故障类型很多，其中最为常见的是绕组变形故障，它对变压器的运行，乃至整个系统的运行都会造成重大阻碍。在实践中，管理人员通常是通过电力测试等常规手法来检测障碍，但是，要准确找到障碍的关键，还需要结合变压器本身的机械特性寻找新的突破，如从变压器的振动信号对电力变压器绕组变形情况进行快速获取，并对故障进行快速诊断，从而提升变压器的安全性能，保证电力系统的稳定性和安全性。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种变压器绕组形变程度与位置快速获取方法及系统，该方法及系统能够准确获取变压器绕组的形变情况。

为达到上述目的，本发明所述的变压器绕组形变程度与位置快速获取方法包括以下步骤：

1)获取待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值；

2)将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中，以获取待测试变压器绕组的形变程度及位置。

所述将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中还包括：

21)构建神经网络模型；

22)获取变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值，同时设定绕组形变数据，再利用获取的绕组形变下振动信号主频率分量的幅值以及设定的绕组形变数据对神经网络模型进行训练，得训练后的神经网络模型。

所述获取变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值的具体过程为：

31)获取变压器的几何参数、材料参数以及绕组形变程度与位置；

32)根据变压器的几何参数、材料参数以及绕组形变程度与位置对变压器进行有限元建模，获取变压器在不同程度及不同位置的绕组形变下观测点振动信号主频率分量的幅值；

33)测量绕组的振动加速度信号，再对所述振动加速度信号进行傅里叶变换，提取基频分量所对应的幅值，将测量得到的振动信号主频率分量的幅值与仿真得到的振动信号主频率分量的幅值进行比较，根据比较结果判断振动信号的仿真是否正确，当振动信号的仿真正确时，则通过改变变压器仿真的绕组形变条件，获得变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值；否则，则转至步骤31)。

步骤33)中，利用加速度传感器测量绕组的振动加速度信号。

所述主频率为100Hz、200Hz、300Hz、400Hz或500Hz。

本发明所述的变压器绕组形变程度与位置快速获取系统包括：

获取模块，用于获取待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值；

检测模块，用于将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中，以获取待测试变压器绕组的形变程度及位置。

本发明具有以下有益效果：

本发明所述的变压器绕组形变程度与位置快速获取方法及系统再具体操作时，先获取待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值，将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中，以获取待测试变压器绕组的形变程度及位置，操作简单、方便，准确性较高。

附图说明

图1为单相变压器的建模图；

图2为单相变压器绕组振动信号的观测点位置图；

图3为观测点振动信号图；

图4为本发明的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。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他实施例，都应当属于本发明保护的范围。

在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

实施例一

参考图1至图4，本发明所述的变压器绕组形变程度与位置快速获取方法包括：

1)构建神经网络模型；

2)获取变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值，同时设定绕组形变数据，再利用获取的绕组形变下振动信号主频率分量的幅值以及设定的绕组形变数据对神经网络模型进行训练；

3)利用训练后的神经网络模型获取待测试变压器的绕组形变程度及位置。

为验证绕组形变数据的正确性，在人为设置绕组形变后的待测试变压器箱体表面使用振动加速度传感器测量箱体振动信号，经傅立叶分解后得到振动信号主频率分量的幅值，将其作为训练后神经网络的输入，再将人为设置的绕组形变与训练后神经网络模型的输出结果进行对比，以证明绕组形变数据的正确性。

步骤2)中，获取变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值的具体过程为：

21)获取变压器的几何参数、材料参数以及绕组形变程度与位置；

22)根据变压器的几何参数、材料参数以及绕组形变程度与位置对变压器进行有限元建模，获取变压器在不同程度及不同位置的绕组形变下观测点振动信号主频率分量的幅值；

23)利用加速度传感器测量绕组的振动加速度信号，再对所述振动加速度信号进行傅里叶变换，提取基频分量(100Hz)所对应的幅值，将测量得到的振动信号主频率分量的幅值与仿真得到的振动信号主频率分量的幅值进行比较，根据比较结果判断振动信号的仿真是否正确，当振动信号的仿真正确时，则通过改变变压器仿真的绕组形变条件，获得变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值；否则，则转至步骤21)。

其中，变压器振动信号的观测位置如图2所示，取绕组振动信号的频谱分量作为神经网络的输入。

利用训练后的神经网络模型获取待测试变压器的绕组形变程度与位置的具体过程为：

获取待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值，再将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中，以获取待测试变压器绕组的形变程度及位置。

另外，需要说明的是，所述深度神经网络模型一共9层，其中，第一层为神经网络的输入层共12个神经元，即该神经网络输入变量个数为12个振动信号主频率分量的幅值，第9层为输出层神经元，由于仅输出形变状态，所以该层是单输出层，第二层至第八层为共神经元个数2624个，是对待测试变压器振动信号主频率分量的幅值数据的特征提取与形变反演。在计算权重个数时，由于第二层神经元共64个，及其第一层神经元个数12个，另外存在阈值节点，则第二层输入权重个数为832个，其它层权重个数计算方式类似。该深度神经网络第二层神经元个数为64，第三层神经元个数为256个，第二层和第三层神经元个数对模型特征提取至关重要，第二层和第三层神经元较少时，将导致神经网络网络对待测试变压器振动信号主要频率分量的幅值的特征量提取信息不足，无法达到收敛条件。调节网络参数时应先使网络在训练数据集中满足误差要求，其次调节网络规模，使之在测试数据集中满足误差要求。每一个感知器的激活函数均采用ReLU函数，由于ReLU函数的导数在非零段等于1，解决梯度消失的问题，在构建神经网络进行形变状态训练时，需要注意神经网络的过拟合和欠拟合现象，网络发生过拟合时，此时对训练集数据测试良好，但使用非训练集数据进行测试时，则会产生严重的误差。当网络发生欠拟合时，训练集和测试集在网络中输出结果均精度不够，说明网络的结构不足以对输入特征提取，无法拟合形变数据，此时应扩大网络规模。

实施例二

以实际运行中的干式变压器为一个实施例，干式变压器绕组经绝缘处理后裸露在空气中，使用振动加速度传感器可以采集变压器对应位置的振动信号，但是无法获得变压器绕组是否发生变形及故障，而变压器绕组变形的检测对变压器的运行及维护都起着关键的作用。根据本发明，可以先获取变压器几何参数和材料参数，在有限元软件中建立变压器的几何模型，添加材料参数。在有限元软件中，获取变压器特定位置经过傅里叶变换的振动加速度信号频谱图；并与实验采集的振动信号经过傅里叶变换的振动信号主频率分量的幅值对比，确保变压器仿真模型正确可靠，通过改变绕组之间垫块的厚度，从而改变变压器绕组的压紧状况，使变压器绕组出现轻微的几何尺寸变化，从而从不同的绕组形变状况获取变压器绕组形变状况和对应的振动信号的仿真数据，并以变压器绕组振动信号的仿真数据作为神经网络模型的输入，以变压器绕组形变状况为输出，训练神经网络模型；通过振动加速度传感器测量变压器外表面固定点的振动信号，将所述振动信号输入神经网络模型中，便可得到绕组的形变状况。通过本发明，实现变压器在正常运行时，以振动加速度传感器采集振动信号，确定变压器的形变状况。

实施例三

本发明所述的变压器绕组形变程度与位置快速获取系统包括：

获取模块，用于获取待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值；

检测模块，用于将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中，以获取待测试变压器绕组的形变程度及位置。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (6)

1.一种变压器绕组形变程度与位置快速获取方法，其特征在于，包括以下步骤：

1)获取待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值；

2)将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中，以获取待测试变压器绕组的形变程度及位置。

2.根据权利要求1所述的变压器绕组形变程度与位置快速获取方法，其特征在于，所述将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中之前还包括：

21)构建神经网络模型；

22)获取变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值，设定绕组形变数据，利用获取的绕组形变下振动信号主频率分量的幅值以及设定的绕组形变数据对神经网络模型进行训练，得训练后的神经网络模型。

3.根据权利要求2所述的变压器绕组形变程度与位置快速获取方法，其特征在于，所述获取变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值的具体过程为：

31)获取变压器的几何参数、材料参数以及绕组形变程度与位置；

32)根据变压器的几何参数、材料参数以及绕组形变程度与位置对变压器进行有限元建模，仿真获取变压器在不同程度及不同位置的绕组形变下观测点振动信号主频率分量的幅值；

33)测量绕组的振动加速度信号，对所述振动加速度信号进行傅里叶变换，提取基频分量所对应的幅值，将测量得到的振动信号主频率分量的幅值与仿真得到的振动信号主频率分量的幅值进行比较，根据比较结果判断振动信号的仿真是否正确，当振动信号的仿真正确时，则通过改变变压器仿真的绕组形变条件，获得变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值；否则，则转至步骤31)。

4.根据权利要求1所述的变压器绕组形变程度与位置快速获取方法，其特征在于，步骤33)中，利用加速度传感器测量绕组的振动加速度信号。

5.根据权利要求1所述的变压器绕组形变程度与位置快速获取方法，其特征在于，所述主频率为100Hz、200Hz、300Hz、400Hz或500Hz。

6.一种变压器绕组形变程度与位置快速获取系统，其特征在于，包括：

获取模块，用于获取待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值；

检测模块，用于将待测试变压器在不同程度及不同位置的绕组形变下振动信号主频率分量的幅值输入到训练后的神经网络模型中，以获取待测试变压器绕组的形变程度及位置。

Images