CN115683319A - 一种电力变压器绕组状态评估方法 - Google Patents

Abstract

本发明提供了一种电力变压器绕组状态评估方法，该方法包括：获取各个振动传感器在多个不同检测时刻采集的振动信号；根据振动信号确定各个测点的基频振动相位序列，基频振动相位序列包括测点在各个检测时刻的振动信号对应的基频振动相位；根据基频振动相位序列判断电力变压器是否存在异常可能性，若是，则在所有基频振动相位序列中确定最终参考序列，采用最终参考序列对其它基频振动相位序列进行校准，获得校准后的基频振动相位差序列；对校准后的基频振动相位差序列进行特征提取，将提取的状态评估特征量输入训练好的机器学习模型，确定电力变压器的绕组状态。本发明降低了降低评估电力变压器绕组状态时的设备成本。

Description

一种电力变压器绕组状态评估方法

技术领域

本发明涉及电力变压器检测技术领域，具体而言，涉及一种电力变压器绕组状态评估方法。

背景技术

电力变压器是电网系统中的重要设备，其安全运行对电网系统的安全性和可靠性具有重要意义。电力变压器在运行过程中，受短路冲击、直流偏磁影响的振动加剧和绝缘的逐渐老化的影响，绕组容易出现松动的情况。当绕组出现松动后，其抗短路能力变差，继续的短路冲击或雷击会使绕组进一步松散，甚至变形。松散的绕组也容易在电磁力作用下产生振动，互相磨擦使绝缘损坏。久而久之，绕组松动最终可能发展成为绕组严重变形或绕组短路等致命性的故障。因此，需要对电力变压器的绕组状态进行评估，以在电力变压器绕组状态变差时，及时进行维修。

目前，常通过振动分析法来评估电力变压器的绕组状态，振动分析法是通过检测电力变压器油箱表面的振动信号，将振动信号与参考信号进行对比分析，以提取可有效反映电力变压器内部状态变化的状态特征，根据状态特征评估电力变压器的绕组状态。其中，现有技术通常采用电力变压器的电流信号作为参考信号，需要另外配置检测电流的设备，增加了设备成本。

发明内容

本发明解决的问题是如何降低评估电力变压器绕组状态时的设备成本。

为解决上述问题，本发明提供一种电力变压器绕组状态评估方法。

本发明提供了一种电力变压器绕组状态评估方法，应用于电力变压器，所述电力变压器的油箱表面分散设置有多个振动传感器，所述振动传感器的设置位置为测点，该方法包括：

获取各个所述振动传感器在多个不同检测时刻采集的振动信号；

根据所述振动信号确定各个所述测点的基频振动相位序列，所述基频振动相位序列包括所述测点在各个所述检测时刻的所述振动信号对应的基频振动相位；

根据所述基频振动相位序列判断所述电力变压器是否存在异常可能性，若是，则在所有所述基频振动相位序列中确定最终参考序列，采用所述最终参考序列对其它所述基频振动相位序列进行校准，获得校准后的基频振动相位差序列；

对所述校准后的基频振动相位差序列进行特征提取，将提取的状态评估特征量输入训练好的机器学习模型，确定所述电力变压器的绕组状态。

可选地，所述根据所述基频振动相位序列判断所述电力变压器是否存在异常可能性包括：

采用主成分分析法判断是否存在波动幅度超过预设阈值的所述基频振动相位序列，若是，则确定所述电力变压器存在异常可能性；若否，则确定所述电力变压器不存在异常可能性。

可选地，所述采用主成分分析法判断是否存在波动幅度超过预设阈值的所述基频振动相位序列包括：

步骤S311，选择一个未选取过的测点i的所述基频振动相位序列为初始参考序列，i＝1,2,…,N，N为所述测点的数量；

步骤S312，将其它测点j的所述基频振动相位序列分别与测点i的所述基频振动相位序列相减，根据相减的结果构建相位差矩阵ΔΦ_i，其中，j＝1,2,…,N,且j≠i；

步骤S313，计算所述相位差矩阵ΔΦ_i的协方差矩阵C_i，并对所述协方差矩阵C_i进行特征值分解，获得特征值；根据所述特征值计算第一主成分比率；

步骤S314，返回步骤S311，重复上述步骤，直至获得所有所述基频振动相位序列对应的所述第一主成分比率；在所有所述第一主成分比率中确定比率最大值，当所述比率最大值大于或等于所述预设阈值时，确定存在波动幅度超过预设阈值的所述基频振动相位序列。

可选地，所述根据相减的结果构建相位差矩阵ΔΦ_i包括：

采用第一公式构建相位差矩阵ΔΦ_i，所述第一公式包括：

其中，i表示选择的测点i，j表示除测点i以外的测点j，N表示所述测点的数量，m表示任一所述检测时刻，M表示所述检测时刻的数量，

表示检测时刻m时测点i的所述基频振动相位，

表示检测时刻m时测点j的所述基频振动相位。

可选地，所述计算所述相位差矩阵ΔΦ_i的协方差矩阵C_i，并对所述协方差矩阵C_i进行特征值分解，获得特征值包括：

采用第二公式计算所述相位差矩阵ΔΦ_i的协方差矩阵C_i，并对所述协方差矩阵C_i进行特征值分解，所述第二公式包括：

其中，M表示所述检测时刻的数量，U_i则表示协方差矩阵C_i的特征向量，Λ_i＝diag{λ_i,1,…,λ_i,N}，λ_i,n表示协方差矩阵C_i的第n个特征值，n＝1,2,…,N，且λ_i,1≥λ_i,2≥…≥λ_i,N。

可选地，所述根据所述特征值计算第一主成分比率包括：

根据所述特征值采用第三公式计算所述第一主成分比率，所述第三公式包括：

其中，R_i,1表示测点i的所述基频振动相位序列对应的所述第一主成分比率，λ_i,n表示协方差矩阵C_i的第n个特征值。

可选地，所述在所有所述基频振动相位序列中确定最终参考序列包括：

确定所述比率最大值对应的测点为初始参考测点，计算除所述初始参考测点以外的各个其它测点与所述初始参考测点之间的相位差序列与相位和序列；

分别计算各个相位差序列与各个相位和序列的方差值；

对于除所述初始参考测点以外的一个测点，确定该测点的相位差序列的方差值与相位和序列的方差值之间的差值的绝对值，所述绝对值小于或等于预设参考值的所有测点组成测点集；

在所述测点集中确定所述相位差序列的方差值最大的测点为最终参考测点，所述最终参考测点的所述基频振动相位序列为所述最终参考序列。

可选地，所述采用所述最终参考序列对其它所述基频振动相位序列进行校准，获得校准后的基频振动相位差序列包括：

对于除所述最终参考测点以外的每个测点，将该测点的所述基频振动相位序列与所述最终参考序列相减，得到该测点的所述校准后的基频振动相位差序列。

可选地，所述状态评估特征量包括所述校准后的基频振动相位差序列的方差、标准差和峰值中的至少一者。

可选地，所述将提取的特征输入训练好的机器学习模型之前，还包括：

获取多台正常状态、老化状态和故障状态下的电力变压器在多个不同检测时刻采集的振动信号；

根据所述振动信号生成所述基频振动相位序列，对所述基频振动相位序列进行校准处理和特征提取，获得所述状态评估特征量；

以所述状态评估特征量为训练数据，对应的所述电力变压器的状态为标签，对机器学习模型进行训练，获得所述训练好的机器学习模型。

本发明的电力变压器绕组状态评估方法有益效果是：获取各个振动传感器在多个不同检测时刻采集的振动信号，可从振动信号中提取基频振动相位，对于一个振动传感器，其各个检测时刻的基频振动相位组成基频振动相位序列。根据基频振动相位序列判断电力变压器是否存在异常可能性，对电力变压器的绕组状态进行初步评估，仅在存在异常可能性时做进一步的评估，能够节省计算资源。当电力变压器存在异常可能性时，从基频振动相位序列中确定一个序列为最终参考序列，采用最终参考序列对其它基频振动相位序列进行校准，不需要另外采集电流，适用范围更广，且能够节省硬件成本。对校准后的基频振动相位差序列进行特征提取，提取的状态评估特征量不易受负载变化、电压波动和温度变化等环境因素影响。将状态评估特征量输入训练好的机器学习模型，确定电力变压器的绕组状态，提高对电力变压器绕组状态进行评估的准确性。

附图说明

图1为本发明实施例的一种电力变压器绕组状态评估方法的流程示意图；

图2为本发明实施例的步骤S300细化后的流程示意图；

图3为本发明实施例的步骤S300细化后的流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

对于间隔采样，每次采样的振动信号的相位均未对准，会存在一定误差，导致直接提取的相位并不准确。为了消除相位误差，通常将振动信号与参考信号进行相关运算，对相位进行校准。现有技术中采用电流信号作为参考信号，无法应用于不便于采集带电流的场景，适用范围较窄；并且，另外设置电流互感器等设备来检测电流，增加了硬件成本。

如图1所示，本发明实施例提供的一种电力变压器绕组状态评估方法，应用于电力变压器，所述电力变压器的油箱表面分散设置有多个振动传感器，所述振动传感器的设置位置为测点，该方法包括：

步骤S100，获取各个所述振动传感器在多个不同检测时刻采集的振动信号。

具体地，振动传感器可设置在电力变压器的油箱表面对应绕组的位置，可通过振动传感器实时检测电力变压器的振动情况，可采集预设时长(例如一天)内多个不同检测时刻的振动信号。

示例性地，可设置振动传感器数量为N，在一天内每间隔Δt时长采集一次各振动传感器的振动信号，每次采样时间为T秒，采样频率为f，N为大于1的自然数，Δt应大于1分钟，T应大于0.02秒。

步骤S200，根据所述振动信号确定各个所述测点的基频振动相位序列，所述基频振动相位序列包括所述测点在各个所述检测时刻的所述振动信号对应的基频振动相位。

具体地，可将同一检测时刻各个测点的振动信号作为一个样本，即一个样本表示同一检测时刻的一组振动信号。计算每一组振动信号v_m,i的基频(100Hz)振动相位初始角，其中m表示一天中的第m组样本，i表示第n组传感器，可根据基频振动相位初始角计算基频振动相位，其为现有技术，在此不再赘述，可将振动传感器i一天的基频振动相位序列表示为：

M表示检测时刻的数量，

表示检测时刻M时振动传感器i的基频振动相位。

步骤S300，根据所述基频振动相位序列判断所述电力变压器是否存在异常可能性，若是，则在所有所述基频振动相位序列中确定最终参考序列，采用所述最终参考序列对其它所述基频振动相位序列进行校准，获得校准后的基频振动相位差序列。

具体地，若判断电力变压器不存在异常可能性时，返回步骤S100，实时检测电力变压器的振动情况。

步骤S400，对所述校准后的基频振动相位差序列进行特征提取，将提取的状态评估特征量输入训练好的机器学习模型，确定所述电力变压器的绕组状态。

可选地，所述状态评估特征量包括所述校准后的基频振动相位差序列的方差、标准差和峰值中的至少一者。

本实施例中，获取各个振动传感器在多个不同检测时刻采集的振动信号，可从振动信号中提取基频振动相位，对于一个振动传感器，其各个检测时刻的基频振动相位组成基频振动相位序列。根据基频振动相位序列判断电力变压器是否存在异常可能性，对电力变压器的绕组状态进行初步评估，仅在存在异常可能性时做进一步的评估，能够节省计算资源。当电力变压器存在异常可能性时，从基频振动相位序列中确定一个序列为最终参考序列，采用最终参考序列对其它基频振动相位序列进行校准，不需要另外采集电流，适用范围更广，且能够节省硬件成本。对校准后的基频振动相位差序列进行特征提取，提取的状态评估特征量不易受负载变化、电压波动和温度变化等环境因素影响。将状态评估特征量输入训练好的机器学习模型，确定电力变压器的绕组状态，提高对电力变压器绕组状态进行评估的准确性。

可选地，所述根据所述基频振动相位序列判断所述电力变压器是否存在异常可能性包括：

采用主成分分析法判断是否存在波动幅度超过预设阈值的所述基频振动相位序列，若是，则确定所述电力变压器存在异常可能性；若否，则确定所述电力变压器不存在异常可能性。

可选地，如图2所示，所述采用主成分分析法判断是否存在波动幅度超过预设阈值的所述基频振动相位序列包括：

步骤S311，选择一个未选取过的测点i的所述基频振动相位序列为初始参考序列，i＝1,2,…,N，N为所述测点的数量；

步骤S312，将其它测点j的所述基频振动相位序列分别与测点i的所述基频振动相位序列相减，根据相减的结果构建相位差矩阵ΔΦ_i，其中，j＝1,2,…,N,且j≠i。

可选地，所述根据相减的结果构建相位差矩阵ΔΦ_i包括：

采用第一公式构建相位差矩阵ΔΦ_i，所述第一公式包括：

其中，i表示选择的测点i，j表示除测点i以外的测点j，N表示所述测点的数量，m表示任一所述检测时刻，M表示所述检测时刻的数量，

表示检测时刻m时测点i的所述基频振动相位，

表示检测时刻m时测点j的所述基频振动相位。

步骤S313，计算所述相位差矩阵ΔΦ_i的协方差矩阵C_i，并对所述协方差矩阵C_i进行特征值分解，获得特征值；根据所述特征值计算第一主成分比率。

可选地，所述计算所述相位差矩阵ΔΦ_i的协方差矩阵C_i，并对所述协方差矩阵C_i进行特征值分解，获得特征值包括：

采用第二公式计算所述相位差矩阵ΔΦ_i的协方差矩阵C_i，并对所述协方差矩阵C_i进行特征值分解，所述第二公式包括：

其中，M表示所述检测时刻的数量，U_i则表示协方差矩阵C_i的特征向量，Λ_i＝diag{λ_i,1,…,λ_i,N}，λ_i,n表示协方差矩阵C_i的第n个特征值，n＝1,2,…,N，且λ_i,1≥λ_i,2≥…≥λ_i,N。

可选地，所述根据所述特征值计算第一主成分比率包括：

根据所述特征值采用第三公式计算所述第一主成分比率，所述第三公式包括：

其中，R_i,1表示测点i的所述基频振动相位序列对应的所述第一主成分比率，λ_i,n表示协方差矩阵C_i的第n个特征值。

步骤S314，返回步骤S311，重复上述步骤，直至获得所有所述基频振动相位序列对应的所述第一主成分比率；在所有所述第一主成分比率中确定比率最大值，当所述比率最大值大于或等于所述预设阈值时，确定存在波动幅度超过预设阈值的所述基频振动相位序列。

具体地，可R₁＝[R_1,1,R_2,1,…,R_N,1]，其中，R_N,1表示第N个测点对应的第一主成分比率。计算R_max＝max(R₁)，若R_max<ε₀，则不存在波动幅度超过预设阈值的所述基频振动相位序列，ε₀表示预设阈值，表示电力变压器处于正常状态；若R_max≥ε₀，则存在波动幅度超过预设阈值的所述基频振动相位序列，且取R_max对应的振动测点为i_max，变压器有异常可能。

本可选的实施例中，通过构建相位差矩阵，进而采用主成分分析法进行分析，能够准确判断是否存在波动幅度超过预设阈值的基频振动相位序列，进而提高了电力变压器是否存在异常可能的判断结果的准确性。仅在电力变压器存在异常可能时，进一步评估变压器绕组状态，节省计算资源。

可选地，如图3所示，所述在所有所述基频振动相位序列中确定最终参考序列包括：

步骤S321，确定所述比率最大值对应的测点为初始参考测点，计算除所述初始参考测点以外的各个其它测点与所述初始参考测点之间的相位差序列与相位和序列。

具体地，以测点i_max为初始参考测点，其它测点重新编号j(j＝1,2,…,N-1,)。计算其它测点与初始参考测点之间的相位差序列

即测点i_max的基频振动相位减去测点j的基频振动相位；以及相位和序列

即测点i_max的基频振动相位加上测点j的基频振动相位。

其中，

的计算过程与第一公式相同，在此不再赘述，

表示检测时刻m时测点i_max的基频振动相位，

表示检测时刻m时测点j的基频振动相位，

步骤S322，分别计算各个相位差序列与各个相位和序列的方差值。

具体地，计算所有

序列的方差值

与

序列的方差值

其中，var表示求方差值。

步骤S323，对于除所述初始参考测点以外的一个测点，确定该测点的相位差序列的方差值与相位和序列的方差值之间的差值的绝对值，所述绝对值小于或等于预设参考值的所有测点组成测点集。

具体地，对于一个测点j，若其满足

ε₁为预设参考值，则测点j∈Z，其中，Z表示测点集。

步骤S324，在所述测点集中确定所述相位差序列的方差值最大的测点为最终参考测点，所述最终参考测点的所述基频振动相位序列为所述最终参考序列。

具体地，令

计算其中相位差序列的方差值最大

的测点，令该测点作为最终参考测点i_ref，即

index表示索引函数，最终参考测点i_ref的基频振动相位序列为所述最终参考序列。

本可选的实施例中，在测点集中确定相位差序列的方差最大的测点为最终参考测点，相位差序列是相对于初始参考测点形成的，而初始参考测点是振动幅度最大的测点，方差越大，最终参考测点的振动信号更为稳定，能够提高后续对基频振动相位序列进行校准的准确性。

可选地，所述采用所述最终参考序列对其它所述基频振动相位序列进行校准，获得校准后的基频振动相位差序列包括：

对于除所述最终参考测点以外的每个测点，将该测点的所述基频振动相位序列与所述最终参考序列相减，得到该测点的所述校准后的基频振动相位差序列。

具体地，计算最终参考测点与其他测点j(j＝1,2,…,N-1,且j≠i_ref)之间的相位差序列

该序列则为校准后的基频振动相位差序列。

本可选的实施例中，采用最终参考序列对各个测点的基频振动相位序列进行校准，能够各个测点相对于最终参考测点在不同检测时刻的相位差，根据相位差提取特征进行电力变压器绕组状态评估，不受采样周期和信号频率的影响，也不易受环境因素(负载变化、电压波动、温度变化等)的影响，评估精度更高。整个评估方法简便、易于实现，能够精确、有效地对电力变压器的绕组状态进行评估，为电网设备安全运行提供了有利保障。

可选地，所述将提取的特征输入训练好的机器学习模型之前，还包括：

获取多台正常状态、老化状态和故障状态下的电力变压器在多个不同检测时刻采集的振动信号；

根据所述振动信号生成所述基频振动相位序列，对所述基频振动相位序列进行校准处理和特征提取，获得所述状态评估特征量。

具体地，采用步骤S100至步骤S400的方法对振动信号进行处理，获得状态评估特征量。

以所述状态评估特征量为训练数据，对应的所述电力变压器的状态为标签，对机器学习模型进行训练，获得所述训练好的机器学习模型。

具体地，电力变压器的状态包括正常状态、老化状态和故障状态，机器学习模型可采用支持向量机等有监督的模型，也可采用线性分类器和聚类分析模型等无监督的模型。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (10)

1.一种电力变压器绕组状态评估方法，其特征在于，应用于电力变压器，所述电力变压器的油箱表面分散设置有多个振动传感器，所述振动传感器的设置位置为测点，该方法包括：

获取各个所述振动传感器在多个不同检测时刻采集的振动信号；

根据所述振动信号确定各个所述测点的基频振动相位序列，所述基频振动相位序列包括所述测点在各个所述检测时刻的所述振动信号对应的基频振动相位；

根据所述基频振动相位序列判断所述电力变压器是否存在异常可能性，若是，则在所有所述基频振动相位序列中确定最终参考序列，采用所述最终参考序列对其它所述基频振动相位序列进行校准，获得校准后的基频振动相位差序列；

对所述校准后的基频振动相位差序列进行特征提取，将提取的状态评估特征量输入训练好的机器学习模型，确定所述电力变压器的绕组状态。

2.根据权利要求1所述的电力变压器绕组状态评估方法，其特征在于，所述根据所述基频振动相位序列判断所述电力变压器是否存在异常可能性包括：

采用主成分分析法判断是否存在波动幅度超过预设阈值的所述基频振动相位序列，若是，则确定所述电力变压器存在异常可能性；若否，则确定所述电力变压器不存在异常可能性。

3.根据权利要求2所述的电力变压器绕组状态评估方法，其特征在于，所述采用主成分分析法判断是否存在波动幅度超过预设阈值的所述基频振动相位序列包括：

步骤S311，选择一个未选取过的测点i的所述基频振动相位序列为初始参考序列，i＝1,2,…,N，N为所述测点的数量；

步骤S312，将其它测点j的所述基频振动相位序列分别与测点i的所述基频振动相位序列相减，根据相减的结果构建相位差矩阵ΔΦ_i，其中，j＝1,2,…,N,且j≠i；

步骤S313，计算所述相位差矩阵ΔΦ_i的协方差矩阵C_i，并对所述协方差矩阵C_i进行特征值分解，获得特征值；根据所述特征值计算第一主成分比率；

步骤S314，返回步骤S311，重复上述步骤，直至获得所有所述基频振动相位序列对应的所述第一主成分比率；在所有所述第一主成分比率中确定比率最大值，当所述比率最大值大于或等于所述预设阈值时，确定存在波动幅度超过预设阈值的所述基频振动相位序列。

4.根据权利要求3所述的电力变压器绕组状态评估方法，其特征在于，所述根据相减的结果构建相位差矩阵ΔΦ_i包括：

采用第一公式构建相位差矩阵ΔΦ_i，所述第一公式包括：

其中，i表示选择的测点i，j表示除测点i以外的测点j，N表示所述测点的数量，m表示任一所述检测时刻，M表示所述检测时刻的数量，

表示检测时刻m时测点i的所述基频振动相位，

表示检测时刻m时测点j的所述基频振动相位。

5.根据权利要求4所述的电力变压器绕组状态评估方法，其特征在于，所述计算所述相位差矩阵ΔΦ_i的协方差矩阵C_i，并对所述协方差矩阵C_i进行特征值分解，获得特征值包括：

采用第二公式计算所述相位差矩阵ΔΦ_i的协方差矩阵C_i，并对所述协方差矩阵C_i进行特征值分解，所述第二公式包括：

其中，M表示所述检测时刻的数量，U_i则表示协方差矩阵C_i的特征向量，Λ_i＝diag{λ_i,1,…,λ_i,N}，λ_i,n表示协方差矩阵C_i的第n个特征值，n＝1,2,…,N，且λ_i,1≥λ_i,2≥…≥λ_i,N。

6.根据权利要求5所述的电力变压器绕组状态评估方法，其特征在于，所述根据所述特征值计算第一主成分比率包括：

根据所述特征值采用第三公式计算所述第一主成分比率，所述第三公式包括：

其中，R_i,1表示测点i的所述基频振动相位序列对应的所述第一主成分比率，λ_i,n表示协方差矩阵C_i的第n个特征值。

7.根据权利要求3所述的电力变压器绕组状态评估方法，其特征在于，所述在所有所述基频振动相位序列中确定最终参考序列包括：

确定所述比率最大值对应的测点为初始参考测点，计算除所述初始参考测点以外的各个其它测点与所述初始参考测点之间的相位差序列与相位和序列；

分别计算各个相位差序列与各个相位和序列的方差值；

对于除所述初始参考测点以外的一个测点，确定该测点的相位差序列的方差值与相位和序列的方差值之间的差值的绝对值，所述绝对值小于或等于预设参考值的所有测点组成测点集；

在所述测点集中确定所述相位差序列的方差值最大的测点为最终参考测点，所述最终参考测点的所述基频振动相位序列为所述最终参考序列。

8.根据权利要求7所述的电力变压器绕组状态评估方法，其特征在于，所述采用所述最终参考序列对其它所述基频振动相位序列进行校准，获得校准后的基频振动相位差序列包括：

对于除所述最终参考测点以外的每个测点，将该测点的所述基频振动相位序列与所述最终参考序列相减，得到该测点的所述校准后的基频振动相位差序列。

9.根据权利要求1至8任一项所述的电力变压器绕组状态评估方法，其特征在于，所述状态评估特征量包括所述校准后的基频振动相位差序列的方差、标准差和峰值中的至少一者。

10.根据权利要求1至8任一项所述的电力变压器绕组状态评估方法，其特征在于，所述将提取的特征输入训练好的机器学习模型之前，还包括：

获取多台正常状态、老化状态和故障状态下的电力变压器在多个不同检测时刻采集的振动信号；

根据所述振动信号生成所述基频振动相位序列，对所述基频振动相位序列进行校准处理和特征提取，获得所述状态评估特征量；

以所述状态评估特征量为训练数据，对应的所述电力变压器的状态为标签，对机器学习模型进行训练，获得所述训练好的机器学习模型。

Images