CN116992248A - 基于突短试验的卷铁心变压器抗短路能力评估方法及装置 - Google Patents

Abstract

本发明公开了基于突短试验的卷铁心变压器抗短路能力评估方法及装置，方法包括如下步骤：基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，并对短路承受能力检测数据进行数据扩充；采集卷铁心变压器实际运行的历史数据样本，并结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集；通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数；基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果。本发明给出的抗短路能力评估针对卷铁心变压器的数据特点，考虑并结合多种类型的样本数据，提升了抗短路能力评估的精度。

Description

基于突短试验的卷铁心变压器抗短路能力评估方法及装置

技术领域

本发明属于变压器技术领域，具体涉及基于突短试验的卷铁心变压器抗短路能力评估方法及装置。

背景技术

卷铁心变压器的绕组受到的电动力与流过的电流成正比，当电动力达到绕组及附件的机械强度临界值时，流过绕组的电流有效值即为短路电流的限值。

短路故障发生时，卷铁心变压器的绕组内部瞬间流过的短路电流可能达到上千安的级别，立体卷铁心变压器短路的初期，绕组和结构件围绕起始位置不断振动，线圈的轴向以及幅向将会承受巨大的电动力。

当前，关于针对卷铁心变压器的抗短路冲击测试及短路冲击的评估已有一些相关的研究。如专利CN105954615A给出一种变压器短路后的状态评估方法及评估系统，方法包括：S1.获取变压器短路故障时的故障参数，并根据故障参数计算变压器的故障评分值；S2.对变压器进行状态测试，获取该变压器发生故障后的状态参数，并根据状态参数计算变压器的状态评分值；S3.根据故障评分值和状态评分值计算变压器的综合评分值，并根据预设的综合评估标准确定变压器的状态。和该方法对应的状态评估系统，包括被评估变压器、状态参数测试模块、历史状态参数数据库、故障参数数据库、评估模块；被评估变压器与状态参数测试模块连接，状态参数测试模块、历史状态参数数据库、故障参数数据库分别与评估模块连接。该方案具有评估效率高、评估结果准确、可靠性高的优点。

但是，如上述专利中的方案提及的现有技术，当前的测试评价大部分属于破坏性试验，且仅能对短路冲击后的卷铁心变压器的性能等进行检测，无法进行精准的抗短路能力核算。然而，短路电流与漏磁场的变化关系为非线性关系，仅通过简单的数据和模型，无法实现为立体卷铁心变压器提供有效的抗短路能力评估的目的。

因此，如何在尽量减少破坏性短路冲击试验的基础上，融合短路数据和评估模型，以实现针对立体卷铁心变压器抗短路能力的精准预测评估是本领域技术人员亟待解决的问题。

发明内容

针对上述现有技术中存在的缺陷，本发明提供了一种基于突短试验的卷铁心变压器抗短路能力评估方法及装置，将短路承受能力检测数据、实际运行的历史数据样本结合，并通过组合轻量化深度神经网络模型进行分析预测，确定卷铁心变压器抗短路能力评估结果。本发明给出的抗短路能力评估针对卷铁心变压器的数据特点，考虑并结合多种类型的样本数据，提升了抗短路能力评估的精度。

第一方面，本发明提供一种基于突短试验的卷铁心变压器抗短路能力评估方法，包括如下步骤：

基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，并对短路承受能力检测数据进行数据扩充；

采集卷铁心变压器实际运行的历史数据样本，并结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集；

通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数；

基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果。

进一步的，短路承受能力检测数据包括卷铁心变压器型号、厂家、批次及对应的低压短路电流数值。

进一步的，基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，包括如下步骤：

采用三相电源进行预先短路承受能力试验，其中，试验电压施加于高压线端上，低压线端短路；

预先短路承受能力试验在不同分接位置上进行，其中，分接位置包括旁柱的最大分接、中柱的额定分接以及另一旁柱的最小分接；

根据短路承受能力的结果，分析获取低压短路电流，其中，低压短路电流为试验电流的峰值；

集合低压短路电流，形成短路承受能力检测数据。

进一步的，若联结组为YNd11，分接在旁柱的最大分接位置时，在A相相电压过零时合闸，在A相得到最大非对称电流值，分接在中柱的额定分接位置时，在B相相电压过零时合闸，在B相得到最大非对称电流值，分接在另一旁柱的最小分接位置时，在C相相电压过零时合闸，在C相得到最大非对称电流值；

若联结组为Dyn11，分接在旁柱的最大分接位置时，在AB线电压过零时合闸，在A相得到最大非对称电流值，分接在中柱的额定分接位置时，在BC线电压过零时合闸，在B相得到最大非对称电流值，分接在另一旁柱的最小分接位置时，在AC线电压过零时合闸，在C相得到最大非对称电流值。

根据短路承受能力的结果，分析获取低压短路电流，具体包括：

对称短路电流方均根值偏离规定值应不大于10％,非对称电流第一峰值偏离规定值应不大于5％。

其中，每次试验前后绕组电抗偏差要求，每次短路试验后均要测量绕组的电抗值,以欧姆表示的每相短路电抗值与原始值比较，圆形线圈不大于2％，低压金属箔线圈不大于4％，非圆形线圈不大于7.5％。

进一步的，采集卷铁心变压器实际运行的历史数据样本，并结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集，具体包括如下步骤：

采集已确诊的历史耐受电流数据，形成历史数据样本，其中，已确诊的历史耐受电流数据包括承诺的短路电流限值及发生故障的短路电流限值；

对短路能力检测数据进行扩充，得到第一短路电流限值；

将承诺的短路电流限值与第一短路电流限值进行对比分析，获取修正系数，并基于修正系数，得到第二短路电流限值；

以发生故障的短路电流限值为第三短路电流限值，集合第一短路电流限值、第二短路电流限值及第三短路电流限值，形成数据样本集。

进一步的，对短路能力检测数据进行扩充，得到第一短路电流限值，具体包括如下步骤：

获取短路能力检测数据中所有数据的密度值和距离值，具体表示为：

；

其中，为i点至j点之间的欧式距离，/>为i点的坐标值，/>为j点的坐标值，/>为i点的密度值，N为短路能力检测数据的个数，R为数据集的聚类半径；

确定扩充基准点，并结合由密度值和距离值确定的辅助点，完成对该扩充基准点的数据扩充，具体表示为：

；

其中，为各个基准点的坐标，/>为对应的辅助点的坐标，辅助点较对应基准点的密度值大且距离值最小点，/>为数据扩充点；

集合所有短路能力检测数据和数据扩充点，得到第一短路电流限值。

进一步的，组合轻量化深度神经网络模型包括第一深度神经网络模型、第二深度神经网络模型及第三深度神经网络模型；

通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数，具体包括如下步骤：

结合卷铁心变压器的属性特征信息，将第一短路电流限值、第二短路电流限值及第三短路电流限值分别在第一深度神经网络模型、第二深度神经网络模型及第三深度神经网络模型中进行安全裕度的预测；

分别获得安全裕度系数的取值范围，并分别定义为第一区间、第二区间及第三区间；

结合第一深度神经网络模型、第二深度神经网络模型及第三深度神经网络模型的训练精度，分别给出第一权重系数、第二权重系数及第三权重系数；

通过第一权重系数、第二权重系数及第三权重系数对第一区间、第二区间及第三区间分别进行加权处理，获得安全裕度系数，具体表示为：

其中，r为安全裕度系数，r₁为第一区间，r₂为第二区间，r₃为第三区间，P₁为第一深度神经网络模型的训练精度，P₂为第二深度神经网络模型的训练精度，P₃为第三深度神经网络模型的训练精度，f₁（）为第一深度神经网络模型权重函数，f₂（）为第二深度神经网络模型权重函数，f₃（）为第三深度神经网络模型权重函数。

进一步的，组合轻量化深度神经网络模型的预训练，具体包括如下步骤：

构建初始神经网络模型，设置初始神经网络模型的参数，其中，初始神经网络模型包括隐藏层及层间激活函数，初始神经网络模型的参数包括各个隐藏层的权值矩阵、各个层间激活函数的激活值以及对应权重矩阵、激活值的轻量映射函数；

分别通过第一短路电流限值、第二短路电流限值及第三短路电流限值对初始神经网络模型进行训练，获取损失函数，其中，初始神经网络模型的参数与损失函数之间的关系表示为：

其中，F为轻量映射集合，为对应/>的量化映射函数，/>为第1个隐藏层的权值矩阵，x_ω，1为经过第1个隐藏层后的全精度真实值，S_ω，1为针对第1个隐藏层轻量缩放系数，为对应/>的量化映射函数，/>为第q个隐藏层的权值矩阵，/>为经过第q个隐藏层后的全精度真实值，S_ω，q为针对第q个隐藏层的轻量缩放系数，/>为对应/>的量化映射函数，/>为第1个层间激活函数的激化值，x_a，1为经过第1个层间激活函数后的全精度真实值，S_a，1为针对第1个层间激活函数的轻量缩放系数，/>为对应/>的量化映射函数，/>为第m个层间激活函数的权值矩阵，x_a，m为经过第m个层间激活函数后的全精度真实值，S_a，m为针对第m个层间激活函数的轻量缩放系数，Int为取整函数；

至损失函数平稳，完成对初始神经网络模型的迭代训练，得到组合轻量化深度神经网络模型。

进一步的，基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果，具体包括如下步骤：

基于安全裕度系数，给出卷铁心变压器抗短路能力的评估等级；

通过卷铁心变压器抗短路能力的评估等级，给出抗短路能力评估结果。

第二方面，本发明还提供一种基于突短试验的卷铁心变压器抗短路能力评估装置，采用如上述基于突短试验的卷铁心变压器抗短路能力评估方法，包括：

数据获取模块，用于基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，采集卷铁心变压器实际运行的历史数据样本；

数据处理模块，用于对短路承受能力检测数据进行数据扩充，结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集；

分析评估模块，用于通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数，基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果。

本发明提供的一种基于突短试验的卷铁心变压器抗短路能力评估方法及装置，至少包括如下有益效果：

（1）本发明给出的抗短路能力评估针对卷铁心变压器的数据特点，考虑并结合多种类型的样本数据，提升了抗短路能力评估的精度。

（2）本发明中的短路承受能力检测是基于突短试验获取，在充分考虑模拟短路故障的现象下设计试验工况，在不同的分接位置，给出模拟短路效应的短路承受能力检测数据。

（3）本发明针对短路能力检测数据的扩充，针对卷铁心变压器故障相关数据量不足、类别不一等问题，对获取的短路能力检测数据进行泛化，平衡数据类别，提高后续评估分析的准确性。

（4）本发明给出的组合轻量化深度神经网络模型以各个类别的数据为基础，既考虑不同种类数据的分别训练预测，又将分析预测的结构进行有机结合，提高了评估的结果，同时又在扩充数据后的基础上进行轻量缩放，兼顾预测的效率。

附图说明

图1为本发明提供的一种基于突短试验的卷铁心变压器抗短路能力评估方法的流程示意图；

图2为本发明提供的对数据样本集进行分析预测，给出安全裕度系数的流程示意图；

图3为本发明提供的一种基于突短试验的卷铁心变压器抗短路能力评估装置的结构图。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。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。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。

当前的卷铁心变压器数据较少，且数据类型杂乱，种类不一。为充分利用当前的短路数据，其一方面，对某些特定的卷铁心变压器进行针对性的短路冲击试验测试，获取相应的试验检测数据；另一方面，搜集相关的卷铁心变压器的短路历史数据，再通过试验检测数据验证并修正短路冲击的历史数据，形成最终的数据样本集后，对数据样本集通过组合轻量化深度神经网络模型进行分析预测，给出安全裕度系数，确定最终的卷铁心变压器抗短能力评估结果。

如图1所示，本发明提供一种基于突短试验的卷铁心变压器抗短路能力评估方法，包括如下步骤：

基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，并对短路承受能力检测数据进行数据扩充；

采集卷铁心变压器实际运行的历史数据样本，并结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集；

通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数；

基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果。

短路承受能力检测数据包括卷铁心变压器型号、厂家、批次及对应的低压短路电流数值。

基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，包括如下步骤：

采用三相电源进行预先短路承受能力试验，其中，试验电压施加于高压线端上，低压线端短路；

预先短路承受能力试验在不同分接位置上进行，其中，分接位置包括旁柱的最大分接、中柱的额定分接以及另一旁柱的最小分接；

根据短路承受能力的结果，分析获取低压短路电流，其中，低压短路电流为试验电流的峰值；

集合低压短路电流，形成短路承受能力检测数据。

考虑到更好的评估卷铁心变压器的动稳定，对卷铁心变压器进行三相短路试验，突短试验之前，需要在保证被试品在突发短路试验前是完好的这一前提，以便为突发短路试验后数据提供对比依据。同样的，通过施加突发短路时的短路电流，考核变压器绕组在短路前后的参数特性，才能达到检测的目的。

若联结组为YNd11，分接在旁柱的最大分接位置时，在A相相电压过零时合闸，在A相得到最大非对称电流值，分接在中柱的额定分接位置时，在B相相电压过零时合闸，在B相得到最大非对称电流值，分接在另一旁柱的最小分接位置时，在C相相电压过零时合闸，在C相得到最大非对称电流值；

若联结组为Dyn11，分接在旁柱的最大分接位置时，在AB线电压过零时合闸，在A相得到最大非对称电流值，分接在中柱的额定分接位置时，在BC线电压过零时合闸，在B相得到最大非对称电流值，分接在另一旁柱的最小分接位置时，在AC线电压过零时合闸，在C相得到最大非对称电流值。

根据短路承受能力的结果，分析获取低压短路电流，具体包括：

非对称电流第一峰值偏离规定值应不大于5％。

另外，每次突短试验前后绕组电抗偏差要求，每次突短试验后均要测量绕组的电抗值,以欧姆表示的每相短路电抗值与原始值比较，圆形线圈不大于2％，低压金属箔线圈不大于4％，非圆形线圈不大于7.5％。

采集卷铁心变压器实际运行的历史数据样本，并结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集，具体包括如下步骤：

采集已确诊的历史耐受电流数据，形成历史数据样本，其中，已确诊的历史耐受电流数据包括承诺的短路电流限值及发生故障的短路电流限值；

对短路能力检测数据进行扩充，得到第一短路电流限值；

将承诺的短路电流限值与第一短路电流限值进行对比分析，获取修正系数，并基于修正系数，得到第二短路电流限值；

以发生故障的短路电流限值为第三短路电流限值，集合第一短路电流限值、第二短路电流限值及第三短路电流限值，形成数据样本集。

对短路能力检测数据进行扩充，得到第一短路电流限值，具体包括如下步骤：

获取短路能力检测数据中所有数据的密度值和距离值，具体表示为：

；

其中，为i点至j点之间的欧式距离，/>为i点的坐标值，/>为j点的坐标值，/>为i点的密度值，N为短路能力检测数据的个数，R为数据集的聚类半径；

确定扩充基准点，并结合由密度值和距离值确定的辅助点，完成对该扩充基准点的数据扩充，具体表示为：

；

其中，为各个基准点的坐标，/>为对应的辅助点的坐标，辅助点较对应基准点的密度值大且距离值最小点，/>为数据扩充点；

集合所有短路能力检测数据和数据扩充点，得到第一短路电流限值。

组合轻量化深度神经网络模型包括第一深度神经网络模型、第二深度神经网络模型及第三深度神经网络模型；

如图2所示，通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数，具体包括如下步骤：

结合卷铁心变压器的属性特征信息，将第一短路电流限值、第二短路电流限值及第三短路电流限值分别在第一深度神经网络模型、第二深度神经网络模型及第三深度神经网络模型中进行安全裕度的预测；

分别获得安全裕度系数的取值范围，并分别定义为第一区间、第二区间及第三区间；

结合第一深度神经网络模型、第二深度神经网络模型及第三深度神经网络模型的训练精度，分别给出第一权重系数、第二权重系数和第三权重系数；

通过第一权重系数、第二权重系数和第三权重系数对第一区间、第二区间及第三区间分别进行加权处理，获得安全裕度系数，具体表示为：

其中，r为安全裕度系数，r₁为第一区间，r₂为第二区间，r₃为第三区间，P₁为第一深度神经网络模型的训练精度，P₂为第二深度神经网络模型的训练精度，P₃为第三深度神经网络模型的训练精度，f₁（）为第一深度神经网络模型权重函数，f₂（）为第二深度神经网络模型权重函数，f₃（）为第三深度神经网络模型权重函数。

进一步的，组合轻量化深度神经网络模型的预训练，具体包括如下步骤：

构建初始神经网络模型，设置初始神经网络模型的参数，其中，初始神经网络模型包括隐藏层及层间激活函数，初始神经网络模型的参数包括各个隐藏层的权值矩阵、各个层间激活函数的激活值以及对应权重矩阵、激活值的轻量映射函数；

分别通过第一短路电流限值、第二短路电流限值及第三短路电流限值对初始神经网络模型进行训练，获取损失函数，其中，初始神经网络模型的参数与损失函数之间的关系表示为：

其中，F为轻量映射集合，为对应/>的量化映射函数，/>为第1个隐藏层的权值矩阵，x_ω，1为经过第1个隐藏层后的全精度真实值，S_ω，1为针对第1个隐藏层轻量缩放系数，为对应/>的量化映射函数，/>为第q个隐藏层的权值矩阵，/>为经过第q个隐藏层后的全精度真实值，S_ω，q为针对第q个隐藏层的轻量缩放系数，/>为对应/>的量化映射函数，/>为第1个层间激活函数的激化值，x_a，1为经过第1个层间激活函数后的全精度真实值，S_a，1为针对第1个层间激活函数的轻量缩放系数，/>为对应/>的量化映射函数，/>为第m个层间激活函数的权值矩阵，x_a，m为经过第m个层间激活函数后的全精度真实值，S_a，m为针对第m个层间激活函数的轻量缩放系数，Int为取整函数；

至损失函数平稳，完成对初始神经网络模型的迭代训练，得到组合轻量化深度神经网络模型。

基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果，具体包括如下步骤：

基于安全裕度系数，给出卷铁心变压器抗短路能力的评估等级；

通过卷铁心变压器抗短路能力的评估等级，给出抗短路能力评估结果。

在某个实施例中，按照安全裕度系数区段给的评估等级，可以划分为3个等级，如高风险、中风险和低风险，从而精准确定抗短路能力评估结果，便于后期检修计划的制订。

如图3所示，本发明还提供一种基于突短试验的卷铁心变压器抗短路能力评估装置，采用如上述基于突短试验的卷铁心变压器抗短路能力评估方法，包括：

数据获取模块，用于基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，采集卷铁心变压器实际运行的历史数据样本；

数据处理模块，用于对短路承受能力检测数据进行数据扩充，结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集；

分析评估模块，用于通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数，基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于突短试验的卷铁心变压器抗短路能力评估方法，其特征在于，包括如下步骤：

基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，并对短路承受能力检测数据进行数据扩充；

采集卷铁心变压器实际运行的历史数据样本，并结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集；

通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数；

基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果。

2.如权利要求1所述基于突短试验的卷铁心变压器抗短路能力评估方法，其特征在于，短路承受能力检测数据包括卷铁心变压器型号、厂家、批次及对应的低压短路电流数值。

3.如权利要求2所述基于突短试验的卷铁心变压器抗短路能力评估方法，其特征在于，基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，包括如下步骤：

采用三相电源进行预先短路承受能力试验，其中，试验电压施加于高压线端上，低压线端短路；

预先短路承受能力试验在不同分接位置上进行，其中，分接位置包括旁柱的最大分接、中柱的额定分接以及另一旁柱的最小分接；

根据短路承受能力的结果，分析获取低压短路电流，其中，低压短路电流为试验电流的峰值；

集合低压短路电流，形成短路承受能力检测数据。

4.如权利要求3所述基于突短试验的卷铁心变压器抗短路能力评估方法，其特征在于，若联结组为YNd11，分接在旁柱的最大分接位置时，在A相相电压过零时合闸，在A相得到最大非对称电流值，分接在中柱的额定分接位置时，在B相相电压过零时合闸，在B相得到最大非对称电流值，分接在另一旁柱的最小分接位置时，在C相相电压过零时合闸，在C相得到最大非对称电流值；

若联结组为Dyn11，分接在旁柱的最大分接位置时，在AB线电压过零时合闸，在A相得到最大非对称电流值，分接在中柱的额定分接位置时，在BC线电压过零时合闸，在B相得到最大非对称电流值，分接在另一旁柱的最小分接位置时，在AC线电压过零时合闸，在C相得到最大非对称电流值。

5.如权利要求1所述基于突短试验的卷铁心变压器抗短路能力评估方法，其特征在于，采集卷铁心变压器实际运行的历史数据样本，并结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集，具体包括如下步骤：

采集已确诊的历史耐受电流数据，形成历史数据样本，其中，已确诊的历史耐受电流数据包括承诺的短路电流限值及发生故障的短路电流限值；

对短路能力检测数据进行扩充，得到第一短路电流限值；

将承诺的短路电流限值与第一短路电流限值进行对比分析，获取修正系数，并基于修正系数，得到第二短路电流限值；

以发生故障的短路电流限值为第三短路电流限值，集合第一短路电流限值、第二短路电流限值及第三短路电流限值，形成数据样本集。

6.如权利要求5所述基于突短试验的卷铁心变压器抗短路能力评估方法，其特征在于，对短路能力检测数据进行扩充，得到第一短路电流限值，具体包括如下步骤：

获取短路能力检测数据中所有数据的密度值和距离值，具体表示为：

；

其中，为i点至j点之间的欧式距离，/>为i点的坐标值，/>为j点的坐标值，/>为i点的密度值，N为短路能力检测数据的个数，R为数据集的聚类半径；

确定扩充基准点，并结合由密度值和距离值确定的辅助点，完成对该扩充基准点的数据扩充，具体表示为：

；

其中，为各个基准点的坐标，/>为对应的辅助点的坐标，辅助点较对应基准点的密度值大且距离值最小点，/>为数据扩充点；

集合所有短路能力检测数据和数据扩充点，得到第一短路电流限值。

7.如权利要求6所述基于突短试验的卷铁心变压器抗短路能力评估方法，其特征在于，组合轻量化深度神经网络模型包括第一深度神经网络模型、第二深度神经网络模型及第三深度神经网络模型；

通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数，具体包括如下步骤：

结合卷铁心变压器的属性特征信息，将第一短路电流限值、第二短路电流限值及第三短路电流限值分别在第一深度神经网络模型、第二深度神经网络模型及第三深度神经网络模型中进行安全裕度系数的预测；

分别获得安全裕度系数的取值范围，且分别定义为第一区间、第二区间及第三区间；

结合第一深度神经网络模型、第二深度神经网络模型及第三深度神经网络模型的训练精度，分别给出第一权重系数、第二权重系数及第三权重系数；

通过第一权重系数、第二权重系数及第三权重系数对第一区间、第二区间及第三区间分别进行加权处理，获得安全裕度系数，具体表示为：

；

其中，r为安全裕度系数，r₁为第一区间，r₂为第二区间，r₃为第三区间，P₁为第一深度神经网络模型的训练精度，P₂为第二深度神经网络模型的训练精度，P₃为第三深度神经网络模型的训练精度，f₁（）为第一深度神经网络模型权重函数，f₂（）为第二深度神经网络模型权重函数，f₃（）为第三深度神经网络模型权重函数。

8.如权利要求7所述基于突短试验的卷铁心变压器抗短路能力评估方法，其特征在于，组合轻量化深度神经网络模型的预训练，具体包括如下步骤：

构建初始神经网络模型，设置初始神经网络模型的参数，其中，初始神经网络模型包括隐藏层及层间激活函数，初始神经网络模型的参数包括各个隐藏层的权值矩阵、各个层间激活函数的激活值以及对应权重矩阵、激活值的轻量映射函数；

分别通过第一短路电流限值、第二短路电流限值及第三短路电流限值对初始神经网络模型进行训练，获取损失函数，其中，初始神经网络模型的参数与损失函数之间的关系表示为：

；

其中，F为轻量映射集合，为对应/>的量化映射函数，/>为第1个隐藏层的权值矩阵，x_ω，1为经过第1个隐藏层后的全精度真实值，S_ω，1为针对第1个隐藏层轻量缩放系数，/>为对应/>的量化映射函数，/>为第q个隐藏层的权值矩阵，/>为经过第q个隐藏层后的全精度真实值，/>为针对第q个隐藏层的轻量缩放系数，/>为对应/>的量化映射函数，/>为第1个层间激活函数的激化值，x_a，1为经过第1个层间激活函数后的全精度真实值，S_a，1为针对第1个层间激活函数的轻量缩放系数，/>为对应/>的量化映射函数，/>为第m个层间激活函数的权值矩阵，x_a，m为经过第m个层间激活函数后的全精度真实值，S_a，m为针对第m个层间激活函数的轻量缩放系数，Int为取整函数；

至损失函数平稳，完成对初始神经网络模型的迭代训练，得到组合轻量化深度神经网络模型。

9.如权利要求6所述基于突短试验的卷铁心变压器抗短路能力评估方法，其特征在于，基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果，具体包括如下步骤：

基于安全裕度系数，给出卷铁心变压器抗短路能力的评估等级；

通过卷铁心变压器抗短路能力的评估等级，给出抗短路能力评估结果。

10.一种基于突短试验的卷铁心变压器抗短路能力评估装置，其特征在于，采用如权利要求1-9任一所述基于突短试验的卷铁心变压器抗短路能力评估方法，包括：

数据获取模块，用于基于突短试验，预先获取针对卷铁心变压器的短路承受能力检测数据，采集卷铁心变压器实际运行的历史数据样本；

数据处理模块，用于对短路承受能力检测数据进行数据扩充，结合短路承受能力检测数据对历史数据样本进行修正，形成数据样本集；

分析评估模块，用于通过预训练的组合轻量化深度神经网络模型，结合卷铁心变压器的属性特征信息，对数据样本集进行分析预测，给出安全裕度系数，基于对安全裕度系数的分析，确定卷铁心变压器抗短路能力评估结果。