CN106841905A - 一种变压器短路故障的识别方法及装置 - Google Patents
一种变压器短路故障的识别方法及装置 Download PDFInfo
- Publication number
- CN106841905A CN106841905A CN201710242712.8A CN201710242712A CN106841905A CN 106841905 A CN106841905 A CN 106841905A CN 201710242712 A CN201710242712 A CN 201710242712A CN 106841905 A CN106841905 A CN 106841905A
- Authority
- CN
- China
- Prior art keywords
- transformer
- characteristic value
- statistical characteristic
- identified
- electric discharge
- 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
Links
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
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请公开了一种变压器短路故障的识别方法及装置,涉及电力***技术领域,为解决短路故障诊断正确率低的问题而发明。主要方法包括:获取变压器的局部放电图谱,所述变压器是存在短路故障的变压器;根据预置傅里叶算法,提取所述局部放电图谱的多尺度信号;计算所述多尺度信号的统计特征量,所述统计特征量是指所述多尺度信号的统计信息;整合所述统计特征量,构建故障特征库;将所述故障特征库中的统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络;将待识别统计特征量输入到所述RBF神经网络,识别所述待识别统计特征量所对应的待识别变压器的短路故障类型。本发明主要应用于识别变压器短路故障。
Description
技术领域
本申请涉及电力***技术领域,尤其涉及一种变压器短路故障的识别方法及装置。
背景技术
变压器的运行状态是影响电能传输可靠性的重要因素,而实际操作中因为一些偶然或者非偶然的原因变压器会出现各种故障,其中变压器最容易出现的故障是短路故障。短路故障主要是由于绝缘老化或者绝缘弱化引起的,其中,局部放电现象是变压器绝缘水平降低发生短路故障的可能性增加的重要标志,因此将局部放电测试的结果导入仿真***中对放电类型加以分类识别,就能够准确、快速地判断变压器内部潜在的短路故障,以便及时对变压器的故障进行排查,确保变压器能持续可靠地运行,以此保证整个电网的正常运行。
图1是模拟内部绕组短路状态的变压器示意图。变压器包括:外壳1、引线套管2、高低压绕组3、铁芯4、螺旋测距导电杆5、绕组匝间分接头6和绕组层间分接头7。将螺旋测距导电杆5的绝缘套筒固定在外壳1上,换上导电长度一定的螺旋测距导电杆5,通过聚四氟乙烯绝缘棒将螺旋测距导电杆5旋进绝缘套筒内,使之与零刻度齐平。选择需要的短路状态,计算螺旋测距导电杆5旋转距离,将导电杆与匝间(层间)绕组分接头短接,模拟短路状态。需要改变短路绕组的匝数(层数)时,将螺旋测距导电杆5旋出,换上合适长度的导电杆,重新固定并旋进变压器内。变压器局部放电测试是指在预置时间内,将预置电压差施加在被测试变压器上,使得被测试变压器的绝缘薄弱部分发生放电现象。局部放电最直接的现象是引起电极间电荷移动,并伴有一定数量的电荷通过电介质,引起被测试变压器外部电极上的电压变化,短时间的放电脉冲会产生高频的电磁信号向外辐射。
现有技术中,将神经网络算法应用于变压器故障诊断方面,通过局部放电测试***对不同变压器的放电脉冲图谱进行收集,对放电脉冲进行功率谱分析,从功率谱中得到的特征量中提取训练样本和测试样本,构建BP(BackproPagation,反向传播)神经网络,训练BP神经网络,最后测试BP神经网络。经过测试的BP神经网络即可通过放电脉冲图谱诊断变压器故障。从上述现有技术中可以看出,在故障诊断训练BP神经网络过程中的参数设置,影响故障诊断的正确识别率。
发明内容
本申请提供了一种变压器短路故障的识别方法及装置,以解决短路故障诊断正确率低的问题。
第一方面,本申请提供了一种变压器短路故障的识别方法,该方法包括:获取变压器的局部放电图谱,所述变压器是存在短路故障的变压器;根据预置傅里叶算法,提取所述局部放电图谱的多尺度信号;计算所述多尺度信号的统计特征量,所述统计特征量是指所述多尺度信号的统计信息;整合所述统计特征量,构建故障特征库;将所述故障特征库中的所述统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络;将待识别统计特征量输入到所述RBF神经网络,识别所述待识别统计特征量所对应的待识别变压器的短路故障类型。采用本实现方式,能够提高变压器短路故障诊断效率,并且快速地发现变压器存在的短路故障,可以用于变压器自检,从而提高变压器的品质。
结合第一方面,在第一方面第一种可能的实现方式中,所述变压器存在的放电类型包括匝间短路放电类型、层间短路放电类型和匝间及层间同时短路放电类型;所述获取变压器的局部放电图谱,包括:记录所述变压器的放电类型;获取通过放电***测试的所述变压器的局部放电图谱;以所述放电类型,标记所述局部放电图谱。采用本实现方式,能够提高变压器短路故障诊断的准确性。
结合第一方面,在第一方面的第二种可能的实现方式中,所述整合所述统计特征量,构建故障特征库之前,所述方法还包括:获取所述局部放电图谱的所述放电类型;以所述放电类型,标记所述统计特征量。
结合第一方面,在第一方面的第三种可能的实现方式中,径向基函数RBF神经网络选取的激活函数为其中,并且式中ηa为a学习率,αa为a的动量因子,并且式中ηb为b的学习率,αb为b的动量因子。
结合第一方面,在第一方面的第四种可能的实现方式中,所述将待识别统计特征量输入到所述RBF神经网络之前,所述方法还包括:获取待识别变压器的待识别局部放电图谱;根据所述预置傅里叶算法,提取所述待识别局部放电图谱的待识别多尺度信号;计算所述待识别多尺度信号的待识别统计特征量。
结合第一方面,在第一方面的第五种可能的实现方式中,所述识别所述待识别变压器的短路故障类型,包括:获取所述RBF神经网络输出的所述待识别统计特征量的放电类型;根据故障字典,查找所述放电类型对应的短路故障类型。
第二方面,本申请还提供了一种变压器短路故障的识别装置,所述装置包括用于执行第一方面各种实现方式中方法步骤的单元。具体包括:第一获取单元,用于获取变压器的局部放电图谱,所述变压器是存在短路故障的变压器;提取单元,用于根据预置傅里叶算法,提取所述局部放电图谱的多尺度信号;计算单元,用于计算所述多尺度信号的统计特征量,所述统计特征量是指所述多尺度信号的统计信息;整合单元,用于整合所述统计特征量,构建故障特征库;构建单元,用于将所述故障特征库中的所述统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络;识别单元,用于将待识别统计特征量输入到所述RBF神经网络,识别所述待识别统计特征量所对应的待识别变压器的短路故障类型。
第三方面,本申请还提供了一种终端,包括:处理器和存储器;所述处理器可以执行所述存储器中所存储的程序或指令,从而实现以第一方面各种实现方式所述变压器短路故障的识别方法。
第四方面,本申请还提供了一种存储介质,该计算机存储介质可存储有程序,该程序执行时可实现包括本申请提供的变压器短路故障的识别方法各实施例中的部分或全部步骤。
本申请提供的一种变压器短路故障的识别方法及装置,通过获取变压器的局部放电图谱,然后根据预置傅里叶算法,提取局部放电图谱的多尺度信号,再计算多尺度信号的统计特征量,再整合统计特征量,构建故障特征库,再将故障特征库中的统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络,最后将待识别统计特征量输入到RBF神经网络,识别待识别统计特征量多对应的待识别变压器的短路故障类型。与现有技术相比,本申请能够采用RBF神经网络算法,快速且准确地识别变压器短路故障。本申请能够提高变压器故障诊断地效率,且不需要专业人员费时费力的拆解变压器来诊断故障类型,间接地提供一种变压器的自检手段,从而提供变压器的品质,提供配电网运行的稳定性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的一种模拟内部绕组短路状态的变压器示意图;
图2为本申请提供的一种变压器短路故障的识别方法的一个实施例的流程图;
图3为本申请提供的另一种变压器短路故障的识别方法的一个实施例的流程图;
图4为本申请提供的一种变压器短路故障的识别装置的一个实施例的结构示意图;
图5为本申请提供的另一种变压器短路故障的识别装置的一个实施例的结构示意图。
具体实施方式
参见图1,为一种模拟内部绕组短路状态的变压器示意图的结构示意图。在变压器中最容易出现的故障是短路故障。变压器的故障诊断方法,包括短路试验、直流电阻测量、有溶解气体成分分析、局部放电诊断、绝缘介质聚合度分析、频率响应等等。其中局部放电诊断的试验方法可分为电气法和非电气法两大类。电气法中有脉冲电流法、介质损耗法和电磁辐射法。非电气法中有声波法、测光法、测热法和物理化学法。电气法的灵敏度较非电气法高,所以,一般多采用电气法。在电气法中采用最多的是脉冲电流法。在非电气法中,常采用声波法,尤其是声波法多用来对局部放电源进行定位。
参见图2,为本申请提供的一种变压器短路故障的识别方法一个实施例的流程图,该方法包括如下步骤:
步骤201,获取变压器的局部放电图谱。
局部放电图谱,是指变压器在进行放电测试时产生的图谱,包括相位图谱、分类图谱等等。本申请提供的是变压器短路故障的识别方法,是指识别变压器存在哪种短路故障,所以局部放电图谱对应的变压器是存在短路故障的变压器。
为了是变压器短路故障的识别更准确,需要获取存在典型短路故障的变压器的局部放电图谱。其中典型短路故障包括匝间短路放电类型、层间短路放电类型和匝间及层间同时短路放电类型。每种典型短路故障皆有多个相同材料、体积及结构的样机,且样机由人工制成。由人工制成的样机能够保证短路故障对应的局部放电图谱具有一定的代表性,能保证获得的局部放电图谱是具有单一短路故障的变压器,使得获取的局部放电图谱能够具有该短路故障的特征数据。对样机的油纸放电进行多次采集,以便排除由于某些突发原因造成的局部放电图谱的大幅度变化,以至于影响对变压器短路故障的识别结果。
步骤202,根据预置傅里叶算法,提取局部放电图谱的多尺度信号。
傅里叶算法,是一种分析信号的方法,能够分析信号的成分,也可用这些成分合成信号。许多波形可作为信号的成分,比如正弦波、方波、锯齿波等,傅里叶变换用正弦波作为信号的成分。傅里叶算法包括:短时傅里叶算法、快速傅里叶算法等等基本傅里叶算法的衍生算法。短时傅里叶算法是最常用的时频分析方法,它通过时间窗内的一段信号来标识某一时刻的信号特征。在短时傅里叶变换过程中,窗的长度决定频谱图的时间分辨率和频率分辨率,窗长越长,截取的信号越长,信号越长,傅里叶变换后频率分辨率越高,时间分辨率越差;相反,窗长越短,截取的信号就越短,频率分辨率越差,时间分辨率越好,也就是短时傅里叶变换中,时间分辨率和频率之间不能兼得,应该根据具体需求进行取舍。优选地采用短时傅里叶算法,有利于在时间分辨率需求和频率需求上,根据需求进行有效调整。
多尺度信号,是指某信号经多尺度分析,获取的多个单一尺度的信号。根据不同的尺度标准,从局部放电图谱中提取所需的信号,并将其统称为多尺度信号。根据预置傅里叶算法,提取局部放电图谱的多尺度信号。在提取多尺度信号时,还可以采用小波算法。在本申请中优选算法为傅里叶算法。
步骤203,计算多尺度信号的统计特征量。
统计特征量是指多尺度信号的统计信息。统计特征量可以包括放电量和放电次数的相位分布、放电幅值和能量的分布的统计信息。根据局部放电图谱的特性,由于不同的特征属于不同的波段,考虑不同波段之间的相关性,计算多尺度信号的统计特征量。
步骤204,整合统计特征量,构建故障特征库。
计算不同短路故障的变压器,相同短路故障变压器、以及同一个变压器不同测试次数的统计特征量,将所有的统计特征量进行整合,构建故障特征库。故障特征库中,包含了不同短路故障的局部放电图谱的多尺度信号的统计特征量,也就是所有短路故障样机的故障特征数据。
步骤205,将故障特征库中的统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络。
短路故障样机具有不同的典型短路故障,然而训练RBF(Radical BasisFunction,径向基函数)神经网络是为了识别不同的短路故障类型,所以需要将不同的短路故障,分别训练。从故障特征库中选取相同故障类型的统计特征量,每组统计特征量对应一个短路故障变压器的局部放电图谱。将统计特征量按照3:1的比例分别作为训练样本和测试样本。训练样本用于RBF神经网络学习,测试样本用于RBF神经网络校验。选取的RBF神经网络能够使权值迅速收敛到最优值。举例说明具体的训练过程中,定义评级函数小于0.0001最为RBF神经网络算法的终止条件,RBF神经网络的输入层神经元数定为20,输出层神经元数定位3,对应三种短路故障,选择期望输出分别为匝间短路放电(1,0,0)、层间短路放电(0,1,0)、和匝间及层间同时短路放电(0,0,1)。
将经过训练和测试的RBF神经网络,作为变压器短路故障的识别神经网络。
步骤206,将待识别统计特征量输入到RBF神经网络,识别待识别统计特征量所对应的待识别变压器的短路故障类型。
待识别统计特征量,是指待识别短路故障的变压器的统计特征量。在本发明实施例中对待识别短路故障的变压器的统计特征量的计算方法不做限定。将待识别统计特征量输入到完成训练的RBF神经网络中,识别待识别统计特征量所对应的待识别变压器的短路故障类型。待识别变压器也就是待识别短路故障的变压器。
从上述实施例可以看出,本申请提供的一种变压器短路故障的识别方法,通过获取变压器的局部放电图谱,然后根据预置傅里叶算法,提取局部放电图谱的多尺度信号,再计算多尺度信号的统计特征量,再整合统计特征量,构建故障特征库,再将故障特征库中的统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络,最后将待识别统计特征量输入到RBF神经网络,识别待识别统计特征量多对应的待识别变压器的短路故障类型。与现有技术相比,本申请能够采用RBF神经网络算法,快速且准确地识别变压器短路故障。本申请能够提高变压器故障诊断地效率,且不需要专业人员费时费力的拆解变压器来诊断故障类型,间接地提供一种变压器的自检手段,从而提供变压器的品质,提供配电网运行的稳定性。
参见图3,为本申请提供的另一种变压器短路故障的识别方法一个实施例的流程图,该方法包括如下步骤:
步骤301,获取变压器的局部放电图谱。
变压器是存在短路故障的变压器。变压器存在的放电类型包括匝间短路放电类型、层间短路放电类型和匝间及层间同时短路放电类型;获取变压器的局部放电图谱,包括:记录变压器的放电类型;获取通过放电***测试的变压器的局部放电图谱;以放电类型,标记局部放电图谱。记录放电类型与局部放电图谱的对应关系,为后续验证RBF神经网络的准确性提供依据。
步骤302,根据预置傅里叶算法,提取局部放电图谱的多尺度信号。
本步骤与图2所示的步骤202所述的方法相同,这里不再赘述。
步骤303,计算多尺度信号的统计特征量。
统计特征量是指多尺度信号的统计信息。本步骤与图2所示的步骤203所述的方法相同,这里不再赘述。
步骤304,获取局部放电图谱的放电类型。
获取局部放电图谱的标记信息,即为局部放电图谱对应的放电类型。
步骤305,以放电类型,标记统计特征量。
将步骤303计算的统计特征量,用放电类型标记,其中放电类型包括匝间短路放电类型、层间短路放电类型和匝间及层间同时短路放电类型。
步骤306,整合统计特征量,构建故障特征库。
以放电类型,分类整合统计特征量,构建故障特征库。
步骤307,将故障特征库中的统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络。
短路故障样机具有不同的典型短路故障,然而训练RBF(Radical BasisFunction,径向基函数)神经网络是为了识别不同的短路故障类型,所以需要将不同的短路故障,依次训练。从故障特征库中选取相同故障类型的统计特征量,每组统计特征量对应一个短路故障变压器的局部放电图谱。将统计特征量按照3:1的比例作为训练样本和测试样本。训练样本用于RBF神经网络学习,测试样本用于RBF神经网络校验。选取的RBF神经网络能够使权值迅速收敛到最优值。举例说明具体的训练过程中,定义评级函数小于0.0001最为RBF神经网络算法的终止条件,RBF神经网络的输入层神经元数定为20,输出层神经元数定位3,对应三种短路故障,选择期望输出分别为匝间短路放电(1,0,0)、层间短路放电(0,1,0)、和匝间及层间同时短路放电(0,0,1)。
径向基函数神经网络是一种高效的前馈式神经网络,它具有其他前向网络所不具有的最佳逼近性能和全局最优特性,并且结构简单,训练速度快。径向基函数RBF神经网络选取的激活函数为其中,并且式中ηa为a学习率,αa为a的动量因子,并且式中ηb为b的学习率,αb为b的动量因子。
步骤308,获取待识别变压器的待识别局部放电图谱。
待识别变压器,可以是已经出现故障的变压器,也可以是未出厂的变压器,在本发明实施例中对待识别变压器是否已使用不做限定。总之待识别变压器不是正在工作的变压器,本申请的识别方法是针对当前停止工作的变压器。
步骤309,根据预置傅里叶算法,提取待识别局部放电图谱的待识别多尺度信号。
由于短时傅里叶算法是最常用的视频分析方法,有利于在时间分辨率需求和频率分辨率需求上,根据需要进行有效调整,所以优选地采用的预置傅里叶算法是短时傅里叶算法。提取待识别局部放电图谱的待识别多尺度信号。多尺度信号是指某信号经过过尺度分析,获取的多个单一尺度的信号。
步骤310,计算待识别多尺度信号的待识别统计特征量。
待识别统计特征量是指待识别多尺度信号的统计信息。根据局部放电图谱的特性,由于不同的特征属于不同的波段,考虑不同波段之间的相关性,计算待识别多尺度信号的待识别统计特征量。待识别统计特征量可以包括放电量和放电次数的相位分布、放电幅值和能量的分布的统计信息。
步骤311,将待识别统计特征量输入到RBF神经网络,识别待识别统计特征量所对应的待识别变压器的短路故障类型。
将待识别统计特征量输入到RBF神经网络中,RBF神经网络识别待识别统计特征量,具体包括:获取RBF神经网络输出的待识别统计特征量的放电类型;根据故障字典,查找放电类型对应的短路故障类型。
故障字典由大量的实验和经验归集后通过现有技术进行编制,靠人工经验生成,是判断短路故障类型的现有的数据基础。
从上述实施例可以看出,本申请提供的一种变压器短路故障的识别方法,通过获取变压器的局部放电图谱,然后根据预置傅里叶算法,提取局部放电图谱的多尺度信号,再计算多尺度信号的统计特征量,再整合统计特征量,构建故障特征库,再将故障特征库中的统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络,最后将待识别统计特征量输入到RBF神经网络,识别待识别统计特征量多对应的待识别变压器的短路故障类型。与现有技术相比,本申请能够采用RBF神经网络算法,快速且准确地识别变压器短路故障。本申请能够提高变压器故障诊断地效率,且不需要专业人员费时费力的拆解变压器来诊断故障类型,间接地提供一种变压器的自检手段,从而提供变压器的品质,提供配电网运行的稳定性。
参见图4,为本申请一种变压器短路故障的识别装置一个实施例的结构示意图,用于执行图2和图3所对应的变压器短路故障的识别方法。
如图4所示,该装置包括:第一获取单元41,提取单元42,计算单元43,整合单元44,构建单元45和识别单元46。其中,
第一获取单元41,用于获取变压器的局部放电图谱,变压器是存在短路故障的变压器;
提取单元42,用于根据预置傅里叶算法,提取局部放电图谱的多尺度信号;
计算单元43,用于计算多尺度信号的统计特征量,统计特征量是指多尺度信号的统计信息;
整合单元44,用于整合统计特征量,构建故障特征库;
构建单元45,用于将故障特征库中的统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络;
识别单元46,用于将待识别统计特征量输入到RBF神经网络,识别待识别统计特征量所对应的待识别变压器的短路故障类型。
进一步地,变压器存在的放电类型包括匝间短路放电类型、层间短路放电类型和匝间及层间同时短路放电类型;
第一获取单元41,包括:
记录模块411,用于记录变压器的放电类型;
获取模块412,用于获取通过放电***测试的变压器的局部放电图谱;
标记模块413,用于以放电类型,标记局部放电图谱。
进一步地,如图5所示,该装置还包括:
第二获取单元47,用于整合统计特征量,构建故障特征库之前,获取局部放电图谱的放电类型;
标记单元48,用于以放电类型,标记统计特征量。
进一步地,径向基函数RBF神经网络选取的激活函数为其中,
并且式中ηa为a学习率,αa为a的动量因子,
并且式中ηb为b的学习率,αb为b的动量因子。
进一步地,该装置还包括:
第一获取单元41,用于将待识别统计特征量输入到RBF神经网络之前,获取待识别变压器的待识别局部放电图谱;
提取单元42,用于根据预置傅里叶算法,提取待识别局部放电图谱的待识别多尺度信号;
计算单元43,用于计算待识别多尺度信号的待识别统计特征量。
进一步地,如图5所示,识别单元46,包括:
获取模块461,用于获取RBF神经网络输出的待识别统计特征量的放电类型;
查找模块462,用于根据故障字典,查找放电类型对应的短路故障类型。
从上述实施例可以看出,本申请提供的一种变压器短路故障的识别装置,通过获取变压器的局部放电图谱,然后根据预置傅里叶算法,提取局部放电图谱的多尺度信号,再计算多尺度信号的统计特征量,再整合统计特征量,构建故障特征库,再将故障特征库中的统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络,最后将待识别统计特征量输入到RBF神经网络,识别待识别统计特征量多对应的待识别变压器的短路故障类型。与现有技术相比,本申请能够采用RBF神经网络算法,快速且准确地识别变压器短路故障。本申请能够提高变压器故障诊断地效率,且不需要专业人员费时费力的拆解变压器来诊断故障类型,间接地提供一种变压器的自检手段,从而提供变压器的品质,提供配电网运行的稳定性。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的呼叫方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于……实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (10)
1.一种变压器短路故障的识别方法,其特征在于,所述方法包括:
获取变压器的局部放电图谱,所述变压器是存在短路故障的变压器;
根据预置傅里叶算法,提取所述局部放电图谱的多尺度信号;
计算所述多尺度信号的统计特征量,所述统计特征量是指所述多尺度信号的统计信息;
整合所述统计特征量,构建故障特征库;
将所述故障特征库中的所述统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络;
将待识别统计特征量输入到所述RBF神经网络,识别所述待识别统计特征量所对应的待识别变压器的短路故障类型。
2.根据权利要求1所述的方法,其特征在于,所述变压器存在的放电类型包括匝间短路放电类型、层间短路放电类型和匝间及层间同时短路放电类型;
所述获取变压器的局部放电图谱,包括:
记录所述变压器的放电类型;
获取通过放电***测试的所述变压器的局部放电图谱;
以所述放电类型,标记所述局部放电图谱。
3.根据权利要求2所述的方法,其特征在于,所述整合所述统计特征量,构建故障特征库之前,所述方法还包括:
获取所述局部放电图谱的所述放电类型;
以所述放电类型,标记所述统计特征量。
4.根据权利要求1所述的方法,其特征在于,所述径向基函数RBF神经网络选取的激活函数为其中,
并且式中ηa为a学习率,αa为a的动量因子,
并且式中ηb为b的学习率,αb为b的动量因子。
5.根据权利要求1所述的方法,其特征在于,所述将待识别统计特征量输入到所述RBF神经网络之前,所述方法还包括:
获取待识别变压器的待识别局部放电图谱;
根据所述预置傅里叶算法,提取所述待识别局部放电图谱的待识别多尺度信号;
计算所述待识别多尺度信号的待识别统计特征量。
6.根据权利要求1所述的方法,其特征在于,所述识别所述待识别变压器的短路故障类型,包括:
获取所述RBF神经网络输出的所述待识别统计特征量的放电类型;
根据故障字典,查找所述放电类型对应的短路故障类型。
7.一种变压器短路故障的识别装置,其特征在于,所述装置包括:
第一获取单元,用于获取变压器的局部放电图谱,所述变压器是存在短路故障的变压器;
提取单元,用于根据预置傅里叶算法,提取所述局部放电图谱的多尺度信号;
计算单元,用于计算所述多尺度信号的统计特征量,所述统计特征量是指所述多尺度信号的统计信息;
整合单元,用于整合所述统计特征量,构建故障特征库;
构建单元,用于将所述故障特征库中的所述统计特征量作为训练样本和测试样本,构建并训练径向基函数RBF神经网络;
识别单元,用于将待识别统计特征量输入到所述RBF神经网络,识别所述待识别统计特征量所对应的待识别变压器的短路故障类型。
8.根据权利要求7所述的装置,其特征在于,所述变压器存在的放电类型包括匝间短路放电类型、层间短路放电类型和匝间及层间同时短路放电类型;
所述第一获取单元,包括:
记录模块,用于记录所述变压器的放电类型;
获取模块,用于获取通过放电***测试的所述变压器的局部放电图谱;
标记模块,用于以所述放电类型,标记所述局部放电图谱。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于所述整合所述统计特征量,构建故障特征库之前,获取所述局部放电图谱的所述放电类型;
标记单元,用于以所述放电类型,标记所述统计特征量。
10.根据权利要求7所述的装置,其特征在于,所述识别单元,包括:
获取模块,用于获取所述RBF神经网络输出的所述待识别统计特征量的放电类型;
查找模块,用于根据故障字典,查找所述放电类型对应的短路故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710242712.8A CN106841905A (zh) | 2017-04-14 | 2017-04-14 | 一种变压器短路故障的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710242712.8A CN106841905A (zh) | 2017-04-14 | 2017-04-14 | 一种变压器短路故障的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106841905A true CN106841905A (zh) | 2017-06-13 |
Family
ID=59147631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710242712.8A Pending CN106841905A (zh) | 2017-04-14 | 2017-04-14 | 一种变压器短路故障的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106841905A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520339A (zh) * | 2018-03-23 | 2018-09-11 | 佛山科学技术学院 | 一种电力网络故障诊断***及方法 |
CN109191448A (zh) * | 2018-09-03 | 2019-01-11 | 重庆大学 | 基于三维坐标绘制和数字图像处理的变压器故障识别技术 |
CN110850228A (zh) * | 2019-11-04 | 2020-02-28 | 国网江苏省电力有限公司泰州供电分公司 | 基于换相开关等值阻抗特性的低压台区故障定位方法 |
CN111272222A (zh) * | 2020-02-28 | 2020-06-12 | 西南交通大学 | 一种基于特征量集的变压器故障诊断方法 |
CN111289837A (zh) * | 2020-02-06 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种配电网设备潜伏性故障的评估方法及*** |
CN111308268A (zh) * | 2020-02-06 | 2020-06-19 | 云南电网有限责任公司电力科学研究院 | 一种配电网设备潜伏性故障的评估方法及*** |
CN112595998A (zh) * | 2020-12-01 | 2021-04-02 | 清华大学 | 一种基于变压器宽频模型的频率响应测试方法及应用 |
CN115542101A (zh) * | 2022-11-30 | 2022-12-30 | 杭州兆华电子股份有限公司 | 一种变压器声纹检测***的声纹预处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101505058A (zh) * | 2009-03-19 | 2009-08-12 | 东北大学 | 一种基于双网络的双递归神经元灵敏负荷网络建模装置及方法 |
KR101025058B1 (ko) * | 2009-06-18 | 2011-03-25 | 대림대학 산학협력단 | 퍼지 알비에프 신경회로망 알고리즘을 이용한 저압선로의 탄화도전로 신호검출 방법 |
CN102221651A (zh) * | 2011-03-11 | 2011-10-19 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
CN103440497A (zh) * | 2013-08-13 | 2013-12-11 | 上海交通大学 | 一种gis绝缘缺陷局部放电图谱模式识别方法 |
CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
-
2017
- 2017-04-14 CN CN201710242712.8A patent/CN106841905A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101505058A (zh) * | 2009-03-19 | 2009-08-12 | 东北大学 | 一种基于双网络的双递归神经元灵敏负荷网络建模装置及方法 |
KR101025058B1 (ko) * | 2009-06-18 | 2011-03-25 | 대림대학 산학협력단 | 퍼지 알비에프 신경회로망 알고리즘을 이용한 저압선로의 탄화도전로 신호검출 방법 |
CN102221651A (zh) * | 2011-03-11 | 2011-10-19 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
CN103440497A (zh) * | 2013-08-13 | 2013-12-11 | 上海交通大学 | 一种gis绝缘缺陷局部放电图谱模式识别方法 |
CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
Non-Patent Citations (5)
Title |
---|
化希耀: "基于RBF神经网络与粗糙集的挖掘电力变压器故障诊断研究", 《基于RBF神经网络与粗糙集的挖掘电力变压器故障诊断研究》 * |
禹建丽: "基于径向基神经网络的变压器故障诊断", 《科技通报》 * |
邵安海: "基于局部放电监测的变压器故障诊断***研究", 《四川电力技术》 * |
郭佰胜等: "激活函数可调的RBF神经网络模型", 《微计算机信息》 * |
龚瑞昆等: "基于RBF神经网络结合LIBS的变压器故障诊断", 《华北理工大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520339A (zh) * | 2018-03-23 | 2018-09-11 | 佛山科学技术学院 | 一种电力网络故障诊断***及方法 |
CN109191448A (zh) * | 2018-09-03 | 2019-01-11 | 重庆大学 | 基于三维坐标绘制和数字图像处理的变压器故障识别技术 |
CN109191448B (zh) * | 2018-09-03 | 2021-11-02 | 重庆大学 | 基于三维坐标绘制和数字图像处理的变压器故障识别方法 |
CN110850228A (zh) * | 2019-11-04 | 2020-02-28 | 国网江苏省电力有限公司泰州供电分公司 | 基于换相开关等值阻抗特性的低压台区故障定位方法 |
CN111289837A (zh) * | 2020-02-06 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种配电网设备潜伏性故障的评估方法及*** |
CN111308268A (zh) * | 2020-02-06 | 2020-06-19 | 云南电网有限责任公司电力科学研究院 | 一种配电网设备潜伏性故障的评估方法及*** |
CN111289837B (zh) * | 2020-02-06 | 2022-04-08 | 云南电网有限责任公司电力科学研究院 | 一种配电网设备潜伏性故障的评估方法及*** |
CN111308268B (zh) * | 2020-02-06 | 2022-04-12 | 云南电网有限责任公司电力科学研究院 | 一种配电网设备潜伏性故障的评估方法及*** |
CN111272222A (zh) * | 2020-02-28 | 2020-06-12 | 西南交通大学 | 一种基于特征量集的变压器故障诊断方法 |
CN112595998A (zh) * | 2020-12-01 | 2021-04-02 | 清华大学 | 一种基于变压器宽频模型的频率响应测试方法及应用 |
CN115542101A (zh) * | 2022-11-30 | 2022-12-30 | 杭州兆华电子股份有限公司 | 一种变压器声纹检测***的声纹预处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106841905A (zh) | 一种变压器短路故障的识别方法及装置 | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN110514924A (zh) | 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 | |
CN109116203A (zh) | 基于卷积神经网络的电力设备局部放电故障诊断方法 | |
CN109932627A (zh) | 一种gis耐压试验局部放电的定位方法及*** | |
CN109871746A (zh) | 一种基于gis绝缘缺陷诊断的模式识别方法 | |
CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、*** | |
CN107589341B (zh) | 一种基于配电自动化主站的单相接地在线故障定位方法 | |
CN107340456A (zh) | 基于多特征分析的配电网工况智能识别方法 | |
CN105425076A (zh) | 一种基于bp神经网络算法进行变压器故障识别的方法 | |
CN114414942A (zh) | 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及*** | |
WO2014101579A1 (zh) | 基于奇异值分解算法的变压器局部放电模式识别方法 | |
CN109100627A (zh) | 一种基于端到端模式的电力设备局部放电故障诊断方法 | |
Wang et al. | Classification of power quality events using optimal time-frequency representations-part 1: Theory | |
CN107907799A (zh) | 基于卷积神经网络的局部放电缺陷类型的识别方法及*** | |
CN105372528B (zh) | 一种电力变压器内部故障的状态检修方法 | |
CN108761287A (zh) | 一种变压器局部放电类型识别方法 | |
CN110261746B (zh) | 基于振荡波电压周期衰减特性的电缆缺陷检测方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN110376497A (zh) | 基于全相位深度学习的低压配电***串联故障电弧识别法 | |
CN107942210A (zh) | 变压器脉冲电流局部放电波形的分类和去噪方法及*** | |
De et al. | Recognition of impulse fault patterns in transformers using Kohonen's self-organizing feature map | |
CN108764486A (zh) | 一种基于集成学习的特征选择方法及装置 | |
CN105334436A (zh) | 基于som-bp组合神经网络的交联电缆局部放电模式识别方法 |
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: 20170613 |