CN109375010A

CN109375010A - 基于振动分布特征模型的电力变压器绕组故障诊断方法

Info

Publication number: CN109375010A
Application number: CN201811178958.4A
Authority: CN
Inventors: 胡异炜; 黄海; 郑婧
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2018-10-10
Filing date: 2018-10-10
Publication date: 2019-02-22

Abstract

本发明公开了一种基于振动分布特征模型的电力变压器绕组故障诊断方法，其通过对变压器油箱表面振动信号的分布特征进行提取与和量化，并结合支持向量机建立一种基于振动分布特征的变压器绕组故障诊断模型，将标量振动中心的横坐标与纵坐标，振动分布矢量和轨迹的离心率和主轴倾斜角组合为特征向量，作为样本输入支持向量机分类器，判断绕组的工作状态，实现对变压器绕组状态和故障的分析与诊断。本发明可更全面、准确地反映变压器机械结构状态，为实现变压器绕组故障的监测与诊断提供新依据和新手段，为研究者直接基于变压器油箱表面的振动测量数据进行绕组故障提供了新的方法，并提供了相应依据和标准。

Description

基于振动分布特征模型的电力变压器绕组故障诊断方法

技术领域

本发明属于信号处理技术领域，具体涉及一种基于振动分布特征模型的电力变压器绕组故障诊断方法。

背景技术

变压器是电力传输、分配过程中的关键性设备，也是最为昂贵的电力设备之一，服役中的电力变压器需要全天候地工作在各种电气和机械状态下，面对各种可能导致故障的有害因素，其故障会导致严重的安全事故和重大的经济损失；过去十余年来对变压器的在线监测和故障诊断一直是业内的研究热点，具有显著的重要性。

变压器运行时，输入的电压使得铁芯因磁致伸缩效应产生振动，负载的交变电流则使得绕组因电磁力而产生振动，通过绕组、铁芯和油箱壁之间的固连以及各部件与油箱中绝缘油的固液耦合，绕组和铁芯的振动传递到绝缘油表面产生叠加振动。电力变压器绕组是变压器的主要部件，绕组的机械结构改变如变形、移位、倾斜、松动等是电力变压器最常见的故障，也是引发变压器产生突发性严重故障和损坏的主要原因之一。

根据机械振动理论可知，变压器绕组的机械结构改变会影响其振动响应特性，绕组振动经由变压器内部机械结构传递到变压器表面，通过对变压器油箱壁振动的检测、信号处理和分析能够提取并获得绕组机械结构的状态信息，实现对绕组的带电监测与故障诊断。振动分析法可以通过分析从变压器油箱壁上测得的振动，检测可能引发变压器重大事故的机械结构缺陷，该方法具有连续性，非介入性和在线监测的优势，且与电力***没有电气连接，具有很好的应用与发展前景。

对于正常变压器，当电流和电压产生的激励力一定时，机械结构稳定的绕组和铁芯产生的相对稳定的振动经支撑机构和绝缘油传递到油箱表面，在油箱表面不同位置的振动分布基本保持不变，但当变压器绕组发生鼓包变形、倾斜、移位、松动等机械稳定特性改变时，绕组产生的振动发生变化，油箱表面的振动分布也随之发生变化；若能对变压器油箱表面振动信号进行分布特征的研究与提取，寻找其特征变化与变压器绕组故障之间的关系，则为基于振动分析法的变压器状态检测方法提供了新思路。

发明内容

本发明以大型电力变压器绕组状态带电监测为对象与目标，提供了一种基于振动分布特征模型的电力变压器绕组故障诊断方法，其通过对变压器油箱表面振动信号的分布特征进行提取与和量化，并结合支持向量机建立一种基于振动分布特征的变压器绕组故障诊断模型，将标量振动中心的横坐标与纵坐标，振动分布矢量和轨迹的离心率和主轴倾斜角组合为特征向量，作为样本输入支持向量机分类器，判断绕组的工作状态，实现对变压器绕组状态和故障的分析与诊断。

一种基于振动分布特征模型的电力变压器绕组故障诊断方法，包括如下步骤：

(1)在电力变压器油箱表面布置多个测点，通过采集获取负载运行状态下正常变压器以及绕组故障变压器的多组振动数据；每组振动数据包括各测点的振动信号和位置信息；

(2)对每组振动数据进行特征提取，提取得到的特征包括标量振动中心的坐标、振动分布矢量和轨迹的离心率和主轴倾斜角；

(3)使正常变压器的振动数据特征作为正样本，绕组故障变压器的振动数据特征作为负样本，利用正负样本对机器学习分类器进行训练得到用于判别电力变压器绕组故障的分类模型；

(4)对于待诊断的电力变压器，通过采集其油箱表面各测点的振动信号并进行特征提取，将提取得到的特征输入至所述分类模型，输出的分类结果即可诊断出该变压器是否存在绕组故障。

进一步地，所述步骤(1)中各测点的振动信号通过振动传感器以一定的采样频率和时长采集得到，每个测点对应设置一个振动传感器。

进一步地，所述步骤(2)中通过以下公式计算标量振动中心的坐标：

其中：x_j和y_j分别为标量振动中心在油箱表面坐标系中的横坐标和纵坐标，x_i和y_i分别为第i个测点在油箱表面坐标系中的横坐标和纵坐标，v_i为第i个测点振动信号经带通滤波提取得到该信号的100Hz基频分量，N为测点数量。

进一步地，所述步骤(2)中振动分布矢量和轨迹离心率和主轴倾斜角的计算获取方法为：首先通过以下公式拟合出振动分布矢量和轨迹，由于振动特性该轨迹为椭圆，确定轨迹后即可直接计算获取该椭圆的离心率和主轴倾斜角；

其中：x(t)和y(t)分别为t时刻振动重心在油箱表面坐标系中的横坐标和纵坐标，x_i和y_i分别为第i个测点在油箱表面坐标系中的横坐标和纵坐标，v_i(t)为t时刻第i个测点的振动信号幅值，N为测点数量。

所述油箱表面坐标系即以布置测点一侧的油箱表面为XOY平面，以该油箱表面几何中心为原点建立的平面坐标系。

进一步地，所述步骤(3)中的机器学习分类器采用支持向量机(SVM)。

基于上述技术方案，本发明具有以下有益技术效果：

(1)本发明通过定义变压器振动在油箱表面的空间分布特征，以不同测点间振动空间特性的特征量提取反映绕组动态特性的信息，对各测点间的振动分布特性进行研究与分析，提取出反映不同测点间振动空间特性的特征量，可更全面、准确地反映变压器机械结构状态，为实现变压器绕组故障的监测与诊断提供新依据和新手段。

(2)本发明实现了基于振动分布特征模型的电力变压器绕组故障诊断方法，为研究者直接基于变压器油箱表面的振动测量数据进行绕组故障提供了新的方法，并提供了相应依据和标准。

附图说明

图1为本发明电力变压器绕组故障诊断方法的流程示意图。

图2为油箱壁测点分布及对应坐标系的示意图。

图3为振动分布矢量和轨迹离心率及主轴倾斜角的计算原理示意图。

图4为正常与故障变压器的振动分布特征散点图。

图5为支持向量的选取以及二维平面上的最大分类间隔面。

图6为不同绕组故障下标量振动中心的分布示意图。

图7(a)和图7(b)分别为A相绕组发生绕组压紧力松动前后在不同负载条件下的振动分布矢量和轨迹示意图。

图8(a)为绕组在不同状态下振动分布矢量和轨迹的离心率随负载变化的曲线图。

图8(b)为绕组在不同状态下振动分布矢量和轨迹的主轴倾斜角随负载变化的曲线图。

图9为不同绕组故障下的MSE值曲线图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

本实施例中采用电压、电流及振动的采样装置包括前置放大、抗混叠滤波、A/D采样等主要模块，为了能获得较高精度的数据，A/D模块的采样位数为12位，抗混叠滤波器截止频率为2000Hz，振动信号的采样频率设置为8192Hz，振动传感器的灵敏度为500mv/g，并采用每间隔1分钟连续采样1秒钟的模式来采集电压、电流及振动信号。

如图1所示，本发明基于振动分布特征模型的电力变压器绕组故障诊断方法，包括如下步骤：

(1)建立振动信号样本库：采集在负载运行状态下的正常变压器和绕组故障变压器油箱壁表面各个测点处的振动数据，记录测点位置和变压器状态并进行标注。

按照等间距均匀分布的原则在变压器油箱壁上布置传感器，记录其位置按照油箱壁的机械尺寸建立坐标系(以油箱布置传感器的侧表面为xoy平面，其几何中心为坐标原点，如图2所示)，为每个测点确定各自的位置权重，用于幅值重心和瞬时振动分布矢量和轨迹的计算依据。

(2)对于样本库中每一组振动数据，计算其标量振动中心的横坐标与纵坐标、振动分布矢量和轨迹的离心率和主轴倾斜角，作为提取的振动特征输入支持向量机分类器。

标量振动中心的横纵坐标：

振动分布矢量和轨迹(椭圆)的定义为：

其中：i为第i个振动测量点所得数据的标识；x_i和y_i分别表示第i个测点的横纵坐标；v_i表示对第i个测点的振动信号进行带通滤波提取该信号的100Hz基频分量；v(t)_i表示t时刻第i个测点处的振动信号幅值；x(t)表示t时刻振动重心的横坐标。

量化的振动分布矢量和轨迹的形态特征包括离心率和主轴倾斜角，离心率是椭圆扁平程度的度量，振动分布矢量和轨迹的离心率体现了不同方位上测点振动幅值和相位的差异性。已知椭圆曲线的离心率其中a，b分别为椭圆半长轴与半短轴，且分别写为a＝1/2[max(l)]，b＝1/2[min(l)]，l_j为过椭圆圆心的弦的长度。因此，可将振动分布矢量和轨迹的离心率表示如下：

过椭圆圆心的弦的长度的计算公式如下：

l_j＝((y(t)-y(t-T/2))²+(x(t)-x(t-T/2))²)^1/2 (6)

其中：T_j代表第j次谐波的时间周期。

主轴是椭圆最长的轴，主轴的倾斜角体现了各测量点振动矢量相加后各测点振动最大模值的方向。椭圆主轴倾斜角则可以通过长轴两个端点的坐标直接计算得到，求其反正切即可得到主轴倾斜角：

其中：t_m代表当l_j为椭圆长轴时第一个采样点的采样时刻。

t_m＝t|_l＝max(l) (8)

振动分布矢量和轨迹离心率和主轴倾斜角的计算原理如图3所示。

(3)使用样本库中的振动数据对支持向量机分类器进行训练。选取一定数量的绕组状态已知的变压器振动测量数据，对于每一组数据分别计算其振动分布特征形态参数；将标量振动中心的横坐标与纵坐标、振动分布矢量和轨迹的离心率和主轴倾斜角作为样本输入SVM分类器进行训练，得到能够区分正常变压器和绕组故障变压器的最优分类平面。

本实施方式中训练集共计1527组振动数据，来自14台500kV等级单相变压器，其中故障变压器两台，其余为正常变压器。将全部数据打乱顺序后，随机选取500组数据作为训练样本，其余数据作为测试样本；选取了所有样本的振动分布特征绘制散点图，由于视图维度限制，仅展示其中三类参数的散点图，如图4所示，可以看出故障变压器和正常变压器在振动分布特征上有较大的区别，使用支持向量机分类器找到最大间隔超平面即可有效地将二者分开。求取最大间隔超平面的参数ω、b等价于如下优化问题的解：

满足y_i(ω^TΦ(x_i)+b)≥1-ξ_i，ξ_i≥0，其中C为惩罚系数，ξ_i为松弛系数，通过搜索选取合适的C与ξ_i值，进而找到ω、b的最优解，确定上述最大间隔超平面。使用基于Grid网格对参数C与ξ_i进行优化，参数C与ξ_i的取值范围分别来自集合(2^-5，2¹⁵)、(2^-15，2³)。经过参数优化与训练，得到基于变压器振动信号样本库的最大间隔超平面为参数为：

ω＝[-2.7112-2.9476 5.0788 0.1728]

b＝-0.8578

由于高维特征空间中的样本和分类超平面无法用图形展示，图5中选取了标量振动中心的横坐标，振动分布矢量和轨迹的主轴倾斜角两个振动分布特征，作二维散点图，并标记出支持向量机算法在样本中选取的支持向量以及最大间隔超平面在这个二维平面上的投影。

(4)使用分类器对实测变压器振动数据进行分类和诊断。对于实测待诊断变压器振动数据，计算其标量振动中心的横坐标与纵坐标、振动分布矢量和轨迹的离心率和主轴倾斜角，输入参数已训练的支持向量机分类器，根据分类结果即可做出该变压器绕组是否存在故障的诊断。

本实施方式以一台已知为故障状态的500kV单相变压器为例，采用与步骤(1)中相同的测点布置方式振动采样装置，连续采样24小时并记录数据，绘制该变压器在不同负载状况下的标量振动中心和瞬时振动分布矢量和轨迹，计算其标量振动中心的横坐标与纵坐标、振动分布矢量和轨迹的离心率和主轴倾斜角；最后将四个参数作为一组向量输入经过训练的SVM分类器，根据分类结果即可判断变压器绕组的故障状态。

取该变压器其中一组振动数据，计算其标量振动中心的横坐标与纵坐标、振动分布矢量和轨迹的离心率和主轴倾斜角，组成的样本向量为：[0.9906 156.87 -1.44 -0.10]，经过归一化与核函数映射，其在特征空间中的判定值为-0.9273，即在特征空间中位于超平面ω^Tx+b＝0以下，因此判定为故障变压器，结论与实际检测结果符合。

为了验证上述振动分布特征在表征变压器机械结构故障尤其是绕组故障时的有效性及准确性，以下我们通过实验对比变压器在绕组故障前后其振动分布特征并分析其量化参数的差异性。另外，为了排除其他变量对变压器振动分布特征的影响，验证实验的数据均采自同一台实验变压器，且所有测点位置均保持不变。

实验对象为一台型号SZ9-50000/110的110kV三相变压器，在本次实验中分别于该变压器上模拟了电力变压器绕组常见的两种故障：压紧力松动和绕组变形，并分别采集故障前后变压器油箱壁所有测点的振动波形进行进一步的特征提取与分析。

图6中绘制了在不同绕组压紧力松动状态下随着负载增大的100Hz基频标量振动中心变化的轨迹，可以看出在绕组压紧力松动的情况下，振动幅值在变压器油箱表面的分布情况有了较大变化，其标量振动中心在垂直方向上有明显波动，整体幅值向油箱底部偏移，即底部振动幅值加剧。

图7(a)和图7(b)分别绘制了A相绕组发生绕组压紧力松动前后在不同负载条件下的振动分布矢量和轨迹，从中不难发现，在正常状态下振动分布矢量和轨迹的长、短轴长度等部分形态特征会随负载变化而变换，但如长轴方向、离心率等几乎保持不变；而在绕组发生松动后，振动分布矢量和轨迹曲线形态特征如长轴方向、离心率等也会随负载变化呈现出明显的改变。

为了进一步研究绕组变形如何影响振动分布特征，实验中对变压器绕组进行了多次短路冲击，使其A相绕组出现了明显的径向鼓包变形，图8(a)和图8(b)分别绘制了绕组在不同状态下振动分布矢量和轨迹的离心率和主轴倾斜角随着负载变化而变化的曲线，结果可以看出，当绕组发生故障时振动分布特征包括标量振动中心及振动分布矢量和轨迹均有显著的改变，能够反映出绕组机械机构状态的变化。另外，两类故障模式对振动分布特征的影响也存在明显的差异，足以证明本发明提出的振动分布特征包含了绕组故障的信息，可以作为绕组故障检测与诊断的依据。

为了进一步说明上述振动分布特征的有效性与先进性，我们以振动分布矢量和轨迹的主轴倾斜角为例，分析在绕组压紧力松动和绕组变形这两类故障下振动分布矢量和轨迹主轴倾斜角的变化情况，并将其与传统特征量进行对比。

结合图8(b)可以明显地看出，当绕组出现故障时，主轴倾斜角数值出现明显变化，且在不同负载下在一定范围内波动，我们可通过该主轴倾斜角数值明确地区分出绕组的正常状态与故障状态；另外，当负载电流大于10％时，可直接通过主轴倾斜角区分松动故障与变形故障两种故障模式。因此可知，振动分布特征可有效辨识出绕组机械结构变化，且对机械结构变化敏感，对进一步故障模式识别也具有一定程度的参考意义。

本验证例选取了基于多尺度熵(MSE)的振动特征量作为参考特征作为对比，多尺度熵根据时间序列在不同尺度上的复杂性程度提供了一种表征信号特征的无量纲指标。多尺度熵包含3个参数τ、m和r，其中τ为尺度因子，m为嵌入维数，r为阈值也称相似系数；MSE的表达式为：

MSE＝-ln(C^τ，m+1(r)/C^τ，m(r)) (10)

其中：{d[Y^τ(i)，Y^τ(j)]}表示的是分别在起始点i，j处根据尺度变化由原始时间序列得到的m维度矢量之间的距离，这里取尺度因子τ＝6，维数为m＝3，r选为时间序列标准差的0.15倍。

图9为当变压器绕组在两种故障模式下、不同负载条件下的多尺度熵特征值；从图中可以看出，当绕组发生变形且负载电流在40％以上时，多尺度熵值相对于正常情况下出现明显变化，从而能区分出正常变压器与故障变压器；而在绕组出现压紧力松动或出现变形但负载较小时，却无法通过多尺度熵分辨变压器绕组是否出现故障。因此，可以认为该多尺度熵对于绕组轻微故障的情况不够敏感，并不能很好的适用于区分正常变压器和绕组故障变压器。综上可以看出，本发明提出的变压器振动分布特征能够有效区分正常变压器和绕组压紧力松动、绕组变形等故障变压器，相对于部分基于时域振动平稳性的传统变压器振动特征提取方法具有明显的优势。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims

1.一种基于振动分布特征模型的电力变压器绕组故障诊断方法，包括如下步骤：

2.根据权利要求1所述的电力变压器绕组故障诊断方法，其特征在于：所述步骤(1)中各测点的振动信号通过振动传感器以一定的采样频率和时长采集得到，每个测点对应设置一个振动传感器。

3.根据权利要求1所述的电力变压器绕组故障诊断方法，其特征在于：所述步骤(2)中通过以下公式计算标量振动中心的坐标：

4.根据权利要求1所述的电力变压器绕组故障诊断方法，其特征在于：所述步骤(2)中振动分布矢量和轨迹离心率和主轴倾斜角的计算获取方法为：首先通过以下公式拟合出振动分布矢量和轨迹，由于振动特性该轨迹为椭圆，确定轨迹后即可直接计算获取该椭圆的离心率和主轴倾斜角；

其中：x(t)和y(t)分别为t时刻振动重心在油箱表面坐标系中的横坐标和纵坐标，x_i和y_i分别为第i个测点在油箱表面坐标系中的横坐标和纵坐标，vi(t)为t时刻第i个测点的振动信号幅值，N为测点数量。

5.根据权利要求3或4所述的电力变压器绕组故障诊断方法，其特征在于：所述油箱表面坐标系即以布置测点一侧的油箱表面为XOY平面，以该油箱表面几何中心为原点建立的平面坐标系。

6.根据权利要求1所述的电力变压器绕组故障诊断方法，其特征在于：所述步骤(3)中的机器学习分类器采用支持向量机。