CN117347916A - 一种基于参数辨识的绕组结构故障定位方法及装置 - Google Patents
一种基于参数辨识的绕组结构故障定位方法及装置 Download PDFInfo
- Publication number
- CN117347916A CN117347916A CN202311241062.7A CN202311241062A CN117347916A CN 117347916 A CN117347916 A CN 117347916A CN 202311241062 A CN202311241062 A CN 202311241062A CN 117347916 A CN117347916 A CN 117347916A
- Authority
- CN
- China
- Prior art keywords
- frequency response
- parameters
- different states
- response data
- whale
- 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
- 238000004804 winding Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000004044 response Effects 0.000 claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000003745 diagnosis Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 241000283153 Cetacea Species 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 58
- 238000005457 optimization Methods 0.000 claims description 22
- 230000008878 coupling Effects 0.000 claims description 18
- 238000010168 coupling process Methods 0.000 claims description 18
- 238000005859 coupling reaction Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 5
- 241000282461 Canis lupus Species 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000006073 displacement reaction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于参数辨识的绕组结构故障定位方法及装置。其中，方法包括：获取不同状态下变压器绕组的实测频响数据；构建变压器绕组的梯形网络结构，并通过施加不同状态的边界条件，确定不同状态下梯形网络结构中元件的初始参数；利用梯形等效网络的电压电流关系，确定变压器绕组单元每个元件的单元参数与频率响应数据的关联关系；根据不同状态下实测频响数据构建目标函数，采用参数识别算法，根据不同状态下的初始参数、目标函数以及单元参数与频率响应数据的关联关系，识别不同状态下梯形网络结构元件的最优参数；根据不同状态下梯形网络结构元件的最优参数以及变压器绕组的正常参数，确定变压器绕组的故障类型、位置和程度的诊断。
Description
技术领域
本发明涉及电力变压器绕组变形检测技术领域，并且更具体地，涉及一种基于参数辨识的绕组结构故障定位方法及装置。
背景技术
电力变压器是电力***中的关键设备，起到电能变换、换相、隔离和降噪等作用。它的运行状态关系到电网电能是否正常传输和有效分配，变压器一旦发生故障将会导致大面积停电，影响人民的正常生活，带来巨大经济损失。研究表明，在电力变压器发生的众多故障数据中，由于绕组变形所引起的事故最为常见，而绕组变形主要源于两方面因素：一方面，电力变压器在运输过程中容易受到外力碰撞而导致其内部出现如绕组局部内凹、局部鼓包等故障隐患，从而在投入运行后不久由于隐患不断加剧致使其退出运行；另一方面，电力变压器在持续运行过程中，由于短路电流冲击、过电压、匝间绝缘纸的磨损等各种因素的影响，其绕组势必会出现不同程度、不同类型的变形。绕组变形缺陷在早期一般不会造成重大事故的发生，但是因此产生的绝缘缺陷会随着变压器的持续运行而日益扩大，最终可能会造成变压器停运等严重后果。如何有效、准确地检测和诊断变压器绕组变形状态就成了变压器故障的关键问题。
目前，针对于变压器故障检测的方法主要有：频率响应法、短路阻抗法和扫频阻抗法等，其中频率响应法作为目前常用的变压器故障检测方法，具有测试灵敏度高、设备简单易携，以及绕组变形判据较为完善等优点，然而频响法进行故障诊断时，常依赖于工作人员的现场经验判断，容易造成变压器绕组的误判。如何从已有的频率响应数据中提取出反映绕组真实变形状态的有用信息则是进行变压器绕组变形精确、定量诊断方法研究的关键和难点。因此,急需一种能够准确、高效地判断变压器绕组变形状态的变压器绕组诊断方法。
发明内容
针对现有技术的不足，本发明提供一种基于参数辨识的绕组结构故障定位方法及装置。
根据本发明的一个方面，提供了一种基于参数辨识的绕组结构故障定位方法，包括：
获取不同状态下变压器绕组的实测频响数据，不同状态包括变压器的正常状态和故障状态；
构建变压器绕组的梯形网络结构，并通过施加不同状态的边界条件，确定不同状态下梯形网络结构中元件的初始参数；
利用梯形等效网络的电压电流关系，确定变压器绕组单元每个元件的单元参数与频率响应数据的关联关系；
根据不同状态下实测频响数据构建目标函数，采用参数识别算法，根据不同状态下的初始参数、目标函数以及单元参数与频率响应数据的关联关系，识别不同状态下梯形网络结构元件的最优参数；
根据不同状态下梯形网络结构元件的最优参数以及变压器绕组的正常参数，确定变压器绕组的故障类型、位置和程度的诊断。
可选地，梯形网络结构由高压侧电路模型、低压侧电路模型组成，高压侧电路模型/低压侧电路模型的节点与节点之间支路由串联形式的饼间电感、电阻及并联形式的饼间电容、电导所组成，高压侧电路模型/低压侧电路模型节点与地之间支路由并联的对地电导和对地电容组成，高压侧电路模型、低压侧电路模型之间通过耦合支路进行连接，耦合支路连接高压侧电路模型节点与低压侧电路模型节点，耦合支路包括并联的耦合电容和耦合电导。
可选地，边界条件为高压绕组1A电流，低压绕组0V电压。
可选地，利用梯形等效网络的电压电流关系，确定变压器绕组单元每个元件的单元参数与频率响应数据的关联关系，包括：
利用基尔霍夫电压电流定律对梯形等效网络的各节点和各支路构建方程组；
根据构建的方程组，确定变压器绕组单元每个元件的单元参数与频率响应数据的关联关系。
可选地，构建的方程组包括：
2n个阻抗支路列写KVL方程：
2n+2个节点列写KCL方程：
式中，n为梯形等效网络的截面数，Im为编号m的电感电阻支路的电流；Um为编号m的节点上的电压；Ggm为编号m的节点与地之间的电导；Cgm为编号m的节点与地之间的电容；Gp,q为编号p的节点与编号q的节点之间的电导；Cp,q为编号p的节点与编号q的节点之间的电容。
可选地，变压器绕组单元每个元件的单元参数与频率响应数据的关联关系为：
式中，X(1)为绕组端部施加的电压的频域值；X1(n)为模型中编号n的节点的电压频域值；H为编号n的节点电压相对于端部电压的频率响应。
可选地，根据不同状态下实测频响数据以及单元参数与频率响应数据的关联关系构建目标函数，采用参数识别算法，根据不同状态下的初始参数以及目标函数，识别不同状态下梯形网络结构元件的最优参数，包括：
步骤1：根据不同状态下实测频响数据以及仿真得到的仿真频响数据构建目标函数，设置灰狼优化算法终止的分类错误率λ；
步骤2：初始化鲸群，设置鲸群大小为N，并在可行域内初始化鲸群位置，并根据初始化鲸群位置以及单元参数与频率响应数据的关联关系得到仿真频响数据，鲸鱼的位置为梯形等效网络的元件参数组成的向量；
步骤3：根据目标函数计算步骤2随机产生的鲸鱼的目标函数值，并记录目标函数值最小的鲸鱼所在位置Xbest；
步骤4：判断鲸鱼所在位置Xbest的目标函数值是否小于λ，若不满足，定义迭代次数t＝1，对根据预先设定的更新公式对鲸鱼进行位置更新，并对更新位置后的鲸鱼进行越界调整，并重新计算鲸鱼的目标函数值，并记录更新后的目标函数值最小的鲸鱼所在位置Xbest。
步骤5：判断步骤4中更新得到的Xbest的目标函数值是否小于λ，若不满足，令t＝t+1，重复步骤4的鲸鱼位置更新，直到更新后的鲸鱼所在位置Xbest的目标函数值小于λ，将最后一次迭代获得的Xbest作为最优位置，并将其转化为梯形等效网络中的7n+3个元件的最优参数。
可选地，目标函数为：
式中，k为频响数据幅频曲线的谐振点个数，m为频响数据相频曲线的谐振点个数，Hi为幅频曲线谐振点中第i个频点的幅值，Hp为相频曲线谐振点中第p个频点的幅值，(Hi)实测为实测频响数据，(Hi)仿真为仿真频响数据。
可选地，更新公式如式所示。
式中，三个表达式分别对应着鲸鱼进行搜索猎物、包围猎物和狩猎三种行为，其中Xrand为随机选择的鲸鱼位置，A＝2ar1-a,C＝2r1,a的值从2到0线性递减，r1是一个[0,1]的随机数，D＝|C×Xbest(t)-X(t)|，D'＝|Xbest(t)-X(t)|，b是一个常数，用来定义螺线的形状，l是(-1,1)中的随机数，p为一个[0,1]的随机数，鲸鱼的三种行为通过系数A和p来选择。
根据本发明的另一个方面，提供了一种基于参数辨识的绕组结构故障定位装置，包括：
获取模块，用于获取不同状态下变压器绕组的实测频响数据，不同状态包括变压器的正常状态和故障状态；
构建模块，用于构建变压器绕组的梯形网络结构，并通过施加不同状态的边界条件，确定不同状态下梯形网络结构中元件的初始参数；
第一确定模块，用于利用梯形等效网络的电压电流关系，确定变压器绕组单元每个元件的单元参数与频率响应数据的关联关系；
识别模块，用于根据不同状态下实测频响数据构建目标函数，采用参数识别算法，根据不同状态下的初始参数、目标函数以及单元参数与频率响应数据的关联关系，识别不同状态下梯形网络结构元件的最优参数；
第二确定模块，用于根据不同状态下梯形网络结构元件的最优参数以及变压器绕组的正常参数，确定变压器绕组的故障类型、位置和程度的诊断。
根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。
从而，从而，本发明提供一种基于参数辨识的绕组结构故障定位方法，构建变压器的等效网络模型，引入COMSOL有限元建模，结合参数识别算法，选择合适的目标函数，确定变压器正常情况下的网络单元参数。在此基础上，通过与正常参数对比，引入数学指标，对变压器绕组的状态进行判断，实现通过改鲸鱼优化算法对变压器绕组参数辨识和故障诊断。通过对比变压器的等效网络参数来实现故障的诊断，将正常状态的变压器等效的梯形等效网络作为基准，与故障的等效网络参数进行对比，由于不同的故障类型会影响该单元的不同参数，故可以通过故障状态下该单元参数与正常单元参数进行对比，实现故障类型和故障位置的诊断，且通过比较与正常参数值的差异，实现对故障程度的判断。本发明不依赖于现场人员的经验判断，仅通过参数间差异和差异程度来实现变压器绕组的故障诊断，有效地减小了误判的概率。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的基于参数辨识的绕组结构故障定位方法的流程示意图；
图2是本发明一示例性实施例提供的基于参数辨识的绕组结构故障定位方法的另一流程示意图；
图3是本发明一示例性实施例提供的变压器A相绕组频率响应法测试接线图；
图4是本发明一示例性实施例提供的变压器梯形等效网络图；
图5是本发明一示例性实施例提供的GA算法和WOA算法迭代对比图；
图6是本发明一示例性实施例提供的基于参数辨识的绕组结构故障定位装置的结构示意图；
图7是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机***、服务器等电子设备，其可与众多其它通用或专用计算***环境或配置一起操作。适于与终端设备、计算机***、服务器等电子设备一起使用的众所周知的终端设备、计算***、环境和/或配置的例子包括但不限于：个人计算机***、服务器计算机***、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的***、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机***﹑大型计算机***和包括上述任何***的分布式云计算技术环境，等等。
终端设备、计算机***、服务器等电子设备可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机***/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算***存储介质上。
示例性方法
图1是本发明一示例性实施例提供的基于参数辨识的绕组结构故障定位方法的流程示意图。本实施例可应用在电子设备上，如图1所示，基于参数辨识的绕组结构故障定位方法100包括以下步骤：
步骤101，获取不同状态下变压器绕组的实测频响数据，不同状态包括变压器的正常状态和故障状态；
步骤102，构建变压器绕组的梯形网络结构，并通过施加不同状态的边界条件，确定不同状态下梯形网络结构中元件的初始参数；
步骤103，利用梯形等效网络的电压电流关系，确定变压器绕组单元每个元件的单元参数与频率响应数据的关联关系；
步骤104，根据不同状态下实测频响数据构建目标函数，采用参数识别算法，根据不同状态下的初始参数、目标函数以及单元参数与频率响应数据的关联关系，识别不同状态下梯形网络结构元件的最优参数；
步骤105，根据不同状态下梯形网络结构元件的最优参数以及变压器绕组的正常参数，确定变压器绕组的故障类型、位置和程度的诊断。
具体地，现有技术的变压器绕组故障诊断方法无法真实准确反映变压器绕组的真实状态。本申请为避免上述问题，提出的基于参数辨识的变压器绕组故障定位方法的具体流程(见图2)如下：
步骤1、将频率响应测试仪与三相变压器连接，获得变压器绕组的实测频响数据，测试接线图如图3所示。将变压器等效为由电感、电容和电阻构成的梯形等效网络，如图4所示。该网络由高、低压侧组成，高/低压侧均由饼间电感Li、饼间电容Ci,j、饼间电导Gi,j、电阻Ri、对地电导Ggi和对地电容Cgi组成，高低压侧之间通过耦合支路进行连接,耦合支路包括耦合电容Ci,i+1+n和耦合电导Gi,i+1+n。其中，n为该等效网络的截面数。本发明通过COMSOL软件对三相变压器绕组进行建模，通过施加边界条件：高压绕组1A电流，低压绕组0V电压用以等效实体电力变压器低压侧绕组短路情况，进而可以求得变压器绕组的漏电抗。获得变压器的高低压等效参数，通过截面数和网络单元的串并联关系来确定参数的定义域。这样会保证等效网络参数与实际变压器更贴切。
步骤2、利用梯形等效网络的电压电流关系得到单元每个元件与频响数据的关系，并通过MATLAB编程实现该过程。根据图4所示，设置阻抗支路的电流流向为低节点流向高节点，对地支路电流方向为流出该节点的方向。利用基尔霍夫电压电流定律可对各节点和支路列写方程。具体如下：
分别针对2n个阻抗支路列写KVL方程，如式(1)所示，针对2n+2个节点列写KCL方程，如式(2)所示。将所列方程整理可得：
其中，U＝[U1,U2…U2n+2]T，I＝[I1,I2…I2n]T。T和T1分别为包含0和1的电压转换矩阵和电流转换矩阵，通过式(3)计算等效网络的电压和电流。
X为等效网络各个节点的电压和阻抗支路的电流，由于频率响应法需要在首端加载电压，本实施例设置电压值为1V,即X(1)＝1,可以计算剩余的节点电压和阻抗支路电流。
其中，X1为剩余需要计算的节点电压和阻抗支路电流，通过式(5)可得到频响曲线所需的高压侧末端电压值，N1由M矩阵删除第一行和第一列后可得。最终获得的频率响应公式如下：
X为等效网络各个节点的电压和阻抗支路的电流，它是一个向量。该向量的第一个元素为首端节点的电压。本实施例中，设置这个首端节点电压为1V，即它是已知的。剩余的X第二个元素至最末的元素，均为未知的待求解量，将X第二个元素至最末的元素设置为一个新的向量以便于表示和求解，这个新的向量为X1。所以X1相比X，只是少了X第一个元素其他均相同的向量。
步骤2利用等效网络的KCL和KVL定律，确定了梯形等效网络的单元参数与频率响应数据的关系，该过程通过MATLAB编程来实现。
步骤3、引入参数识别算法寻找可行域内最吻合实测频响数据的等效网络参数，获得符合实际变压器的梯形等效网络。本发明使用鲸鱼优化算法来实现该过程。鲸鱼优化算法(Whale Optimization Algorithm,WOA)通过鲸鱼群体搜索、包围和狩猎等过程实现优化搜索的目的。考虑到算法的识别效率，本发明搭建的梯形等效网络中忽略了各支路电导，确定了该等效网络的截面数为7，即等效网络中存在52个元件，故每头鲸鱼代表着一个52×1的矩阵，即X＝[x1,x2…x52]。
步骤301、将步骤1测得的变压器频响数据与仿真获得的参数的频响数据构建鲸鱼优化算法的目标函数，由于频率响应法的扫描频率设置为1K-1MHz，在全频段构建目标函数影响鲸鱼优化算法的识别效率，该优化算法基于频响数据幅频信息的谐振点和相频信息的谐振点来构建目标函数(见式(7))。λ设置为灰狼优化算法终止的分类错误率，设置为5e-5。
式中，k为频响数据幅频曲线的谐振点个数，m为频响数据相频曲线的谐振点个数。
Hi为幅频曲线谐振点中第i个频点的幅值，Hp为相频曲线谐振点中第p个频点的幅值.
步骤302、初始化鲸群，设置鲸群大小为50，并在可行域内初始化鲸群位置，鲸鱼的位置为梯形等效网络的元件参数组成的向量。
步骤303、计算上述随机产生的鲸鱼的目标函数值，并记录目标函数值最小的鲸鱼所在位置，定义为Xbest。
步骤304、判断Xbest的目标函数值是否小于λ，若不满足，定义迭代次数t＝1，对鲸鱼进行位置更新，更新公式如式所示。
式中，三个表达式分别对应着鲸鱼进行搜索猎物、包围猎物和狩猎三种行为，其中Xrand为随机选择的鲸鱼位置，A＝2ar1-a,C＝2r1,a的值从2到0线性递减，r1是一个[0,1]的随机数。D＝|C×Xbest(t)-X(t)|，D'＝|Xbest(t)-X(t)|，b是一个常数，用来定义螺线的形状，l是(-1,1)中的随机数。p为一个[0,1]的随机数，鲸鱼的三种行为通过系数A和p来选择。设定p＝0.5。当p小于0.5，|A|≥1,鲸鱼进行搜索猎物；当p小于0.5，|A|＜1时，鲸鱼进行包围猎物；当p大于0.5时，鲸鱼进行狩猎。
对更新位置后的鲸鱼进行越界调整，并重新计算鲸鱼的目标函数值。并将位置更新后的目标函数值最小的鲸鱼所在位置设置为Xbest。
步骤305、判断步骤304中更新得到的Xbest的目标函数值是否小于λ，若不满足，令t＝t+1，重复步骤304的鲸鱼位置更新，直到更新后的Xbest的目标函数值小于λ，将最后一次迭代获得的Xbest作为最优位置，并将其转化为梯形等效网络中的52个元件参数，最终获得了该实际变压器绕组的梯形等效网络。为了减小计算量，设置等效网络的每个单元的参数相同，得到的A相绕组正常的梯形等效网络参数如表1所示。
表1 A相绕组正常梯形等效网络参数
本实施例将变压器的实际参数与通过参数辨识得到的仿真参数进行了对比，通过引入误差值来比较两者差异，误差计算公式如式所示。由表1可得，通过该方法得到的变压器等效网络参数与实际参数高度吻合，误差值最大也仅有1.64％，且通过鲸鱼优化算法进行参数辨识的最优解为2.591e-05，识别时间为121min。高识别精度和低识别时间证明了该方法能够进行网络的等效和进行故障的诊断。
此外，为了证明该方法的精度和效率优于其他优化算法，本实施例通过将基于鲸鱼优化算法的参数辨识方法与基于遗传算法的参数辨识方法进行对比，通过误差、识别时间和迭代图来证明基于鲸鱼优化算法的参数辨识方法具有更好的精度和效率。通过遗传算法获得的仿真参数及其误差见表2。
表2 A相绕组正常梯形等效网络参数(基于遗传算法)
表2为基于遗传算法的参数辨识方法所获得的仿真参数与实际参数的对比，通过误差值可知，该算法所获得仿真参数与实际参数差异较大，误差值最大可达到10.22％，对高压饼间电容、高压对地电容、低压饼间电容和低压对地电容的识别效果最差。与表1相比，基于鲸鱼算法的参数识别方法的误差不超过2％，而基于遗传算法的参数识别方法误差大部分都超过2％，参数识别效果差，容易造成对变压器绕组状态的误判。因此，基于鲸鱼优化算法的识别效果较好。
基于遗传算法的参数辨识方法迭代图与基于鲸鱼优化算法的参数辨识迭代图如图5所示，该迭代图证明了与遗传算法相比，鲸鱼优化算法的迭代速度更快，且找到的最优解效果也优于遗传算法。通过遗传算法进行参数辨识的最优解为0.0252，识别时间为49min。从识别效率来说，遗传算法的识别时间更快，但是其识别的精度较低。而鲸鱼优化算法的识别时间较长，是遗传算法识别时间的2倍，但是其识别精度却优于遗传算法的识别效果，其找到的最优解优于遗传算法的最优解。由于较低的识别精度会导致进行参数辨识时故障诊断的误判，而基于鲸鱼优化算法识别时间虽差于遗传算法，但其识别精度却优于遗传算法的识别精度。因此基于鲸鱼优化算法的参数辨识方法更具有故障诊断的优势。
利用上述方法获得变压器不同状态下的实测频响数据，针对于变压器绕组正常、匝间短路故障、轴向位移和径向位移分别进行故障的模拟，并获得不同状态下的梯形等效网络，利用不同状态下获得的单元参数来实现对变压器绕组故障类型、位置和程度的诊断。表3为针对于变压器绕组进行混合故障后的变压器等效网络参数与正常参数差异较明显的单元参数。
表3 A相绕组混合故障下的主要梯形等效网络参数对比
通过不同状态的等效网络参数与正常梯形等效网络的参数进行对比，不同的绕组故障会影响单元内的不同参数，通过比较饼间电感、饼间电容、电阻和对地电容的参数值与正常参数是否差异过大，实现故障类型的判断。故障程度的判断主要通过对比饼间电感、饼间电容、电阻和对地电容的参数值与正常参数的差异程度，若参数之间差异在3％-10％以内则为轻度故障，10％-25％之间为明显故障，若差异超过25％则为严重故障。故障位置的诊断通过正常等效网络与不同状态的等效网络单元对比，利用存在参数差异的单元来实现故障定位，本发明针对于三相变压器绕组进行了多种故障的模拟，获得了混合故障下的变压器绕组的等效网络参数。通过与实际参数进行对比，选择了误差比较大的元件参数来进行故障分析，如表3所示。由于轴向位移主要影响饼间电容的参数，可以看出第1个单元、第2单元和第7个单元的饼间电容与正常参数相比都降低，其误差率分别为21.9％、4.96％和12.28％。由此可以看出该A相绕组的上部绕组发生了严重的轴向位移，绕组的下部发生了比较明显的轴向位移；同理，径向位移往往会影响对地电容的参数，第1个单元的对地电容参数与正常参数相比误差值达到了13.67％和12.44％，证明该绕组的上部发生了明显的径向位移；最后，表3显示该等效网络的第5个单元和第6个单元的电感量均减小，与正常值的误差达到7.04％和3.44％，证明了该绕组的中下部发生了轻度匝间短路故障。通过该实施例证明了基于参数辨识的变压器绕组故障定位与诊断方法具有较高的可行性。
本申请主要围绕变压器等效网络模型的建立、等效网络的单元参数辨识、和基于网络参数进行故障诊断开展研究。构建变压器的等效网络模型，引入COMSOL有限元建模，结合参数识别算法，选择合适的目标函数，确定变压器正常情况下的网络单元参数。在此基础上，通过与正常参数对比，引入数学指标，对变压器绕组的状态进行判断，实现通过改鲸鱼优化算法对变压器绕组参数辨识和故障诊断。
从而，本发明提供一种基于参数辨识的绕组结构故障定位方法，通过将实体变压器等效为由电感、电阻和电容组成的梯形等效网络，该网络包含2n个单元，利用网络的KCL和KVL定律获得网络的单元参数与频响曲线的数学关系，并通过MATLAB编程实现上述过程。基于实测频响数据和MATLAB编程获得的频响数据构建目标函数，引入智能优化算法获得最符合实测频响数据的等效网络单元参数，最终实现了变压器的参数辨识。该发明通过测量不同状态下变压器的实测频响数据，通过参数辨识得到不同状态下的等效网络参数。该发明主要通过对比变压器的等效网络参数来实现故障的诊断，将正常状态的变压器等效的梯形等效网络作为基准，与故障的等效网络参数进行对比，由于不同的故障类型会影响该单元的不同参数，故可以通过故障状态下该单元参数与正常单元参数进行对比，实现故障类型和故障位置的诊断，且通过比较与正常参数值的差异，实现对故障程度的判断。本发明不依赖于现场人员的经验判断，仅通过参数间差异和差异程度来实现变压器绕组的故障诊断，有效地减小了误判的概率。
示例性装置
图6是本发明一示例性实施例提供的基于参数辨识的绕组结构故障定位装置的结构示意图。如图6所示，装置600包括：
获取模块610，用于获取不同状态下变压器绕组的实测频响数据，不同状态包括变压器的正常状态和故障状态；
构建模块620，用于构建变压器绕组的梯形网络结构，并通过施加不同状态的边界条件，确定不同状态下梯形网络结构中元件的初始参数；
第一确定模块630，用于利用梯形等效网络的电压电流关系，确定变压器绕组单元每个元件的单元参数与频率响应数据的关联关系；
识别模块640，用于根据不同状态下实测频响数据构建目标函数，采用参数识别算法，根据不同状态下的初始参数、目标函数以及单元参数与频率响应数据的关联关系，识别不同状态下梯形网络结构元件的最优参数；
第二确定模块650，用于根据不同状态下梯形网络结构元件的最优参数以及变压器绕组的正常参数，确定变压器绕组的故障类型、位置和程度的诊断。
可选地，梯形网络结构由高压侧电路模型、低压侧电路模型组成，高压侧电路模型/低压侧电路模型的节点与节点之间支路由串联形式的饼间电感、电阻及并联形式的饼间电容、电导所组成，高压侧电路模型/低压侧电路模型节点与地之间支路由并联的对地电导和对地电容组成，高压侧电路模型、低压侧电路模型之间通过耦合支路进行连接，耦合支路连接高压侧电路模型节点与低压侧电路模型节点，耦合支路包括并联的耦合电容和耦合电导。
可选地，边界条件为高压绕组1A电流，低压绕组0V电压。
可选地，第一确定模块630，包括：
构建子模块，用于利用基尔霍夫电压电流定律对梯形等效网络的各节点和各支路构建方程组；
确定子模块，用于根据构建的方程组，确定变压器绕组单元每个元件的单元参数与频率响应数据的关联关系。
可选地，构建的方程组包括：
2n个阻抗支路列写KVL方程：
2n+2个节点列写KCL方程：
式中，n为梯形等效网络的截面数，Im为编号m的电感电阻支路的电流；Um为编号m的节点上的电压；Ggm为编号m的节点与地之间的电导；Cgm为编号m的节点与地之间的电容；Gp,q为编号p的节点与编号q的节点之间的电导；Cp,q为编号p的节点与编号q的节点之间的电容。
可选地，变压器绕组单元每个元件的单元参数与频率响应数据的关联关系为：
式中，X(1)为绕组端部施加的电压的频域值；X1(n)为模型中编号n的节点的电压频域值；H为编号n的节点电压相对于端部电压的频率响应。
可选地，识别模块640，包括：
步骤1：根据不同状态下实测频响数据以及仿真得到的仿真频响数据构建目标函数，设置灰狼优化算法终止的分类错误率λ；
步骤2：初始化鲸群，设置鲸群大小为N，并在可行域内初始化鲸群位置，并根据初始化鲸群位置以及单元参数与频率响应数据的关联关系得到仿真频响数据，鲸鱼的位置为梯形等效网络的元件参数组成的向量；
步骤3：根据目标函数计算步骤2随机产生的鲸鱼的目标函数值，并记录目标函数值最小的鲸鱼所在位置Xbest；
步骤4：判断鲸鱼所在位置Xbest的目标函数值是否小于λ，若不满足，定义迭代次数t＝1，对根据预先设定的更新公式对鲸鱼进行位置更新，并对更新位置后的鲸鱼进行越界调整，并重新计算鲸鱼的目标函数值，并记录更新后的目标函数值最小的鲸鱼所在位置Xbest。
步骤5：判断步骤4中更新得到的Xbest的目标函数值是否小于λ，若不满足，令t＝t+1，重复步骤4的鲸鱼位置更新，直到更新后的鲸鱼所在位置Xbest的目标函数值小于λ，将最后一次迭代获得的Xbest作为最优位置，并将其转化为梯形等效网络中的7n+3个元件的最优参数。
可选地，目标函数为：
/>
式中，k为频响数据幅频曲线的谐振点个数，m为频响数据相频曲线的谐振点个数，Hi为幅频曲线谐振点中第i个频点的幅值，Hp为相频曲线谐振点中第p个频点的幅值，(Hi)实测为实测频响数据，(Hi)仿真为仿真频响数据。
可选地，更新公式如式所示。
式中，三个表达式分别对应着鲸鱼进行搜索猎物、包围猎物和狩猎三种行为，其中Xrand为随机选择的鲸鱼位置，A＝2ar1-a,C＝2r1,a的值从2到0线性递减，r1是一个[0,1]的随机数，D＝|C×Xbest(t)-X(t)|，D'＝|Xbest(t)-X(t)|，b是一个常数，用来定义螺线的形状，l是(-1,1)中的随机数，p为一个[0,1]的随机数，鲸鱼的三种行为通过系数A和p来选择。
示例性电子设备
图7是本发明一示例性实施例提供的电子设备的结构。如图7所示，电子设备70包括一个或多个处理器71和存储器72。
处理器71可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器72可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器71可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置73和输出装置74，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
此外，该输入装置73还可以包括例如键盘、鼠标等等。
该输出装置74可以向外部输出各种信息。该输出装置74可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、***或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于***实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、***、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、***、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本发明的方法和***。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和***。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的***、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (12)
1.一种基于参数辨识的绕组结构故障定位方法，其特征在于，包括：
获取不同状态下变压器绕组的实测频响数据，所述不同状态包括所述变压器的正常状态和故障状态；
构建所述变压器绕组的梯形网络结构，并通过施加不同状态的边界条件，确定不同状态下所述梯形网络结构中元件的初始参数；
利用所述梯形等效网络的电压电流关系，确定所述变压器绕组单元每个元件的单元参数与频率响应数据的关联关系；
根据不同状态下所述实测频响数据构建目标函数，采用参数识别算法，根据不同状态下的所述初始参数、目标函数以及所述单元参数与频率响应数据的关联关系，识别不同状态下所述梯形网络结构元件的最优参数；
根据不同状态下所述梯形网络结构元件的最优参数以及所述变压器绕组的正常参数，确定所述变压器绕组的故障类型、位置和程度的诊断。
2.根据权利要求1所述的方法，其特征在于，所述梯形网络结构由高压侧电路模型、低压侧电路模型组成，所述高压侧电路模型/低压侧电路模型的节点与节点之间支路由串联形式的饼间电感、电阻及并联形式的饼间电容、电导所组成，所述高压侧电路模型/低压侧电路模型节点与地之间支路由并联的对地电导和对地电容组成，高压侧电路模型、低压侧电路模型之间通过耦合支路进行连接，耦合支路连接所述高压侧电路模型节点与所述低压侧电路模型节点，耦合支路包括并联的耦合电容和耦合电导。
3.根据权利要求1所述的方法，其特征在于，所述边界条件为高压绕组1A电流，低压绕组0V电压。
4.根据权利要求1所述的方法，其特征在于，利用所述梯形等效网络的电压电流关系，确定所述变压器绕组单元每个元件的单元参数与频率响应数据的关联关系，包括：
利用基尔霍夫电压电流定律对所述梯形等效网络的各节点和各支路构建方程组；
根据构建的方程组，确定所述变压器绕组单元每个元件的单元参数与频率响应数据的关联关系。
5.根据权利要求4所述的方法，其特征在于，构建的方程组包括：
2n个阻抗支路列写KVL方程：
2n+2个节点列写KCL方程：
式中，n为梯形等效网络的截面数，Im为编号m的电感电阻支路的电流；Um为编号m的节点上的电压；Ggm为编号m的节点与地之间的电导；Cgm为编号m的节点与地之间的电容；Gp,q为编号p的节点与编号q的节点之间的电导；Cp,q为编号p的节点与编号q的节点之间的电容。
6.根据权利要求1所述的方法，其特征在于，所述变压器绕组单元每个元件的单元参数与频率响应数据的关联关系为：
式中，X(1)为绕组端部施加的电压的频域值；X1(n)为模型中编号n的节点的电压频域值；H为编号n的节点电压相对于端部电压的频率响应。
7.根据权利要求1所述的方法，其特征在于，根据不同状态下所述实测频响数据以及所述单元参数与频率响应数据的关联关系构建目标函数，采用参数识别算法，根据不同状态下的所述初始参数以及目标函数，识别不同状态下所述梯形网络结构元件的最优参数，包括：
步骤1：根据不同状态下所述实测频响数据以及仿真得到的仿真频响数据构建目标函数，设置灰狼优化算法终止的分类错误率λ；
步骤2：初始化鲸群，设置鲸群大小为N，并在可行域内初始化鲸群位置，并根据初始化鲸群位置以及所述单元参数与频率响应数据的关联关系得到仿真频响数据，鲸鱼的位置为梯形等效网络的元件参数组成的向量；
步骤3：根据所述目标函数计算步骤2随机产生的鲸鱼的目标函数值，并记录目标函数值最小的鲸鱼所在位置Xbest；
步骤4：判断鲸鱼所在位置Xbest的目标函数值是否小于λ，若不满足，定义迭代次数t＝1，对根据预先设定的更新公式对鲸鱼进行位置更新，并对更新位置后的鲸鱼进行越界调整，并重新计算鲸鱼的目标函数值，并记录更新后的目标函数值最小的鲸鱼所在位置Xbest。
步骤5：判断步骤4中更新得到的Xbest的目标函数值是否小于λ，若不满足，令t＝t+1，重复步骤4的鲸鱼位置更新，直到更新后的鲸鱼所在位置Xbest的目标函数值小于λ，将最后一次迭代获得的Xbest作为最优位置，并将其转化为梯形等效网络中的7n+3个元件的最优参数。
8.根据权利要求1所述的方法，其特征在于，所述目标函数为：
式中，k为频响数据幅频曲线的谐振点个数，m为频响数据相频曲线的谐振点个数，Hi为幅频曲线谐振点中第i个频点的幅值，Hp为相频曲线谐振点中第p个频点的幅值，(Hi)实测为实测频响数据，(Hi)仿真为仿真频响数据。
9.根据权利要求1所述的方法，其特征在于，所述更新公式如式所示。
式中，三个表达式分别对应着鲸鱼进行搜索猎物、包围猎物和狩猎三种行为，其中Xrand为随机选择的鲸鱼位置，A＝2ar1-a,C＝2r1,a的值从2到0线性递减，r1是一个[0,1]的随机数，D＝|C×Xbest(t)-X(t)|，D'＝|Xbest(t)-X(t)|，b是一个常数，用来定义螺线的形状，l是(-1,1)中的随机数，p为一个[0,1]的随机数，鲸鱼的三种行为通过系数A和p来选择。
10.一种基于参数辨识的绕组结构故障定位装置，其特征在于，包括：
获取模块，用于获取不同状态下变压器绕组的实测频响数据，所述不同状态包括所述变压器的正常状态和故障状态；
构建模块，用于构建所述变压器绕组的梯形网络结构，并通过施加不同状态的边界条件，确定不同状态下所述梯形网络结构中元件的初始参数；
第一确定模块，用于利用所述梯形等效网络的电压电流关系，确定所述变压器绕组单元每个元件的单元参数与频率响应数据的关联关系；
识别模块，用于根据不同状态下所述实测频响数据构建目标函数，采用参数识别算法，根据不同状态下的所述初始参数、目标函数以及所述单元参数与频率响应数据的关联关系，识别不同状态下所述梯形网络结构元件的最优参数；
第二确定模块，用于根据不同状态下所述梯形网络结构元件的最优参数以及所述变压器绕组的正常参数，确定所述变压器绕组的故障类型、位置和程度的诊断。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-9任一所述的方法。
12.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-9任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311241062.7A CN117347916A (zh) | 2023-09-25 | 2023-09-25 | 一种基于参数辨识的绕组结构故障定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311241062.7A CN117347916A (zh) | 2023-09-25 | 2023-09-25 | 一种基于参数辨识的绕组结构故障定位方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117347916A true CN117347916A (zh) | 2024-01-05 |
Family
ID=89358586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311241062.7A Pending CN117347916A (zh) | 2023-09-25 | 2023-09-25 | 一种基于参数辨识的绕组结构故障定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117347916A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117639282A (zh) * | 2024-01-26 | 2024-03-01 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器频域响应处理方法及*** |
-
2023
- 2023-09-25 CN CN202311241062.7A patent/CN117347916A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117639282A (zh) * | 2024-01-26 | 2024-03-01 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器频域响应处理方法及*** |
| CN117639282B (zh) * | 2024-01-26 | 2024-04-19 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器频域响应处理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN117347916A (zh) | 一种基于参数辨识的绕组结构故障定位方法及装置 | |
| WO2021015936A1 (en) | Word-overlap-based clustering cross-modal retrieval | |
| CN113743651A (zh) | 基于机器学习和svm算法的电子式电压互感器误差状态预测方法 | |
| CN115878963B (zh) | 电容式电压互感器计量误差预测方法、***、终端及介质 | |
| Guomin et al. | Deep learning‐based fault location of DC distribution networks | |
| CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
| CN113673630A (zh) | 配电网故障分类方法、***及装置 | |
| CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
| CN116643091A (zh) | 基于多维时序特征的换流变阀侧套管在线绝缘监测方法 | |
| Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
| CN114528883A (zh) | 一种风电变流器igbt故障识别方法 | |
| CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
| CN107463486B (zh) | ***性能分析方法、装置及服务器 | |
| CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
| CN113052249B (zh) | 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 | |
| CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
| CN112580883A (zh) | 一种基于机器学习与神经网络的电力变压器状态预测方法 | |
| CN116184141B (zh) | 一种气体绝缘设备故障诊断方法及*** | |
| CN117892117B (zh) | 一种配电网输电线路故障定位方法及*** | |
| CN116500361A (zh) | 一种基于bto算法的避雷器老化在线监测方法、装置、设备及介质 | |
| CN117368648B (zh) | 配电网单相接地故障检测方法、***、设备和存储介质 | |
| CN117171616A (zh) | 一种基于数据增强的电压互感器故障诊断方法、设备及存储介质 | |
| CN118275818A (zh) | 一种配网输电线路故障检测方法及*** | |
| Maragatham et al. | Predicting the Uncertainty of Data Generated by Power Transformer using Gradient Boosting Decision Tree |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |