CN117538632A - 换流变压器接地故障诊断装置及方法 - Google Patents
换流变压器接地故障诊断装置及方法 Download PDFInfo
- Publication number
- CN117538632A CN117538632A CN202310993020.2A CN202310993020A CN117538632A CN 117538632 A CN117538632 A CN 117538632A CN 202310993020 A CN202310993020 A CN 202310993020A CN 117538632 A CN117538632 A CN 117538632A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- current
- signal
- information
- initial
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims description 26
- 238000005070 sampling Methods 0.000 claims abstract description 105
- 230000003750 conditioning effect Effects 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 17
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000001914 filtration Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010617 multipoint ground Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/02—Measuring effective values, i.e. root-mean-square values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本申请如果一种换流变压器接地故障诊断装置包括：电流互感单元接收换流变压器的初始接地电流信号；信号调理单元对初始接地电流信号进行初始信号调理，获得初始调理信号；采样单元与对初始调理信号进行预设采样处理，获得电流采样数据信息；故障诊断单元对电流采样数据信息进行离散傅里叶变换，并根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息。上述换流变压器接地故障诊断装置中，通过对初始接地电流信号进行信号调理及信号采样处理，提高电流采样数据信息的抗干扰能力及数据精度，其次，将电流采样数据进行傅里叶变换及特征提取，有效提高接地故障诊断的准确度。
Description
技术领域
本申请涉及电子电路技术领域，特别是涉及一种换流变压器接地故障诊断装置及方法。
背景技术
换流变压器在特高压直流输电网中承担着电能输送的重要任务，其运行的可靠性对整个***具有十分重要的意义。换流变压器铁心及夹件单点接地、多点接地下的接地电流将引起设备局部过热。根据实际运行数据表明，在正常情况下，换流变压器的铁心及夹件接地电流只有几毫安～几十毫安，按照国家电网公司企业标准《Q/GDW 11368—2014变压器铁心接地电流带电检测技术现场应用导则》要求，当铁心或夹件接地电流达到300mA的时候，就必须采取相应措施进行处理。
目前，变电站运维人员检测变压器铁心及夹件接地情况的手段主要为：采用钳形电流表对变压器铁心及夹件接地引出线的电流值进行测量，以进行故障类型的诊断。但现有的测量手段无法准确、快速鉴别出换流变压器接地故障的类型。
发明内容
基于此，有必要针对现有技术中换流变压器接地故障诊断精确度低的问题，提供一种换流变压器接地故障诊断装置及方法。
本申请一个实施例提供一种换流变压器接地故障诊断装置，包括：
电流互感单元，用于接收换流变压器的初始接地电流信号；所述初始接地电流信号包括初始铁心电流信号和初始夹件电流信号；
信号调理单元，与所述电流互感单元连接，用于对所述初始接地电流信号进行初始信号调理，获得初始调理信号；
采样单元，与所述信号调理单元连接，用于对所述初始调理信号进行预设采样处理，获得电流采样数据信息；
故障诊断单元，与所述采样单元连接，用于对所述电流采样数据信息进行离散傅里叶变换，并根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息。
在其中一个实施例中，所述故障诊断单元具体用于：
基于预设谐波分析策略，从所述经过离散傅里叶变换的电流采样数据信息中提取目标电流特征信息，作为所述特征提取结果；所述目标电流特征信息包括幅值信息、相位信息及频率信息。
在其中一个实施例中，所述故障诊断单元具体用于：
将所述特征提取结果作为输入信息，输入至预设概率神经网络模型，获得所述特征提取结果对应的目标故障类型信息，作为所述接地故障诊断信息。
在其中一个实施例中，所述电流采样数据信息包括电流有效值；所述故障诊断单元还用于：
在所述电流有效值大于预设电流阈值时，执行所述对所述电流采样数据信息进行离散傅里叶变换的步骤。
在其中一个实施例中，所述故障诊断单元还用于：
在所述电流有效值小于或等于所述预设电流阈值时，确定所述换流变压器不存在接地故障。
在其中一个实施例中，所述故障诊断单元还用于：
基于预设故障诊断信息与风险提示信息的对应关系，确定所述接地故障诊断信息对应的风险提示信息。
在其中一个实施例中，所述装置还包括：
电源单元，分别与所述信号调理单元、所述采样单元和所述故障诊断单元连接，用于提供预设电压；
通讯平台，分别与上位机监测平台和所述故障诊断单元连接相连接，用于实时将所述接地故障诊断信息发送至上位机检测平台。
在其中一个实施例中，所述装置还包括：
时钟单元，与所述故障诊断单元连接，用于为所述故障诊断单元提供运行周期频率信号。
本申请一个实施例提供一种换流变压器接地故障诊断方法，采用上述诊断装置，所述方法包括：
接收换流变压器的初始接地电流信号；所述初始接地电流信号包括初始铁心电流信号和初始夹件电流信号；
对所述初始接地电流信号进行初始信号调理，获得初始调理信号；
用于对所述初始调理信号进行预设采样处理，获得电流采样数据信息；
对所述电流采样数据信息进行离散傅里叶变换，并根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息。
在其中一个实施例中，所述根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息，包括：
基于预设谐波分析策略，从所述经过离散傅里叶变换的电流采样数据信息中提取目标电流特征信息，作为所述特征提取结果；
将所述特征提取结果作为输入信息，输入至预设概率神经网络模型，获得所述特征提取结果对应的目标故障类型信息，作为所述接地故障诊断信息。
上述提供了一种换流变压器接地故障诊断装置包括：电流互感单元、信号调理单元、采样单元和故障诊断单元。所述电流互感单元用于接收换流变压器的初始接地电流信号；所述信号调理单元与所述电流互感单元连接，用于对所述初始接地电流信号进行初始信号调理，获得初始调理信号；所述采样单元与所述信号调理单元连接，用于对所述初始调理信号进行预设采样处理，获得电流采样数据信息；所述故障诊断单元与所述采样单元连接，用于对所述电流采样数据信息进行离散傅里叶变换，并根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息。上述换流变压器接地故障诊断装置中，通过信号调理单元、采样单元对初始接地电流信号进行信号调理及信号采样处理，提高电流采样数据信息的抗干扰能力及数据精度，其次，故障诊断单元将电流采样数据进行傅里叶变换及特征提取，有效提高接地故障诊断的准确度。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的换流变压器接地故障诊断装置的结构示意图；
图2为本申请另一实施例提供的换流变压器接地故障诊断装置的结构示意图；
图3为本申请另一实施例提供的换流变压器接地故障诊断装置的结构示意图；
图4为本申请一实施例提供的换流变压器接地故障诊断方法流程图；
图5为本申请另一实施例提供的换流变压器接地故障诊断方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
请参见图1，本申请实施例提供一种换流变压器接地故障诊断装置包括电流互感单元、信号调理单元、采样单元和故障诊断单元。
其中，电流互感单元用于接收换流变压器的初始接地电流信号；初始接地电流信号包括初始铁心电流信号和初始夹件电流信号；
信号调理单元与电流互感单元连接，用于对初始接地电流信号进行初始信号调理，获得初始调理信号；
采样单元与信号调理单元连接，用于对初始调理信号进行预设采样处理，获得电流采样数据信息；
故障诊断单元与采样单元连接，用于对电流采样数据信息进行离散傅里叶变换，并根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息。
具体的，电流互感单元根据换流变压器的铁心接地电流，得到初始铁心电流信号；电流互感单元还可以通过电流互感器，根据换流变压器的夹件接地电流，得到初始夹件电流信号。需要注意的是，初始铁心电流信号和初始夹件电流信号均为小电流信号，满足后续处理单元对电流阈值的需求。
信号调理单元对初始接地电流信号进行的初始信号调理包括对初始接地电流信号作滤波等处理。通过信号调理单元的处理可以降低初始接地电流信号中的干扰因素，有效提高初始调理信号的抗干扰能力。需要说明的是，初始信号调理的方法包括但不限制滤波处理，可根据实际需求进行选择。
采样单元可以对预设周期的初始调理信号设置预设数目的采样点，从而进行采样处理。需要说明的是，本申请对预设采样处理不作任何限定，可根据实际需求进行选择。
故障诊断单元对离散的电流采样数据信息进行离散傅里叶变换，对离散傅里叶变换的电流采样数据信息进行特征提取，根据获得的包括幅值信息、相位信息以及频率信息的特征提取结果，对换流变压器进行接地故障诊断。
上述换流变压器接地故障诊断装置中，通过信号调理单元、采样单元对初始接地电流信号进行信号调理及信号采样处理，提高电流采样数据信息的抗干扰能力及数据精度，其次，故障诊断单元将电流采样数据进行傅里叶变换及特征提取，有效提高接地故障诊断的准确度。
在本申请的一个实施例中，采样单元为ATT7022E；故障诊断单元为STM32F103。需要说明的是，本申请对采样单元及故障诊断单元的型号不作具体限定，可根据实际需求选择，只需满足可完成对应功能即可。
在本申请的一个实施例中，故障诊断单元具体用于：
基于预设谐波分析策略，从经过离散傅里叶变换的电流采样数据信息中提取目标电流特征信息，作为特征提取结果；目标电流特征信息包括幅值信息、相位信息及频率信息。
具体的，故障诊断单元可以基于谐波分析法，从离散的电流采样数据信息中通过离散傅立叶变换的方法检测出电流采样数据信息的基波成分，包括信号的幅值和相角。除此之外，故障诊断单元还可以使用三角函数的正交性，排除谐波和噪声的干扰，从而尽提高故障诊断单元的诊断精确度。
在本申请的一个实施例中，故障诊断单元具体用于：
将特征提取结果作为输入信息，输入至预设概率神经网络模型，获得特征提取结果对应的目标故障类型信息，作为接地故障诊断信息。
具体的，以特征提取结果作为输入信息，输入至预设概率神经网络模型，得到各故障类型对应的概率数值，将概率值最大的故障类型，作为目标故障类型，并根据目标故障类型生成接地故障诊断信息。
在本申请的一个实施例中，电流采样数据信息包括电流有效值；故障诊断单元还用于：
在电流有效值大于预设电流阈值时，执行对电流采样数据信息进行离散傅里叶变换的步骤。
在本申请的一个实施例中，故障诊断单元还用于：
在电流有效值小于或等于预设电流阈值时，确定换流变压器不存在接地故障。
具体的，采样单元根据采样电流数据信息可以直接得到采样电流有效值，并将电流有效值传输至故障诊断单元。故障诊断单元接收采样单元传输的电流有效值及电流采样数据信息时，先判断电流有效值与电流阈值的大小关系。如果电流有效值小于或等于电流阈值，则确定当前换流变压器不存在接地故障。如果电流有效值大于电流阈值，则确定当前换流变压器存在接地故障，那么故障诊断单元执行对电流采样数据信息进行离散傅里叶变换，并根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息的步骤，进行换流变压器接地故障诊断。
在本申请的一个实施例中，故障诊断单元还用于：
基于预设故障诊断信息与风险提示信息的对应关系，确定接地故障诊断信息对应的风险提示信息。
具体的，故障诊断单元存储故障类型与风险等级的对应关系，在生成接地故障诊断信息、确定换流变压器接地故障类型的同时也可确定出换流变压器对应的风险等级，进而根据风险等级生成风险提示信息。该风险提示信息主要提供给维修人员，以使维修人员明白换流变压器接地故障的紧急程度，进而提供对应的救援措施。
请一并参见图2，在本申请的一个实施例中，装置还包括：
电源单元，分别与信号调理单元、采样单元和故障诊断单元连接，用于提供预设电压；
通讯平台，分别与上位机监测平台和故障诊断单元连接相连接，用于实时将接地故障诊断信息发送至上位机检测平台。
请一并参见图3，在本申请的一个实施例中，装置还包括：
时钟单元，与故障诊断单元连接，用于为故障诊断单元提供运行周期频率信号。
本申请提供的换流变压器接地故障诊断装置中，通过信号调理单元、采样单元对初始接地电流信号进行信号调理及信号采样处理，提高电流采样数据信息的抗干扰能力及数据精度，其次，故障诊断单元将电流采样数据进行傅里叶变换及特征提取，有效提高接地故障诊断的准确度。
请一并参见图4，本申请实施例还提供一种换流变压器接地故障诊断方法，采用上述的换流变压器接地故障诊断装置。方法包括：
S410，接收换流变压器的初始接地电流信号；初始接地电流信号包括初始铁心电流信号和初始夹件电流信号。
具体的，可以通过电流互感器，根据换流变压器的铁心接地电流，得到初始铁心电流信号；还可以通过电流互感器，根据换流变压器的夹件接地电流，得到初始夹件电流信号。需要注意的是，本申请对电流互感器的类型不作任何限定。初始铁心电流信号和初始夹件电流信号均为小电流信号，满足后续处理步骤对电流阈值的需求。
S420，对初始接地电流信号进行初始信号调理，获得初始调理信号。
具体的，对初始接地电流信号进行初始信号调理包括对初始接地电流信号作滤波等处理。通过初始信号调理的处理可以降低初始接地电流信号中的干扰因素，有效提高初始调理信号的抗干扰能力，以及提高接地故障检测方法的诊断精度。需要说明的是，初始信号调理的方法包括但不限制滤波处理，可根据实际需求进行选择。
S430，用于对初始调理信号进行预设采样处理，获得电流采样数据信息。
具体的，可以根据预设数目在采样点对预设周期的初始调理信号进行采样处理。例如，对于一个周期的初始调理信号，设置64个采样点进行预设采样处理。需要说明的是，本申请对预设采样处理不作任何限定，可根据实际需求进行选择。
S440，对电流采样数据信息进行离散傅里叶变换，并根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息。
具体的，对离散的电流采样数据信息进行离散傅里叶变换，对离散傅里叶变换的电流采样数据信息进行特征提取，根据获得的包括幅值信息、相位信息以及频率信息的特征，对换流变压器进行接地故障诊断。
上述换流变压器接地故障诊断方法中，通过对初始接地电流信号进行信号调理及信号采样处理，提高电流采样数据信息的抗干扰能力及数据精度，有利于提高换流变压器接地故障的诊断精度。其次，通过将电流采样数据进行傅里叶变换及特征提取，有效提高接地故障诊断的准确度，也提高了换流变压器安全运行的可靠性。
请一并参见图5，在本申请的一个实施例中，S440，根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息，包括：
S510，基于预设谐波分析策略，从经过离散傅里叶变换的电流采样数据信息中提取目标电流特征信息，作为特征提取结果。
具体的，基于谐波分析法，从离散的电流采样数据信息中通过离散傅立叶变换的方法检测出电流采样数据信息的基波成分，包括信号的幅值和相角，同时使用三角函数的正交性，排除谐波和噪声的干扰，从而尽可能达到更高的精确度。下面对其进行分析。
考虑可能包含有高次谐波及噪声信号，该信号X(t)可表示为：
式中，n＝0对应的信号的直流分量，n＝l对应的基波信号，n＝k则对应k次谐波。
根据三角函数的正交性，得:
由此可以计算信号各次谐波的幅值:
以上是针对时间连续信号，而对于采样后的离散信号，可以将积分离散化，表示成式(4.20)的形式：
式中，N是一个周期中的采样点数，奈奎斯特定律要求采样频率fmax为信号中最高的频率成分，在此即为最高的谐波频率。
本算法中，用谐波分析法公式(2)和公式(3)，算出X1，X1就是铁心接地电流全电流幅值。
在实际应用中，由于很难做到完全的同步采样和整数次周期的截断，所以在改进硬件电路设计的同时，通过加合适的窗函数以及插值算法可以更好地解决频谱混叠、频谱泄露和栅栏效应。具体改进措施如下：
傅立叶变换将一个信号分解为不同幅值和频率的正弦波。加窗的结果是尽可能呈现出一个连续的波形，减少剧烈的变化。
根据信号的不同，可选择不同类型的加窗函数。要理解窗对信号频率产生怎样的影响，就要先理解窗的频率特性。设
x(t)＝Amej2πfrt (4)
复振幅Am一般为复数，反映了初相角，实际频率fr＝(l+r)F，它在频率l×F和(l+1)×F之间，l为整数，其中频率分辨率F＝1/(NTs)，Ts为采样时间间隔，r为顿率偏移量，0<r<1。x(t)的离散形式为：
其DFT为：
其离散信号加余弦窗的DFT为：
当k＝l时有：
当N＞＞1时，以下近似关系成立：
考虑到e±jπ＝-1e±j2π＝1，当K＝2时，可得到加3项余弦窗DFT的通用形式：
将b0＝7938/18608；b1＝9240/18608；b2＝1430/18608代入化简可得3项ExactBlackman窗栈断后信号的频谱：
同理，当k＝l+1时
设定幅值比为：
由于频率偏移量r的变化范围为0-1，故幅值比α的变化范围为0.582-1718。
由(12)可解出r，将r代入(11)可得到修正的复振幅，Am为：
第l次谐波的相位按下式计算：
利用FFT差值算法还可以计算频率。由r可以得到第l次谐波的频率为
fr＝(l+r)F (15)
同时，当K＝3时，由式(4.23)可以得到加4项余弦窗DFT的通用形式为
然后，将4项Blackrman-harris窗的三个系数b0＝0.35875,b1＝0.48829,b2＝0.14128,b3＝0.01168代入式(4.33)化简得加4项Blackman-harris窗截断后信号的频谱为
设定幅值比为
由式(4.35)可以解出r，将r代入式(4.34)可以得到修正的复振幅Am为
第l次谐波的相位和频率分别为：
根据以上分析，基于谐波分析策略，可以得到换流变压器铁心接地电流及夹件接地电流的幅值、相位及频率的检测结果，作为目标电流特征信息，进而进行换流变压器接地电流故障的诊断。
S520，将特征提取结果作为输入信息，输入至预设概率神经网络模型，获得目标电流特征信息对应的目标故障类型信息，作为接地故障诊断信息。
具体的，以目标电流特征信息作为输入信息，输入至预设概率神经网络模型，得到各故障类型对应的概率数值，将概率值最大的故障类型，作为目标故障类型，并根据目标故障类型生成接地故障诊断信息。
在本申请的一个实施例中，预设概率神经网络模型由四部分组成：输入层、样本层、求和层和竞争层。具体的工作过程：首先将输入向量输入到输入层，在输入层中，网络计算输入向量与训练样本向量之间的差值/>差值绝对值/>的大小代表这两个向量之间的距离，所得的向量由输入层输入，该向量反映了向量间的接近程度；接着，输入层的输出向量/>送入到样本层中，样本层结点的数目等于训练样本数目的总和，其中M是类的总数。样本层的主要工作是：先判断哪些类别与输入向量有关，再将相关度高的类别集中起来，样本层的输出值就代表相识度；然后，将样本层的输出值送入到求和层，求和层的结点个数是M，每是个结点对应一个类，通过求和层的竞争传递函数进行判决；最后，判决的结果由竞争层输出，输出结果中只有一个1，其余结果都是0，概率值最大的那一类输出结果为1。
为减小误差，对输入矩阵进行归一化处理，设输入矩阵为：
从式(21)中可以看出，该矩阵的学习样本有m个，每一个样本的特征属性有n个。在归一化因子之前，必须先计算BT矩阵：
进一步计算Cmn可得
(4.48)
式中，
将归一化好的m个样本送入到网络样本层中，其中m＝k*c。
下面计算模式距离，假设将由P个n维向量组成的矩阵称为待识别样本矩阵，则经归一化后，需要待识别的输入样本矩阵为：
样本层中各个网络节点的中心向量，这两个向量相应量之间的距离为：
学习样本与待识别样本被归一化后，样本层径向基函数的神经元被激活。通常取标准差σ＝0.1的高斯型函数。激活后得到初始概率矩阵：
假设样本有m个，那么一共可以分为c类，并且各类样本的数目相同，设为k，则可以在网络的求和层求得各个样本属于各类的初始概率和：
式中，Sij代表的意思是：将要被识别的样本中，第i个样本属于第j类的初始概率和。
最后计算概率probij，即第i个样本属于第j类的概率。
本发明利用换流变压器铁心单点接地、夹件单点接地、铁心多点接地、夹件多点接地和铁心与夹件短路五种状态对应的测量仿真参数作为一个样本，所有的样本形成样本空间，并且假设每种故障的先验概率相同。因此，根据训练样本，对基于概率神经网络的电力变压器故障进行训练。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为本专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种换流变压器接地故障诊断装置，其特征在于，所述装置包括：
电流互感单元，用于接收换流变压器的初始接地电流信号；所述初始接地电流信号包括初始铁心电流信号和初始夹件电流信号；
信号调理单元，与所述电流互感单元连接，用于对所述初始接地电流信号进行初始信号调理，获得初始调理信号；
采样单元，与所述信号调理单元连接，用于对所述初始调理信号进行预设采样处理，获得电流采样数据信息；
故障诊断单元，与所述采样单元连接，用于对所述电流采样数据信息进行离散傅里叶变换，并根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息。
2.根据权利要求1所述的换流变压器接地故障诊断装置，其特征在于，所述故障诊断单元具体用于：
基于预设谐波分析策略，从所述经过离散傅里叶变换的电流采样数据信息中提取目标电流特征信息，作为所述特征提取结果；所述目标电流特征信息包括幅值信息、相位信息及频率信息。
3.根据权利要求1所述的换流变压器接地故障诊断装置，其特征在于，所述故障诊断单元具体用于：
将所述特征提取结果作为输入信息，输入至预设概率神经网络模型，获得所述特征提取结果对应的目标故障类型信息，作为所述接地故障诊断信息。
4.根据权利要求1所述的换流变压器接地故障诊断装置，其特征在于，所述电流采样数据信息包括电流有效值；所述故障诊断单元还用于：
在所述电流有效值大于预设电流阈值时，执行所述对所述电流采样数据信息进行离散傅里叶变换的步骤。
5.根据权利要求1所述的换流变压器接地故障诊断装置，其特征在于，所述故障诊断单元还用于：
在所述电流有效值小于或等于所述预设电流阈值时，确定所述换流变压器不存在接地故障。
6.根据权利要求1所述的换流变压器接地故障诊断装置，其特征在于，所述故障诊断单元还用于：
基于预设故障诊断信息与风险提示信息的对应关系，确定所述接地故障诊断信息对应的风险提示信息。
7.根据权利要求1所述的换流变压器接地故障诊断装置，其特征在于，所述装置还包括：
电源单元，分别与所述信号调理单元、所述采样单元和所述故障诊断单元连接，用于提供预设电压；
通讯平台，分别与上位机监测平台和所述故障诊断单元连接相连接，用于实时将所述接地故障诊断信息发送至上位机检测平台。
8.根据权利要求1所述的换流变压器接地故障诊断装置，其特征在于，所述装置还包括：
时钟单元，与所述故障诊断单元连接，用于为所述故障诊断单元提供运行周期频率信号。
9.一种换流变压器接地故障诊断方法，其特征在于，采用权利要求1所述的诊断装置，所述方法包括：
接收换流变压器的初始接地电流信号；所述初始接地电流信号包括初始铁心电流信号和初始夹件电流信号；
对所述初始接地电流信号进行初始信号调理，获得初始调理信号；
用于对所述初始调理信号进行预设采样处理，获得电流采样数据信息；
对所述电流采样数据信息进行离散傅里叶变换，并根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息。
10.根据权利要求9所述的换流变压器接地故障诊断方法，其特征在于，所述根据基于预设故障诊断条件，对经过离散傅里叶变换的电流采样数据信息进行特征提取；根据特征提取结果，生成接地故障诊断信息，包括：
基于预设谐波分析策略，从所述经过离散傅里叶变换的电流采样数据信息中提取目标电流特征信息，作为所述特征提取结果；
将所述特征提取结果作为输入信息，输入至预设概率神经网络模型，获得所述特征提取结果对应的目标故障类型信息，作为所述接地故障诊断信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993020.2A CN117538632B (zh) | 2023-08-08 | 换流变压器接地故障诊断装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993020.2A CN117538632B (zh) | 2023-08-08 | 换流变压器接地故障诊断装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117538632A true CN117538632A (zh) | 2024-02-09 |
| CN117538632B CN117538632B (zh) | 2024-07-26 |
Family
ID=
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004040732A1 (en) * | 2002-10-29 | 2004-05-13 | Alstom Technology Ltd | Earth fault protection for synchronous machines |
| CN106872852A (zh) * | 2017-01-13 | 2017-06-20 | 济南大学 | 基于零序电压的配电网单相断线接地复故障类型诊断方法 |
| CN206274265U (zh) * | 2016-11-28 | 2017-06-23 | 山东科技大学 | 一种变压器在线监测装置 |
| CN107449954A (zh) * | 2016-06-01 | 2017-12-08 | 李朝晖 | 电力变压器铁心接地电流全息在线监测装置及方法 |
| CN110208721A (zh) * | 2019-07-09 | 2019-09-06 | 西南交通大学 | 一种级联三电平逆变器的故障诊断方法及装置 |
| CN112327221A (zh) * | 2020-11-04 | 2021-02-05 | 国网河南省电力公司郑州供电公司 | 变压器内部绝缘缺陷带电诊断装置 |
| CN113311359A (zh) * | 2021-05-13 | 2021-08-27 | 上海远观物联网科技有限公司 | 一种基于矢量分析的变压器内部故障判别方法 |
| CN214097747U (zh) * | 2020-11-04 | 2021-08-31 | 国网河南省电力公司郑州供电公司 | 变压器内部绝缘缺陷带电诊断装置 |
| CN114780308A (zh) * | 2022-03-07 | 2022-07-22 | 国网陕西省电力有限公司超高压公司 | 一种基于5g和卫星通信技术的变压器故障远程智能诊断*** |
| CN115327445A (zh) * | 2022-08-11 | 2022-11-11 | 国网四川省电力公司电力科学研究院 | 换流变压器铁心、夹件接地电流的异常判断方法与*** |
| CN116111558A (zh) * | 2023-03-02 | 2023-05-12 | 国网四川省电力公司技能培训中心 | 一种图傅里叶变换的变压器差动保护方法、***及介质 |
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004040732A1 (en) * | 2002-10-29 | 2004-05-13 | Alstom Technology Ltd | Earth fault protection for synchronous machines |
| CN107449954A (zh) * | 2016-06-01 | 2017-12-08 | 李朝晖 | 电力变压器铁心接地电流全息在线监测装置及方法 |
| CN206274265U (zh) * | 2016-11-28 | 2017-06-23 | 山东科技大学 | 一种变压器在线监测装置 |
| CN106872852A (zh) * | 2017-01-13 | 2017-06-20 | 济南大学 | 基于零序电压的配电网单相断线接地复故障类型诊断方法 |
| CN110208721A (zh) * | 2019-07-09 | 2019-09-06 | 西南交通大学 | 一种级联三电平逆变器的故障诊断方法及装置 |
| CN112327221A (zh) * | 2020-11-04 | 2021-02-05 | 国网河南省电力公司郑州供电公司 | 变压器内部绝缘缺陷带电诊断装置 |
| CN214097747U (zh) * | 2020-11-04 | 2021-08-31 | 国网河南省电力公司郑州供电公司 | 变压器内部绝缘缺陷带电诊断装置 |
| CN113311359A (zh) * | 2021-05-13 | 2021-08-27 | 上海远观物联网科技有限公司 | 一种基于矢量分析的变压器内部故障判别方法 |
| CN114780308A (zh) * | 2022-03-07 | 2022-07-22 | 国网陕西省电力有限公司超高压公司 | 一种基于5g和卫星通信技术的变压器故障远程智能诊断*** |
| CN115327445A (zh) * | 2022-08-11 | 2022-11-11 | 国网四川省电力公司电力科学研究院 | 换流变压器铁心、夹件接地电流的异常判断方法与*** |
| CN116111558A (zh) * | 2023-03-02 | 2023-05-12 | 国网四川省电力公司技能培训中心 | 一种图傅里叶变换的变压器差动保护方法、***及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李永利等: "变压器铁心及夹件接地电流在线监测装置", 电气技术, 15 June 2023 (2023-06-15), pages 69 - 73 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
| CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
| CN113219300B (zh) | 一种基于相电流暂态稳态的配电网单相接地故障感知方法 | |
| CN101907437B (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
| CN102288857B (zh) | 一种故障电弧的辨识检测方法及其检测保护装置 | |
| CN105424172B (zh) | 一种分布式电力变压器噪声检测***及其噪声检测方法 | |
| CN101701986A (zh) | 电子设备电磁辐射干扰预测试诊断***及其方法 | |
| CN103116090A (zh) | 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法 | |
| CN110222765A (zh) | 一种永磁同步电机健康状态监测方法及*** | |
| CN115932659A (zh) | 一种基于声纹特征的变压器故障检测方法 | |
| CN101782625A (zh) | 一种基于Gradation-Boosting算法的电力电子***故障诊断方法 | |
| Chang et al. | Anomaly detection for shielded cable including cable joint using a deep learning approach | |
| CN111398814A (zh) | 一种软启动器控制的电机故障检测与智能快速诊断方法 | |
| Bhandari et al. | Real-time signal-to-noise ratio estimation by universal grid analyzer | |
| Deng et al. | A single-ended fault location method for transmission line based on full waveform features extractions of traveling waves | |
| Zhu et al. | Injection amplitude guidance for impedance measurement in power systems | |
| CN117538632B (zh) | 换流变压器接地故障诊断装置及方法 | |
| CN109635430A (zh) | 电网输电线路暂态信号监测方法和*** | |
| CN105203937A (zh) | 一种变压器内部放电模式识别方法及故障诊断*** | |
| CN117538632A (zh) | 换流变压器接地故障诊断装置及方法 | |
| Kale et al. | Detection and classification of faults on parallel transmission lines using wavelet transform and neural network | |
| CN117420385A (zh) | 一种基于卷积的高压直流输电线路故障识别方法 | |
| CN115588439B (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
| CN107424657A (zh) | 一种新型反应堆核噪声频谱分析仪 | |
| CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断***及方法 |
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 | ||
| GR01 | Patent grant |