CN117607752B - 基于铁心和夹件电流的换流变寿命评估方法、介质及*** - Google Patents
基于铁心和夹件电流的换流变寿命评估方法、介质及*** Download PDFInfo
- Publication number
- CN117607752B CN117607752B CN202311483847.5A CN202311483847A CN117607752B CN 117607752 B CN117607752 B CN 117607752B CN 202311483847 A CN202311483847 A CN 202311483847A CN 117607752 B CN117607752 B CN 117607752B
- Authority
- CN
- China
- Prior art keywords
- signal
- initial
- converter transformer
- sampling
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 55
- 238000003745 diagnosis Methods 0.000 claims abstract description 29
- 230000003750 conditioning effect Effects 0.000 claims abstract description 28
- 230000032683 aging Effects 0.000 claims abstract description 11
- 238000004804 winding Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001143 conditioned effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 4
- 230000010287 polarization Effects 0.000 description 14
- 230000005684 electric field Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000004044 response Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000003989 dielectric material Substances 0.000 description 2
- 238000001453 impedance spectrum Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005686 electrostatic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 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
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明提供了一种基于铁心和夹件电流的换流变寿命评估方法、介质及***，属于换流变压器寿命评估技术领域，包括：获取换流变压器的初始接地电流信号以及换流变压器阀侧绕组输出的初始电压信号；对初始接地电流信号和初始电压信号进行初始信号调理，获得初始调理信号；对初始调理信号进行预设采样处理，获得采样数据；利用预选训练好的故障诊断模型对采样数据进行故障判断得到故障诊断结果；若得到的故障诊断结果为无故障，则对采样数据进行特征提取，得到采样特征；根据预设的老化实验数据，利用采样特征进行比对，得到换流变压器寿命。解决了现有技术在对换流变压器的寿命评估过程中，存在检测周期长、难以在线监测的技术问题。
Description
技术领域
本发明属于换流变压器寿命评估技术领域，具体而言，涉及一种基于铁心和夹件电流的换流变寿命评估方法、介质及***。
背景技术
随着社会的发展,电力***对电能质量的要求越来越高,而换流变压器作为电力***中的关键设备,其运行状态直接影响着***的供电可靠性。识别换流变压器的运行状态和预测其剩余寿命对于电网的安全稳定运行有着重要意义。为了防止换流变压器铁心和夹件出现悬浮电位，甚至于更恶劣的放电情况，换流变压器铁心和夹件必须接地。而换流变压器铁心和夹件多点接地将会使得换流变压器内部出现一个故障回路，形成过大的接地电流引起换流变压器内部局部过热、产气、甚至烧融。传统的换流变压器状态监测和故障诊断方法主要依赖于气体分析、热图像技术、振动监测等定期检测手段。这些方法存在检测周期长、维护复杂等问题,不适用于换流变压器的在线监测。
发明内容
有鉴于此，本发明提供一种基于铁心和夹件电流的换流变寿命评估方法、介质及***，能够解决现有技术在对换流变压器的寿命评估过程中，存在检测周期长、不适用于换流变压器的在线监测的技术问题。
本发明是这样实现的：
本发明的第一方面提供一种基于铁心和夹件电流的换流变寿命评估方法，其中，包括以下步骤：
S10、获取换流变压器的初始接地电流信号以及换流变压器阀侧绕组输出的初始电压信号；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；所述初始接地电流信号通过换流变压器的接地引线中获得；
S20、对所述初始接地电流信号和初始电压信号进行初始信号调理，获得初始调理信号；
S30、对所述初始调理信号进行预设采样处理，获得采样数据；通过信号分段、窗口特征提取以及标准化处理,可以获得反映信号局部特性的采样数据,为后续的故障诊断与寿命评估提供输入。
S40、利用预选训练好的故障诊断模型对所述采样数据进行故障判断得到故障诊断结果；
S50、若得到的故障诊断结果为无故障，则对所述采样数据进行特征提取，得到采样特征；
S60、根据预设的老化实验数据，利用采样特征进行比对，得到换流变压器寿命。可选的，还可以考虑通频域介电谱实验数据作为换流变压器的电介质损耗类对上面得到的换流变压器寿命进行修正。
在上述技术方案的基础上，本发明的一种基于铁心和夹件电流的换流变寿命评估方法还可以做如下改进:
其中，所述对所述初始接地电流信号和初始电压信号进行初始信号调理，获得初始调理信号的步骤，具体包括：
对所述初始接地电流信号进行滤波处理,去除高频噪声,获得滤波后的接地电流信号；
对所述初始电压信号进行均值滤波,减少随机噪声,获得滤波后的电压信号；
对滤波后的接地电流信号进行标准化处理,获得标准化后的电流信号；
对滤波后的电压信号进行标准化处理,获得标准化后的电压信号；
将标准化后的电流信号和电压信号组成初始调理信号。
进一步的，所述标准化处理的方法为：均质标准差标准化处理。
其中，所述对所述初始调理信号进行预设采样处理，获得采样数据的步骤，具体是：
对所述初始调理信号进行窗口分段，并对每个片段提取时频特征，构成特征矩阵；
对所述特征矩阵进行列标准化，获得反映所述初始调理信号局部特性的采样数据。
其中，所述故障诊断模型的建立和训练步骤，具体包括：
建立训练样本、多次进行历史实验，获取存在已知故障的换流变压器的历史初始调理信号的采样数据，所述多次进行的历史实验中，已知故障至少包括：绕组谐波干扰以及绕组对铁心/夹件放电或多点接地；
建立模型雏形、利用卷积神经网络，建立故障诊断模型雏形；
训练模型雏形、利用训练样本训练故障诊断模型雏形，得到故障诊断模型。
其中，所述对所述采样数据进行特征提取的方法为：使用小波变换从采样数据中提取时域统计特征和时频特征，构成采样特征。
其中，所述根据预设的老化实验数据，利用采样特征进行比对，得到换流变压器寿命的步骤，具体是：
收集带标签的换流变压器老化实验数据作为训练样本；
建立换流变压器寿命评估模型；
对所述采样特征利用训练好的模型进行寿命等级预测；
根据预测结果计算获取最终的寿命评估值。
进一步的，所述换流变压器寿命评估模型为SVM模型。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的基于铁心和夹件电流的换流变寿命评估方法。
本发明的第三方面提供一种换流变压器寿命评估***，其中，具有计算机设备，包含上述的计算机可读存储介质，实施上述的方法。
与现有技术相比较，本发明提供的一种基于铁心和夹件电流的换流变寿命评估方法、介质及***的有益效果是：本发明通过分析运行时的接地电流和电压信号,基于深度学习模型构建了换流变压器的在线故障诊断与状态评估***。相较于传统的离线检测方式,本发明可以实时监测设备状态,当故障发生时能够快速进行智能诊断,避免了传统方法检测周期长、无法在线监测的缺点。解决了现有技术在对换流变压器的寿命评估过程中，存在检测周期长、不适用于换流变压器的在线监测的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，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为本发明提供的方法的流程图；
图2是为本发明的故障诊断和寿命评估装置示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，是本发明第一方面提供一种基于铁心和夹件电流的换流变寿命评估方法的流程图，本方法包括以下步骤：
S10、获取换流变压器的初始接地电流信号以及换流变压器阀侧绕组输出的初始电压信号；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；所述初始接地电流信号通过换流变压器的接地引线中获得；
S20、对初始接地电流信号和初始电压信号进行初始信号调理，获得初始调理信号；
S30、对初始调理信号进行预设采样处理，获得采样数据；
S40、利用预选训练好的故障诊断模型对采样数据进行故障判断得到故障诊断结果；
S50、若得到的故障诊断结果为无故障，则对采样数据进行特征提取，得到采样特征；
S60、根据预设的老化实验数据，利用采样特征进行比对，得到换流变压器寿命。可选的，还可以考虑通频域介电谱实验数据作为换流变压器的电介质损耗类对上面得到的换流变压器寿命进行修正。
下面对上述步骤的具体实施方式进行详细说明：
如图2所示，在步骤S10中，对初始铁心电流信号和初始夹件电流信号的采集采用电流互感器对铁心接地引线和夹件接地引线进行测量，对初始电压信号的采集采用电网常规的电压检测器，其中，信号采集的时间间隔为1～10秒。
步骤S20具体实施方式:
1)对初始接地电流信号进行滤波处理,去除高频噪声,获得滤波后的接地电流信号If。滤波处理,采用低通滤波器进行滤波可以有效去除接地电流信号中的高频噪声,获得更为平滑的滤波信号。
2)对初始电压信号进行均值滤波,减少随机噪声,获得滤波后的电压信号Uf。均值滤波采用均值滤波可以有效抑制随机噪声,提高信号的信噪比。
3)对滤波后的接地电流信号If进行标准化处理,获得标准化后的电流信号In:
其中,为If的均值,/>为If的标准差。
标准化处理可以消除信号量纲的影响,把信号映射到同一数量级。
4)对滤波后的电压信号Uf进行标准化处理,获得标准化后的电压信号Un:
其中,为Uf的均值,/>为Uf的标准差。
5)将标准化后的电流信号In和电压信号Un组成初始调理信号x＝[In,Un]T。
步骤S30具体实施方式:
1)对初始调理信号x进行段窗口切分,窗口长度设为L,重叠长度设为r,获得信号片段序列:
x1,x2,...,xM
其中,xm表示第m个信号片段,M为片段总数。片段总数M可由信号长度N、窗口长度L及重叠长度r计算得出。
2)对每个信号片段xm提取特征,构成对应特征向量ym。特征提取方法可以采用小波变换、傅立叶变换等时频域分析方法。
3)将所有片段的特征向量构成最终的采样特征矩阵:
Y＝[y1,y2,...,yM]
4)对采样特征矩阵Y进行列标准化,获得标准化后的采样数据矩阵Z:
其中,和/>分别为第j列的均值和标准差。
列标准化可以消除不同特征量纲的影响。
步骤S40中，故障诊断模型的建立和训练的步骤具体包括：
1)建立训练样本
多次进行历史实验,收集存在已知故障的换流变压器的初始调理信号采样数据,记录故障类型标签。
对收集的采样数据进行数据增广,增加样本量和样本多样性。常用的数据增广技术包括添加噪声、平移、剪切、缩放等。
划分增广后的数据集为训练集、验证集和测试集。训练集用于模型训练,验证集用于调参,测试集用于测试模型性能。
2)建立模型雏形
采用卷积神经网络(CNN)作为故障诊断模型结构。
CNN由卷积层、池化层、全连接层等组成。卷积层通过卷积核提取输入信号的局部特征,池化层降维,全连接层进行非线性分类。
模型雏形的网络层数、核大小、激活函数等超参数需要进行设定。
3)训练模型雏形
使用训练集数据训练CNN模型,采用交叉熵损失函数和Adam优化算法。
在验证集上评估模型训练效果,如验证损失不再下降则停止训练。
通过调整模型结构、优化算法超参数等进一步提升模型性能。
最终在测试集上评估模型的诊断精度、召回率、F1分数等指标。
得到性能指标优异的故障诊断模型。
其中，卷积神经网络的结构如下：
输入层:输入为标准化后的初始调理信号采样数据,设为一个m×n的矩阵X。其中m为样本数量,n为每个样本的特征维度。
卷积层:第一个卷积层过滤器大小设为3×3,输出通道数设置为16。那么该卷积层的输出为尺寸m×(n-2)×16的三维矩阵。
池化层:在卷积层后添加一个2×2最大池化,下采样因子为2,那么池化层输出为m×(n/2-1)×16的三维矩阵。
卷积层:第二个卷积层过滤器大小仍设为3×3,输出通道数为32。卷积层输出为m×(n/2-2)×32的三维矩阵。
池化层:与第一个池化层设置相同,输出为m×(n/4-1)×32的三维矩阵。
全连接层:添加一个包含128个节点的全连接层,其输入维度为m×(n/4-1)×32,输出为m×128的二维矩阵。
输出层:最后一个全连接层,包含2个节点,分别表示正常和故障两类。输出为m×2的二维矩阵,通过Softmax函数转换为概率输出。
损失函数:采用交叉熵损失函数。
优化器:采用Adam优化算法。
步骤S50具体实施方式:
1)从采样数据矩阵Z中提取时域统计特征,包括均值、方差、偏度、峰度等,构成时域统计特征向量ftd:
其中,为均值,/>为方差,Skew(z)为偏度,Kurt(z)为峰度。
2)对采样数据进行小波变换,提取能量特征、奇异值特征等,构成时频特征向量ftf:
将信号进行3层小波分解,提取各层小波系数的能量比作为能量特征:
计算各层小波系数的奇异值比率特征:
其中,J为小波分解层数,Kj为第j层小波系数长度,σj,1和σj,2分别为第j层奇异值排序的前2位。
本步骤中，涉及到的具体的变量解释如下：
时域统计特征向量ftd:
采样数据矩阵Z的所有元素的均值；
采样数据矩阵Z的所有元素的方差；
Skew(z):采样数据矩阵Z的所有元素的偏度；
Kurt(z):采样数据矩阵Z的所有元素的峰度；
时频特征向量ftf:
J:小波分解的层数；
Kj:第j层小波分解后得到的小波系数的长度；
cj(k):第j层的第k个小波系数；
Ej:第j层小波系数能量比,计算第j层小波系数能量与全波能量之比；
σj,1:第j层小波系数奇异值分解后排序第一位的奇异值；
σj,2:第j层小波系数奇异值分解后排序第二位的奇异值；
Rj:第j层小波系数的奇异值比率特征,计算该层第一个奇异值与第二个奇异值的比值；
最终采样特征f:
ftd:步骤1)提取的时域统计特征；
ftf:步骤2)提取的时频特征；
f:通过拼接时域和时频特征形成的最终采样特征向量；
3)将时域统计特征和时频特征拼接,构成最终采样特征:
f＝[ftd,ftf]
步骤S60具体实施方式:
1)收集具有代表性的换流变压器老化实验数据,进行数据标注,得到带标签的训练样本集Dtrai2＝{(xxi,)}，训练样本集的样本数量为N。
其中,xxi表示第i个样本的采样特征,yyi∈[1,K]表示样本的真实寿命标签,K为寿命等级总数。
2)使用支持向量机(SVM)算法训练寿命评估模型:
s.t.yi(wTρ(xxi)+b)≥1-ξi,ξi≥0
其中,w为模型权重参数,b为偏置参数,C为正则化参数,φ为核函数,ξi为第i个样本的松弛变量，利用老化实验数据对上述模型进行训练。
3)对采样特征x,利用训练好的SVM模型进行寿命预测:
其中,为预测的寿命等级,P(yy|xx)为后验概率。
4)根据预测结果计算得到最终的寿命评估值。
设寿命等级总数为K,预测结果每一个寿命等级k对应一个寿命范围
则根据预测结果计算该样本的寿命评估值为:
其中,θ是一个[0,1]之间的调节因子，也可以默认等于0.5。
可选的，还可以考虑使用电介质损耗类对上面得到的换流变压器寿命进行修正。其中，电介质考虑变压器的夹件、铁心和绕组，具体的：
在施加电场后电介质需要一定时间发生极化现象，当电场为静电场时上述极化现象有充足的时间来完成建立，但实际工作中电场以交变电场为主，此时电极方向的变化会因电厂频率过高而赶不上电场的变化从而使介电常数减小。通常极化因形成时间非常短的被称为瞬间极化，其极化强度用P∞表示，而后，极化因将形成时间相对较长且伴随有能量的损失被称为弛豫极化，其极化强度用pr表示，电介质极化强度包含这两种极化强度用P表示：
P(t)＝P∞(t)+Pr(t)
上式中瞬间极化强度可由时变电场E(t)求得：
P∞(t)＝ε0(ε∞-1)E(t)
在一般情况下，通过对冲击函数δ(t)、阶跃函数ε(t)和调和函sin(ωt)或cos(ωt)三种基本函数组合都可以用来对时变电场进行表示。定义δ(t)介电响应为：
P(t)＝ε0[E(t)δ(t)]f(t)
随时间不断改变的外加电场产生的电介质响应可以看做各个电介质的叠加，即可以将E(t)看做是由函数δ(t)叠加而来。由于外加电场随时间不断变化，弛豫极化较电场产生滞后，则介电响应P(t)，t时刻可看做响应f(τ)E(t-τ)dτ在负无穷或加激励信号施加时刻到时间τ的积分：
上式中，ε∞为电介质在高频下的介电常数，t、τ为时间变量。施加时变电场E(t)后，电介质两端的电位势D(t)取决于E(t)和P(t)：
D(t)＝ε0E(t)+P(t)
则其电流密度为:
定义f(t)的傅里叶变换为：F[f(t)]＝χ(ω)，F[E(t)]＝E(ω)，则
对式P(t)进行傅里叶变换得
P(ω)＝ε0[ε∞-1+χ(ω)]E(ω)
式中，χ(ω)为极化系数，且
极化系数为频率的复函数包括实部和虚部两部分：
对式J(t)进行傅里叶变换得
式中ε′(ω)、ε″(ω)分别是复介电常数的实部、虚部，两者分别为全电流中容性电流的密度和阻性电流的密度。因此电介质损耗可用式下面的公式表示为：
电介质的介电特性与复介电常数实部、虚部以及频域介质损耗息息相关。当电介质的介电性能随老化程度发生改变，对ε′、ε″和tanδ产生影响。
得到电介质损耗tanδ之后，可以将S60中的寿命评估值公式变更为：
其中，tanδmax表示最大电介质损耗，也就是电介质达到使用寿命时的损耗。
具体的，本发明的原理是：接地引线作为换流变压器少有的引出线之一，可进行在线监测，从中提取大量的特征信息配合诊断换流变压器运行状态和寿命评估。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于铁心和夹件电流的换流变寿命评估方法，其特征在于，包括以下步骤：
S10、获取换流变压器的初始接地电流信号以及换流变压器阀侧绕组输出的初始电压信号；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；所述初始接地电流信号通过换流变压器的接地引线中获得；
S20、对所述初始接地电流信号和初始电压信号进行初始信号调理，获得初始调理信号；
1)对初始接地电流信号进行滤波处理,去除高频噪声,获得滤波后的接地电流信号；滤波处理,采用低通滤波器进行滤波去除接地电流信号中的高频噪声,获得平滑的滤波信号；
2)对初始电压信号进行均值滤波,减少随机噪声,获得滤波后的电压信号；
3)对滤波后的接地电流信号进行标准化处理,获得标准化后的电流信号/>:
其中，为/>的均值，/>为/>的标准差；
4)对滤波后的电压信号进行标准化处理,获得标准化后的电压信号/>:/>
其中,为/>的均值, />为/>的标准差；
5)将标准化后的电流信号和标准化后的电压信号/>组成初始调理信号；
S30、对所述初始调理信号进行预设采样处理，获得采样数据；
1)对初始调理信号x进行段窗口切分,窗口长度设为L,重叠长度设为r,获得信号片段序列：
其中, 表示第m个信号片段,M为片段总数；片段总数M由信号长度N、窗口长度L及重叠长度r计算得出；
2)对每个信号片段提取特征,构成对应特征向量/>；特征提取方法采用小波变换、或傅立叶变换方法；
3)将所有片段的特征向量构成最终的采样特征矩阵:
4)对采样特征矩Y进行列标准化,获得标准化后的采样数据矩阵；
S40、利用预选训练好的故障诊断模型对所述采样数据进行故障判断得到故障诊断结果；所述故障诊断模型的建立和训练步骤，具体包括：
建立训练样本、多次进行历史实验，获取存在已知故障的换流变压器的历史初始调理信号的采样数据，所述多次进行的历史实验中，已知故障至少包括：绕组谐波干扰以及绕组对铁心/夹件放电或多点接地；
1)建立训练样本
多次进行历史实验,收集存在已知故障的换流变压器的初始调理信号采样数据,记录故障类型标签；
对收集的采样数据进行数据增广,增加样本量和样本多样性；
划分增广后的数据集为训练集、验证集和测试集；训练集用于模型训练,验证集用于调参,测试集用于测试模型性能；
2)建立模型雏形
采用卷积神经网络作为故障诊断模型结构；
3)训练模型雏形
使用训练集数据训练CNN模型,采用交叉熵损失函数和Adam优化算法；
在验证集上评估模型训练效果,验证损失不再下降则停止训练；
得到所述故障诊断模型；
其中，卷积神经网络的结构如下：
输入层:输入为标准化后的初始调理信号采样数据；
第一个卷积层过滤器大小设为3×3,输出通道数设置为16；
第一个池化层:在第一个卷积层后添加一个2×2最大池化；
第二个卷积层过滤器大小仍设为3×3,输出通道数为32；
第二个池化层:与第一个池化层设置相同；
全连接层:添加一个包含128个节点的全连接层；
输出层:最后一个全连接层,包含2个节点,分别表示正常和故障两类；
损失函数:采用交叉熵损失函数；
优化器:采用Adam优化算法；
S50、若得到的故障诊断结果为无故障，则对所述采样数据进行特征提取，得到采样特征；
1)从采样数据矩阵Z中提取时域统计特征,包括均值、方差、偏度、峰度,构成时域统计特征向量 ；其中,/>为均值,/>为方差,/>为偏度,为峰度；
2)对采样数据进行小波变换,提取能量特征、奇异值特征,构成时频特征向量:
将信号进行3层小波分解,提取各层小波系数的能量比作为能量特征；计算各层小波系数的奇异值比率特征:
S60、根据预设的老化实验数据，利用采样特征进行比对，得到换流变压器寿命。
2.根据权利要求1所述的一种基于铁心和夹件电流的换流变寿命评估方法，其特征在于，所述根据预设的老化实验数据，利用采样特征进行比对，得到换流变压器寿命的步骤，具体是：
收集带标签的换流变压器老化实验数据作为训练样本；
建立换流变压器寿命评估模型；
对所述采样特征利用训练好的模型进行寿命等级预测；
根据预测结果计算获取最终的寿命评估值。
3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1或2所述的基于铁心和夹件电流的换流变寿命评估方法。
4.一种换流变压器寿命评估***，其特征在于，包含权利要求3所述的计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311483847.5A CN117607752B (zh) | 2023-11-08 | 2023-11-08 | 基于铁心和夹件电流的换流变寿命评估方法、介质及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311483847.5A CN117607752B (zh) | 2023-11-08 | 2023-11-08 | 基于铁心和夹件电流的换流变寿命评估方法、介质及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117607752A CN117607752A (zh) | 2024-02-27 |
| CN117607752B true CN117607752B (zh) | 2024-06-04 |
Family
ID=89947207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311483847.5A Active CN117607752B (zh) | 2023-11-08 | 2023-11-08 | 基于铁心和夹件电流的换流变寿命评估方法、介质及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117607752B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201562537U (zh) * | 2009-11-03 | 2010-08-25 | 保定天威集团有限公司 | 特高压换流变压器铁心框架内循环电流旁路结构 |
| 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 |
| CN115688880A (zh) * | 2022-10-26 | 2023-02-03 | 湖北兴和电力新材料股份有限公司 | 模块化多电平换流器开关器件开路故障诊断方法及装置 |
| CN115792729A (zh) * | 2022-11-30 | 2023-03-14 | 广东粤电科试验检测技术有限公司 | 一种变压器复合故障诊断方法、装置、设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115327445B (zh) * | 2022-08-11 | 2024-06-21 | 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*** |
| CN115825530A (zh) * | 2022-12-27 | 2023-03-21 | 国网宁夏电力有限公司电力科学研究院 | 一种电力变压器铁心接地电流传感器 |
-
2023
- 2023-11-08 CN CN202311483847.5A patent/CN117607752B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201562537U (zh) * | 2009-11-03 | 2010-08-25 | 保定天威集团有限公司 | 特高压换流变压器铁心框架内循环电流旁路结构 |
| 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 |
| CN115688880A (zh) * | 2022-10-26 | 2023-02-03 | 湖北兴和电力新材料股份有限公司 | 模块化多电平换流器开关器件开路故障诊断方法及装置 |
| CN115792729A (zh) * | 2022-11-30 | 2023-03-14 | 广东粤电科试验检测技术有限公司 | 一种变压器复合故障诊断方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117607752A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mejia-Barron et al. | The application of EMD-based methods for diagnosis of winding faults in a transformer using transient and steady state currents | |
| Xiao et al. | Maximal overlap discrete wavelet transform and deep learning for robust denoising and detection of power quality disturbance | |
| Puliyadi Kubendran et al. | Detection and classification of complex power quality disturbances using S‐transform amplitude matrix–based decision tree for different noise levels | |
| Atthapol et al. | Internal Fault Classification in Transformer Windings using Combination of Discrete Wavelet-Transforms and Back-propagation Neural Networks | |
| Afrasiabi et al. | Power transformers internal fault diagnosis based on deep convolutional neural networks | |
| Nagpal et al. | Artificial neural network approaches for fault classification: comparison and performance | |
| CN110363130B (zh) | 基于变分模态分解的电压暂降源辨识方法及辨识装置 | |
| CN108535572A (zh) | 基于基波零序特征的计量***二次回路监测方法及装置 | |
| CN113191192A (zh) | 基于小波分析与模糊神经网络算法的断路器故障检测方法 | |
| Costa et al. | A wavelet-based algorithm to analyze oscillographic data with single and multiple disturbances | |
| CN111079647A (zh) | 一种断路器缺陷识别方法 | |
| CN117607752B (zh) | 基于铁心和夹件电流的换流变寿命评估方法、介质及*** | |
| Dang et al. | Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer | |
| Guedidi et al. | Diagnosis and Classification of broken bars fault using DWT and Artificial Neural Network without slip estimation | |
| Zhao et al. | A fault diagnosis approach for rolling element bearing based on S-transform and artificial neural network | |
| CN116298509A (zh) | 一种电力***谐波谐振的在线识别方法 | |
| Hagh et al. | Improving bad data detection in state estimation of power systems | |
| Gao et al. | Quantitative research on accumulative effect of transformer winding deformation and its influence degree based on time-frequency analysis of vibration signal | |
| Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning | |
| Vishwakarma et al. | Intelligent bearing fault monitoring system using support vector machine and wavelet packet decomposition for induction motors | |
| Xing et al. | Vibration-signal-based deep noisy filtering model for online transformer diagnosis | |
| CN114609435A (zh) | 一种电压暂降检测和分类辨识方法 | |
| Frimpong et al. | Inter-turn fault detection using wavelet analysis and adaptive neuro-fuzzy inference system | |
| Demian et al. | A neural approach for the fault diagnostics in induction machines | |
| Zhang et al. | Incipient fault detection based on Just-in-time-learning and wavelet transform for DAB DC-DC converter |
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 | ||
| GR01 | Patent grant |