CN206114822U - 一种电力变压器绕组形变状态多信息检测装置 - Google Patents

Abstract

一种电力变压器绕组形变状态多信息检测装置，属于电力设备故障诊断技术领域。本实用新型通过检测电力变压器频率特性，检测高低压侧电流、电压及相角，检测超声信号，检测振动信号，实现绕组形变状态的在线检测、故障相别检测、故障位置检测及故障类型检测；有效解决了检测信号单一化，无法有效检测电力变压器绕组运行状况、故障位置及类型的问题。本实用新型包括电压互感器、电流互感器、超声波探头、振动传感器、信号调理电路、AD转换电路及中央处理器；电压互感器、电流互感器、超声波探头及振动传感器的输出端与信号调理电路的输入端相连，信号调理电路的输出端经AD转换电路与中央处理器的输入端相连，中央处理器的输出端与通信总线相连。

Description

一种电力变压器绕组形变状态多信息检测装置

技术领域

本实用新型属于电力设备故障诊断技术领域，特别是涉及一种电力变压器绕组形变状态多信息检测装置。

背景技术

随着改革开放和我国经济的高速增长，用户对电力的需求急剧增长，迫切要求我国电网为用户提供安全可靠的电力。电力变压器是电力***中重要的输变电设备之一，连接多个电压等级，在电网中处于枢纽地位。其运行的安全可靠性直接影响电网的运行安全，提高电力变压器的运行可靠性，对整个电网的安全可靠运行具有十分重要的意义。目前，我国已有较多变压器运行年限超过20年，这些运行中的变压器面临着日益严重的设备故障和老化问题，发生事故的概率不断增加。变压器一旦发生事故可能会造成设备资产和停电等巨大损失，甚至会产生严重的社会影响，因此对变压器故障进行检测是当前国家电网急需解决的关键问题。

变压器的内部故障从变压器结构上来分，包括绕组、铁心(即磁路)以及附件故障，从故障类型来分，包括机械故障、绝缘故障、过热故障等，从变压器以往的故障诊断案例来看，变压器的故障多数不是绝缘问题，而是机械性能问题导致电气故障，机械故障中以绕组与铁心占据较多，对变压器稳定运行影响最大。有关变压器的故障分析表明：绕组是发生故障较多的部件之一，据不完全统计1999-2003年期间，我国110kVA以上电压等级的变压器，因遭受短路故障电流冲击直接导致的损坏事故约为72台，占总事故台数的27.5％。我国2005年220kV及以上变压器非计划停运按故障部位的分类情况显示：220kV等级变压器中由于绕组引起的非计划停运时间占总非计划停运时间的79.49％，330kV等级占72.31％，500kV等级占98.92％。因此为了能保证变压器运行的安全可靠性，开展变压器绕组形变状态检测的研究具有十分重要的意义。

目前，对变压器绕组形变的检测方法主要有频率响应法、低压脉冲法和短路电抗法。上述三种方法均具有各自的局限性：经过多年的研究和反复的工程探索，使用频率响应法测试电力变压器绕组变形已经被电力工业部门广泛接受。但由于单位冲击响应函数和传递函数与变压器绕组的变形程度之间的映射关系缺少理论支持，采用FRA法对变压器绕组的变形程度进行分析，尚无统一的定量分析标准。此外，频率响应法必须通过停机、吊顶等操作再对绕组进行实验，因此该方法难以避免存在效率方面缺陷；低压脉冲法虽然己经在电力工业部门，尤其是电力变压器绕组变形和运动监测领域得到广泛的应用，但是其缺陷也是十分明显的，如较低的信噪比，较差的可重复性，测试过程中各种电磁干扰的影响较大，且对绕组首端位置的故障响应不灵敏，较难判断绕组变形位置都大大限制了低压脉冲法在使用中的可靠性；短路电抗法的实质是通过测量变压器绕组的短路阻抗来判断绕组是否存在变形、移位及匝间开路或短路等缺陷。该方法需要停机后离线检测，同时灵敏度不高，难以保证测量精度，因此在现场使用有很大困难。

综合现有的几种检测方法，可以看出：当前电力变压器绕组形变状态检测只是利用单一试验参数得出检测结果，存在检测信号单一化，无法有效检测电力变压器绕组故障位置及类型的问题。

实用新型内容

针对现有技术存在的问题，本实用新型提供一种电力变压器绕组形变状态多信息检测装置。本实用新型通过检测电力变压器频率特性，检测高低压侧电流、电压及相角，检测超声信号，检测振动信号，实现了绕组形变状态的在线检测、故障相别检测、故障位置检测及故障类型检测；有效解决了检测信号单一化，无法有效检测电力变压器绕组运行状况、故障位置及类型的问题。

为了实现上述目的，本实用新型采用如下技术方案：一种电力变压器绕组形变状态多信息检测装置，包括电压互感器、电流互感器、超声波探头、振动传感器、信号调理电路、AD转换电路及中央处理器；所述电压互感器、电流互感器、超声波探头及振动传感器的输出端分别与信号调理电路的输入端相连接，信号调理电路的输出端经AD转换电路与中央处理器的输入端相连接，中央处理器的输出端与通信总线相连接。

本实用新型的有益效果：

本实用新型基于多信号进行诊断，克服了单一信号检测的局限性，提高了检测结果的准确性。本实用新型可同时对频率特性、电流电压信号、超声信号及振动信号进行检测，丰富了检测信号数据库，补充了绕组的故障类型；既可以在线检测绕组状态，同时可以对绕组故障位置进行准确在线定位诊断，也实现了多种绕组形变故障类型的在线检测。

附图说明

图1为采用本实用新型的检测装置的检测方法的流程图；

图2为本实用新型的检测装置结构及其功能示意图；

图3为本实用新型的检测装置的一个实施例的硬件***结构图；

图4为采用本实用新型的检测装置的检测方法的一个实施例的电力变压器绕组形变的故障类型诊断流程图；

图5为本实用新型的检测装置的一个实施例的双向限幅电路的电路原理图；

图6为本实用新型的检测装置的一个实施例的信号调理电路的电路原理图。

具体实施方式

下面结合附图和具体实施例对本实用新型做进一步的详细说明。

以S11-M-500/35型电力变压器为例，对电力变压器绕组形变状态进行多信息检测。一种电力变压器绕组形变状态多信息检测装置，包括电压互感器、电流互感器、超声波探头、振动传感器、信号调理电路、AD转换电路及中央处理器；所述电压互感器、电流互感器、超声波探头及振动传感器的输出端分别与信号调理电路的输入端相连接，信号调理电路的输出端经AD转换电路与中央处理器的输入端相连接，中央处理器的输出端与通信总线相连接。

所述电压互感器采用TVS1908型电压互感器，或采用额定一次侧电压为 额定二次侧电压为精度等级为0.05的HZ12-35R型电压互感器；电流互感器采用额定一次侧电流为5～1000A，额定二次侧电流为5A，精度等级为0.05的HL28-5型电流互感器；所述振动传感器采用型号为BK-4507B的振动传感器；本实用新型用于发出频响信号的扫频信号发生器采用HY3310绕组变形测试仪，超声发生器采用的型号为THD-M1，接收探头采用2P10N型号的超声波探头。AD转换电路采用2片12位AD转换芯片AD1672AP；中央处理器采用双CPU结构，由DSP处理器和ARM处理器组成，DSP处理器与ARM处理器之间采用双口RAM进行数据交换。DSP处理器负责数据处理和通讯连接，ARM处理器负责数据实时存储。所述DSP处理器选用TMS320LF2401A型号的DSP核心板，其具有高度***集成和较小体积的优点；ARM处理器采用EP7309-IBZ型号的嵌入式微控制器；双口RAM采用型号为CY7C026的高速双口静态RAM，两个端口具有独立的控制信号线、地址线和数据线，可同时进行数据存取，实现芯片的资源共享。上位机软件***采用MATLAB程序编程软件和SQL Server数据库。在数据采集过程中，为保护AD转换芯片设计了双向限幅电路，如图5所示；为了提高AD采样的精度，设计了信号调理电路，如图6所示，可以滤除采样过程中的高频毛刺信号，实现多元运放和电位平移的功能。

采用所述的电力变压器绕组形变状态多信息检测装置的检测方法，如图1所示，包括如下步骤：

步骤1：采用扫频检测方式获得变压器绕组的幅频响应特性，

在变压器绕组一端施加正弦波激励源，连续改变正弦波激励源的频率，测量在不同频率下的响应端电压和激励端电压的信号幅值之比，获得指定激励端和响应端情况下的绕组幅频响应特性；通过将得到的变压器各绕组的幅频响应特性与历史数据进行纵向比较，计算波形最大变化系数，波形最大变化系数超过5％的为绕组形变异常；

所述波形最大变化系数为A％＝(A₁-A)/A，其中，A₁为测试信号变化最大点的幅值比，A为对应点的历史数据。

步骤2：对变压器两端电流、电压及相角进行在线采集，

根据不同负荷下的电流、电压及相角信号，在线计算出变压器三相绕组的短路电抗，计算出的短路电抗除以短路电抗出厂值，得到短路电抗变化率；当同类变压器绕组短路电抗变化率大于标准规定值时，则判断变压器绕组发生形变；DL/T1093-2008中规定：阻抗电压U_K＞4％的同心圆绕组对，容量100MVA及以下且电压220kV以下的电力变压器绕组短路电抗的相对变化不应大于±2％，因此，所述的标准规定值为±2％，即：当同类变压器绕组短路电抗变化率大于±2％时，则判断变压器绕组发生形变。

步骤3：在线采集变压器绕组对应位置的超声信号，

将若干个超声波探头沿着变压器油箱表面的绕组对应位置移动，同时发出并接收超声信号，通过超声波探头扫描绕组全部表面，并测试记录绕组各点位置对应的超声信号，获得绕组表面各点相对油箱箱体表面距离的数据；将得到的绕组表面各点相对油箱箱体表面距离的数据与变压器出厂数据进行比较，如果距离数据出现变化，则可以判断对应的故障位置；

所述绕组表面各点相对油箱箱体表面距离的计算公式为：

H＝vt

式中，H为绕组表面各点相对油箱箱体表面距离，v为声音传播速度，t为接收与发出信号的时间差。

步骤4：采集变压器绕组振动信号，

将五个振动传感器布置在变压器绕组对应位置的油箱侧壁上，分别固定在变压器ABC三相绕组对应油箱表面5/6、2/3、1/2、1/3、1/6位置处，同时采集变压器油箱表面五个位置的振动信号。

步骤5：提取变压器绕组振动信号特征，

对变压器绕组振动信号进行特征值提取，振动信号的特征值采用小波包变换和能量熵方法提取。

对振动信号的采样数据进行4层小波包变换，分别为第4层振动信号从低频到高频所有频率成分的振动信号。

对小波包分解系数进行单支重构：对经过4层小波包分解得到的16个频带内的序列进行重构，得到16个小波包重构信号，各重构信号分别包含了机械振动信号从低频到高频的信息。求取小波包能量熵构成的特征向量：当变压器绕组发生变形时，表现为变压器机械振动信号各频率成分的能量发生了相应变化。因此，可用某一种或几种频率成分能量值的改变来表征变压器绕组所对应的故障模式；设变压器绕组机械振动信号长度为N，对该信号进行4层小波包分解，得到的分解序列为X_4k，(k＝1～16)；对分解系数进行单支重构后得到重构信号分量为S_4k，设E_4k为重构信号在第4层第k个节点上的功率，则E_4k＝|S_4k(i)|²，式中，i为分解的第i个信号段。令ε_4k＝E_4k/E，式中，E为第3层所有节点的总功率，则小波包能量熵H_k的计算公式为：

由上式分别求出16个小波包能量熵，以这16个小波包能量熵为元素可以构成1个特征向量Q，则：

Q＝[H₁，H₂，H₃，…，H₁₆] (2)

将特征向量Q归一化处理，令(j＝1～16)得到的机械振动信号特征值Q′为：

步骤6：分别针对不同状态类型建立相关向量机分类器模型，将已知状态类型的变压器绕组的振动信号特征值作为该模型的输入，在对应的相关向量机分类器模型中进行训练学习，计算出各相关向量机分类器模型的超参数和相关权重向量；各状态类型对应的各信号特征值在其输入的相关向量机分类器模型中计算得到的后验概率为该模型的输出，设定门限值，记录后验概率与门限值的大小关系及对应的状态类型，进而确定各相关向量机分类器模型；所述状态类型包括变压器绕组辐向压缩、辐向拉伸、轴向绝缘脱落及端部叠套；

步骤6.1：分别针对不同状态类型建立相关向量机分类器模型RVM1至RVM4，RVM1用于诊断出辐向压缩，RVM2用于诊断出辐向拉伸，RVM3用于诊断出轴向绝缘脱落，RVM4用于诊断出端部叠套；

步骤6.2：选取已知变压器绕组的辐向压缩、辐向拉伸、轴向绝缘脱落、端部叠套四种故障状态下的变压器绕组机械振动信号特征值；

步骤6.3：将已知状态类型的变压器绕组的振动信号特征值作为该模型的输入，在对应的相关向量机分类器模型中进行训练学习，计算出各相关向量机分类器模型的超参数和相关权重向量，各状态类型对应的各信号特征值在其输入的相关向量机分类器模型中计算得到的后验概率为该模型的输出，设定门限值，记录后验概率与门限值的大小关系及对应的状态类型，进而确定各相关向量机分类器模型RVM1至RVM4；

步骤6.3.1：参数初始化，设置超参数α初始值，终止条件为α收敛、最大迭代次数；

步骤6.3.2：由步骤6.2选取的已知状态类型的变压器绕组的振动信号特征值及核函数K(x_i，x_j)，(j＝1～N)，计算设计矩阵Φ；

Φ＝[φ(x₁)，φ(x₂)，…，φ(x_N)]^T (4)

其中：

φ(x_i)＝[1，K(x_i，x₁)，K(x_i，x₂)，…，K(x_i，x_N)]^T (5)

式中，N为信号特征值维数；

步骤6.3.3：固定当前超参数α，采用二阶牛顿法迭代求解相关权重向量w，并计算梯度向量g和海赛矩阵H；由于H为对称矩阵，因此将H进行Cholesky分解，更新w，从而减少计算量；

H＝-Φ^TBΦ-A＝U^TU (6)

g＝Φ^T(t-Y)-Aw (7)

式中，U为上三角矩阵；Δw为迭代的权重插值；A＝diag(α₁，α₂，…，α_N)，α_i(i＝1～N)为迭代计算的超参数；B＝diag(β₁，β₂，…，β_N)，β_i＝[Y_i(1-Y_i)]，i＝1～N；t为目标向量，t＝[t₁，t₂，…，t_N]^T；w为相关权重向量，w＝[w₁，w₂，…，w_N]；Y＝[Y₁，Y₂，…，Y_N]^T，Y_i＝σ[y(x_i，w)]，i＝1～N，σ(·)为sigmoid函数，y(x_i，w)为第i个相关向量机分类器模型；

步骤6.3.4：将步骤6.3.3迭代得到的w作为权重的后验均值，即相关权重向量，由于对H进行Cholesky分解，因此可以按式(9)给出的快速计算方法计算∑_i，i，

式中，||·||₂表示2范数，M_i表示矩阵M的第i行，∑_i，i为∑中第i项对角线元素；

步骤6.3.5：采用最大化边缘似然函数的方法，按照式(10)和(11)更新超参数α，

γ_i＝1-α_i∑_i，i (11)

式中，和α_i分别为更新后的超参数中的第i个元素和初始超参数中的第i个元素，∑_i，i为∑中第i项对角线元素，w_i为相关权重向量w的第i个元素；

步骤6.3.6：重复步骤6.3.3～步骤6.3.5直至α收敛；

步骤6.3.7：计算出RVM1至RVM4更新后的超参数α^new和相关权重向量w；

步骤6.3.8：根据已知辐向压缩、信号特征值以及训练后得到的超参数和相关权重向量，求出辐向压缩状态的信号特征值在RVM1中的对应后验概率；

设为输入信号特征值，t＝[t₁，t₂，…，t_N]^T为目标向量，相关向量机分类器模型为：

式中，w₀为初始权重，w为相关权重向量，w＝[w₁，w₂，…，w_N]；K(x，x_i)为核函数，w_i为相关权重向量w的第i个元素；

对于二元分类问题，目标值只能为0或1，整个数据集似然函数为：

式中，σ(·)为sigmoid函数，为避免产生过拟合，确保模型的稀疏性，稀疏贝叶斯方法对相关权重向量w赋予零均值高斯先验分布：

式中，α^new为更新后的N+1维超参数，α^new＝(α₁，α₂，…，α_N)^T，为更新后的第i个N维超参数，N(·)为正态分布函数；

对于变压器绕组已知的信号特征值x_*，目标值t_*的后验概率为：

P(t_*|t)＝∫p(t_*|w，α^new)p(w|t，α^new)p(α^new|w)dw dα^new (15)

根据公式(15)计算出辐向压缩状态的信号特征值在RVM1中的对应后验概率；

步骤6.3.9：设定门限值为70％，记录后验概率与门限值的大小关系及对应的状态类型，如计算出的正常状态的后验概率大于70％，则记录RVM1的输出后验概率大于70％时为辐向压缩，否则为其余状态。

依次对RVM2至RVM4进行步骤6.3.1至步骤6.3.8的操作，进而确定相关向量机分类器模型RVM1至RVM4。

步骤7：利用步骤6中确定的相关向量机分类器模型和未知状态类型的变压器绕组的各信号特征值对变压器绕组进行故障诊断，

将提取的未知状态类型的变压器绕组的信号特征值输入RVM1中，按照步骤6.3.1至步骤6.3.8，计算出未知状态类型的变压器绕组的信号特征值在RVM1中的对应后验概率，并判断该后验概率与门限值的大小关系，与记录的后验概率与门限值的大小关系进行对照；若两者等同，则确定当前信号特征值对应的状态类型，进而确定未知状态类型的变压器绕组的各信号特征值对应的全部状态类型，即得到变压器绕组故障类型检测结果。

如未知状态类型的信号特征值输入RVM1中计算出的后验概率大于门限值70％，而记录的RVM1中后验概率大于70％为辐向压缩，则诊断该未知状态类型的信号特征值对应的状态类型为辐向压缩，输出辐向压缩；否则，该未知状态类型的信号特征值对应的状态类型为其他状态，将未知状态类型的信号特征值输入RVM2中。

将未知状态类型的信号特征值输入RVM2中进行诊断，RVM2用于诊断出辐向拉伸，计算出未知状态类型的信号特征值在RVM2中的对应后验概率，并判断该后验概率与门限值的大小关系，与RVM2中记录的后验概率与门限值的大小关系进行对照，若对应的状态类型为辐向拉伸，则确定变压器绕组具有辐向拉伸；否则，该未知状态类型的信号特征值对应的状态类型为其他状态，将未知状态类型的信号特征值输入RVM3中。

将未知状态类型的信号特征值输入RVM3中进行诊断，RVM3用于诊断出轴向绝缘脱落，计算出未知状态类型的信号特征值在RVM3中的对应后验概率，并判断该后验概率与门限值的大小关系，与RVM3中记录的后验概率与门限值的大小关系进行对照，若对应的状态类型为轴向绝缘脱落，则确定变压器绕组具有轴向绝缘脱落；否则，该未知状态类型的信号特征值对应的状态状态为其他状态，将未知状态类型的信号特征值输入RVM4中。

将未知状态类型的信号特征值输入RVM4中进行诊断，RVM4用于诊断出端部叠套，计算出未知状态类型的信号特征值在RVM4中的对应后验概率，并判断该后验概率与门限值的大小关系，与RVM4中记录的后验概率与门限值的大小关系进行对照，若对应的状态类型为端部叠套，则确定变压器绕组具有端部叠套；否则，输出其他故障。

虽然以上描述了本实用新型的具体实施方式，但是本领域内的熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变更或修改，而不背离本实用新型的原理和实质。本实用新型的范围仅由所附权利要求书限定。

Claims (1)

1.一种电力变压器绕组形变状态多信息检测装置，其特征在于包括电压互感器、电流互感器、超声波探头、振动传感器、信号调理电路、AD转换电路及中央处理器；所述电压互感器、电流互感器、超声波探头及振动传感器的输出端分别与信号调理电路的输入端相连接，信号调理电路的输出端经AD转换电路与中央处理器的输入端相连接，中央处理器的输出端与通信总线相连接。