CN108508318A - 一种判断变压器不平衡负载运行状态的方法及系统 - Google Patents

Abstract

本发明公开了一种判断变压器不平衡负载运行状态的方法及系统，方法实施步骤包括：获取待检测变压器的声信号，根据待检测变压器的声信号提取独立特征参数，将独立特征参数输入训练好的机器学习模型，得到待检测变压器当前的不平衡负载运行状态，所述机器学习模型被训练包括独立特征参数和不平衡负载运行状态之间的映射关系；系统包括被编程以执行前述方法的计算机设备。本发明能够有效检测变压器三相不平衡负载运行状态的方法，具有不接触带电设备、操作方便、检测效率高的优点。

Description

一种判断变压器不平衡负载运行状态的方法及系统

技术领域

本发明涉及变压器运行状态检测领域，具体涉及一种判断变压器不平衡负载运行状态的方法及系统。

背景技术

变压器是电力系统的重要组成部分，承担着不同电压等级电力网络之间的电能传输任务。变压器在三相负载不平衡度较大的情况下运行，将会给电网与变压器造成不良影响，主要表现在：①、当三相负载不平衡时，三相电流存在差异，电网中性线上产生不平衡电流，一方面导致线路损耗增加，另一方面导致变压器中性点漂移，各相相电压发生变化，容易造成用电设备烧毁或无法使用的情况；②、增加了变压器电能损耗；③、钢构件中产生磁滞和涡流损耗，导致变压器局部过热、绝缘老化；④、变压器输出容量无法达到额定值，备用容量减少，过载能力降低，当三相负载严重不平衡时，随着运行时间的增加，变压器可能出现因某一相电流过高而烧毁的情况。

因此，为了提高供电可靠性，电力系统中一般对变压器三相负载不平衡度进行严格要求。目前，主要通过核查变压器关口表发现三相负载不平衡问题，但为了核对表计结果是否准确，往往需要人工现场检测变压器三相负载电流与中性线电流。该方法主要存在费时费力、需与带电设备接触等问题，尤其是对于数量多、分布广的配电变压器，检测所需的人员、设备较多。此外，对于位置偏远的配电变压器，往往缺乏三相负载不平衡检测手段，负载不平衡现象往往难以发现，测试难度也较大，不利于变压器的安全可靠运行。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种判断变压器不平衡负载运行状态的方法及系统，本发明能够有效检测变压器三相不平衡负载运行状态的方法，具有不接触带电设备、操作方便、检测效率高的优点。

为了解决上述技术问题，本发明采用的技术方案为：

一种判断变压器不平衡负载运行状态的方法，实施步骤包括：

1)获取待检测变压器的声信号；

2)根据待检测变压器的声信号提取独立特征参数；

3)将独立特征参数输入训练好的机器学习模型，得到待检测变压器当前的不平衡负载运行状态，所述机器学习模型被训练包括独立特征参数和不平衡负载运行状态之间的映射关系。

优选地，步骤2)的详细步骤包括：

2.1)对待检测变压器的声信号进行预处理；

2.2)对预处理后的声信号进行频谱分析与小波包分析，提取不平衡负载运行特征参数；

2.3)针对不平衡负载运行特征参数进行主成分分析，得到独立特征参数。

优选地，步骤2.2)的详细步骤包括：

2.2.1)对预处理后的变压器的声信号进行傅里叶变换，截取1kHz范围内的声信号频谱；计算声信号1kHz范围内50Hz及其奇次谐波频率声信号能量与50Hz及其偶次谐波频率声信号能量的比值R_oe；

2.2.2)以100Hz频率为基频，计算1kHz范围内声信号的谐波畸变率R_THD；

2.2.3)对预处理后的变压器的声信号进行3层小波包分析，计算小波包能量特征E；

2.2.4)将比值R_oe、谐波畸变率R_THD与小波包能量特征E三者共同构成不平衡负载运行特征参数。

优选地，步骤2.2.1)中比值R_oe的计算函数表达式如式(1)所示；

式(1)中，A_2i为信号50Hz偶次谐波幅值，A_2i-1为信号50Hz奇次谐波幅值，N为1kHz范围内信号50Hz谐频数量。

优选地，步骤2.2.2)中谐波畸变率R_THD的计算函数表达式如式(2)所示；

式(2)中，A₂为信号100Hz谐波幅值，A_i为信号中50Hz的第i次谐波幅值，N为1kHz范围内信号50Hz谐频数量。

优选地，步骤2.2.3)中小波包能量特征E的计算函数表达式如式(3)所示；

式(3)中，E_i为第i个小波包子带能量，n＝3为小波包分解层数。

优选地，步骤2.3)针对不平衡负载运行特征参数进行主成分分析时，主成分分析输出的独立特征参数维度为2维，且主成分条件为独立特征贡献率超过85％，最终得到不平衡负载运行特征参数对应的独立特征参数。

优选地，步骤3)中的机器学习模型为最小二乘支持向量机分类模型。

优选地，所述最小二乘支持向量机分类模型的训练步骤包括：

S1)针对样本变压器，分别采集未发生三相不平衡负载时的声信号x_1i、以及发生三相不平衡负载时的声信号x_2i；

S2)对样本变压器的未发生三相不平衡负载时的声信号x_1i、以及发生三相不平衡负载时的声信号x_2i提取独立特征参数；

S3)根据采集振动加速度信号时样本变压器是否处于三相不平衡负载运行状态，对样本变压器的独立特征参数进行分类，未发生三相不平衡负载时的声信号特征参数类别为“1”，发生三相不平衡负载时的声信号特征参数类别为“-1”；

S4)将分类后的独立特征参数及其特征参数类别组成训练集，将训练集采用最小二乘支持向量机方法进行训练，得到包含包括独立特征参数和不平衡负载运行状态之间的映射关系的最小二乘支持向量机分类模型。

本发明还提供一种判断变压器不平衡负载运行状态的系统，包括计算机设备，所述计算机设备被编程以执行本发明前述判断变压器不平衡负载运行状态的方法的步骤。

本发明判断变压器不平衡负载运行状态的方法具有下述优点：

1、本发明在常用电流检测方法无法开展时，能够有效检测出变压器的三相不平衡负载运行状态；

2、本发明与带电设备不存在电接触，测试过程无需接线或安装其他测量设备，测试安全性、检测效率更高，操作方便，检测成本较低。

本发明判断变压器不平衡负载运行状态的系统为本发明判断变压器不平衡负载运行状态的方法对应的系统，其同样也具有本发明判断变压器不平衡负载运行状态的方法的前述优点，故在此不再赘述。

附图说明

图1是本发明实施例方法的实现流程示意图。

图2是本发明实施例中未发生三相不平衡负载时变压器的声信号频谱。

图3是本发明实施例中发生三相不平衡负载时变压器的声信号频谱。

图4是本发明实施例中待预测变压器三相不平衡负载状态的分类判别结果。

具体实施方式

参见图1，本实施例判断变压器不平衡负载运行状态的方法的实施步骤包括：

1)获取待检测变压器的声信号；

2)根据待检测变压器的声信号提取独立特征参数；

3)将独立特征参数输入训练好的机器学习模型，得到待检测变压器当前的不平衡负载运行状态，机器学习模型被训练包括独立特征参数和不平衡负载运行状态之间的映射关系。

本实施例方法能够在不进行电流检测的情况下，有效检测出变压器的三相不平衡负载问题，具有无需与设备带电部位接触、检测安全性与效率高的优点。

本实施例中，步骤1)中测量待检测变压器声信号时，声信号测点位置位于变压器1/2高度、距离高压侧立面1m范围内的任意位置，且要求每次测试测点位置相同，采样频率2048Hz，采用小波包分析方法对背景噪声信号进行降噪预处理，排除环境噪声干扰。由于不同位置变压器声信号存在一定差异，相同测点位置有利于保证测试结果具有可对比性。由于自冷式变压器噪声信号一般位于1kHz范围内，因此，采样频率应不低于2kHz。变压器声信号测试容易受到外界因素的干扰，采用小波包分析方法能够对声信号频带进行细分，从而查找出环境噪声所在频段，进而滤除环境噪声干扰，提高测量准确性。

参见图1，本实施例中步骤2)的详细步骤包括：

2.1)对待检测变压器的声信号进行预处理(背景降噪)；

2.2)对预处理后的声信号进行频谱分析与小波包分析，提取不平衡负载运行特征参数；

2.3)针对不平衡负载运行特征参数进行主成分分析，得到独立特征参数。

本实施例中，步骤2.2)的详细步骤包括：

2.2.1)对预处理后的变压器的声信号进行傅里叶变换，截取1kHz范围内的声信号频谱；计算声信号1kHz范围内50Hz及其奇次谐波频率声信号能量与50Hz及其偶次谐波频率声信号能量的比值R_oe；

2.2.2)以100Hz频率为基频，计算1kHz范围内声信号的谐波畸变率R_THD；

2.2.3)对预处理后的变压器的声信号进行3层小波包分析，计算小波包能量特征E；

2.2.4)将比值R_oe、谐波畸变率R_THD与小波包能量特征E三者共同构成不平衡负载运行特征参数。

本实施例中，步骤2.2.1)中比值R_oe的计算函数表达式如式(1)所示；

式(1)中，A_2i为信号50Hz偶次谐波幅值，A_2i-1为信号50Hz奇次谐波幅值，N为1kHz范围内信号50Hz谐频数量。

本实施例中，步骤2.2.2)中谐波畸变率R_THD的计算函数表达式如式(2)所示；

式(2)中，A₂为信号100Hz谐波幅值，A_i为信号中50Hz的第i次谐波幅值，N为1kHz范围内信号50Hz谐频数量。

本实施例中，步骤2.2.3)中小波包能量特征E的计算函数表达式如式(3)所示；

式(3)中，E_i为第i个小波包子带能量，n＝3为小波包分解层数。

如图2所示，三相均为50％负载，未发生三相不平衡负载时，变压器声信号频谱主要集中在1kHz范围内，变压器声信号能量主要集中在100Hz、200Hz、300Hz、400Hz、500Hz、600Hz以及700Hz等50Hz偶数倍频率上。比值R_oe较小，为0.0885；R_THD为0.4449；小波包能量特征E＝[14.3379,56.4032,3.4128,20.7894,0.0143,0.4541,2.4675,2.1208]。如图3所示，A、C相75％负载，B相空载，发生三相不平衡负载后，声信号频谱分布较三相平衡负载情况发生了较为显著的变化，主频200Hz比重更加突出，150Hz、250Hz频率分量幅值有所增大。100Hz、300Hz、600Hz频率分量幅值降低，其中，600Hz频率分量幅值变化最为明显。比值R_oe增大至0.1353；R_THD为0.6532；小波包能量特征E＝[4.7488,60.4115,7.6629,18.3438,0.0490,0.7152,4.1015,3.9673]。本实施例将比值R_oe、谐波畸变率R_THD、小波包能量特征E三个特征参数互相补充，共同构成三相不平衡负载特征参数。

本实施例中，步骤2.3)针对不平衡负载运行特征参数进行主成分分析时，主成分分析输出的独立特征参数维度为2维，且主成分条件为独立特征贡献率超过85％，最终得到不平衡负载运行特征参数对应的独立特征参数。由于比值R_oe、谐波畸变率R_THD、小波包能量特征E三个特征参数之间可能存在相互关联，因此，本实施例步骤3)采用主成分分析方法对其进行去相关处理，从而进一步降低特征数量，最终的变压器三相不平衡负载特征参数仅为两个，分别为“特征参数1”与“特征参数2”。需要说明的是，采用主成分分析进行降维是主成分分析方法的基本应用，故进行主成分分析的具体步骤在此不再详述。

本实施例中，步骤3)中的机器学习模型为最小二乘支持向量机分类模型，此外也可以根据需要采用其他的机器学习模型。

本实施例中，最小二乘支持向量机分类模型的训练步骤包括：

S1)针对样本变压器，分别采集未发生三相不平衡负载时的声信号x_1i、以及发生三相不平衡负载时的声信号x_2i；

S2)对样本变压器的未发生三相不平衡负载时的声信号x_1i、以及发生三相不平衡负载时的声信号x_2i提取独立特征参数；

S3)根据采集振动加速度信号时样本变压器是否处于三相不平衡负载运行状态，对样本变压器的独立特征参数进行分类，未发生三相不平衡负载时的声信号特征参数类别为“1”，发生三相不平衡负载时的声信号特征参数类别为“-1”；

S4)将分类后的独立特征参数及其特征参数类别组成训练集，将训练集采用最小二乘支持向量机方法进行训练，得到包含包括独立特征参数和不平衡负载运行状态之间的映射关系的最小二乘支持向量机分类模型。

如图4所示，本实施例中采用80组待预测变压器声信号样本对最小二乘支持向量机分类模型进行训练，其中40组为正常状态样本，40组为三相不平衡负载运行状态样本。假设100组待预测变压器声信号样本分类未知，采用训练完成的最小二乘支持向量机分类模型对这100组声信号特征参数进行分类判别，其中42组被判别为不平衡负载运行状态，58组被判别为三相平衡负载运行状态，判别的准确率约为98％，满足实际应用要求。

本实施例还提供一种断变压器不平衡负载运行状态的系统，包括计算机设备，计算机设备被编程以执行本实施例判断变压器不平衡负载运行状态的方法的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种判断变压器不平衡负载运行状态的方法，其特征在于实施步骤包括：

1)获取待检测变压器的声信号；

2)根据待检测变压器的声信号提取独立特征参数；

3)将独立特征参数输入训练好的机器学习模型，得到待检测变压器当前的不平衡负载运行状态，所述机器学习模型被训练包括独立特征参数和不平衡负载运行状态之间的映射关系。

2.根据权利要求1所述的判断变压器不平衡负载运行状态的方法，其特征在于，步骤2)的详细步骤包括：

2.1)对待检测变压器的声信号进行预处理；

2.2)对预处理后的声信号进行频谱分析与小波包分析，提取不平衡负载运行特征参数；

2.3)针对不平衡负载运行特征参数进行主成分分析，得到独立特征参数。

3.根据权利要求2所述的判断变压器不平衡负载运行状态的方法，其特征在于，步骤2.2)的详细步骤包括：

2.2.1)对预处理后的变压器的声信号进行傅里叶变换，截取1kHz范围内的声信号频谱；计算声信号1kHz范围内50Hz及其奇次谐波频率声信号能量与50Hz及其偶次谐波频率声信号能量的比值R_oe；

2.2.2)以100Hz频率为基频，计算1kHz范围内声信号的谐波畸变率R_THD；

2.2.3)对预处理后的变压器的声信号进行3层小波包分析，计算小波包能量特征E；

2.2.4)将比值R_oe、谐波畸变率R_THD与小波包能量特征E三者共同构成不平衡负载运行特征参数。

4.根据权利要求3所述的判断变压器不平衡负载运行状态的方法，其特征在于，步骤2.2.1)中比值R_oe的计算函数表达式如式(1)所示；

式(1)中，A_2i为信号50Hz偶次谐波幅值，A_2i-1为信号50Hz奇次谐波幅值，N为1kHz范围内信号50Hz谐频数量。

5.根据权利要求3所述的判断变压器不平衡负载运行状态的方法，其特征在于，步骤2.2.2)中谐波畸变率R_THD的计算函数表达式如式(2)所示；

式(2)中，A₂为信号100Hz谐波幅值，A_i为信号中50Hz的第i次谐波幅值，N为1kHz范围内信号50Hz谐频数量。

6.根据权利要求3所述的判断变压器不平衡负载运行状态的方法，其特征在于，步骤2.2.3)中小波包能量特征E的计算函数表达式如式(3)所示；

式(3)中，E_i为第i个小波包子带能量，n＝3为小波包分解层数。

7.根据权利要求2所述的判断变压器不平衡负载运行状态的方法，其特征在于，步骤2.3)针对不平衡负载运行特征参数进行主成分分析时，主成分分析输出的独立特征参数维度为2维，且主成分条件为独立特征贡献率超过85％，最终得到不平衡负载运行特征参数对应的独立特征参数。

8.根据权利要求1所述的判断变压器不平衡负载运行状态的方法，其特征在于，步骤3)中的机器学习模型为最小二乘支持向量机分类模型。

9.根据权利要求8所述的判断变压器不平衡负载运行状态的方法，其特征在于，所述最小二乘支持向量机分类模型的训练步骤包括：

S1)针对样本变压器，分别采集未发生三相不平衡负载时的声信号x_1i、以及发生三相不平衡负载时的声信号x_2i；

S2)对样本变压器的未发生三相不平衡负载时的声信号x_1i、以及发生三相不平衡负载时的声信号x_2i提取独立特征参数；

S3)根据采集振动加速度信号时样本变压器是否处于三相不平衡负载运行状态，对样本变压器的独立特征参数进行分类，未发生三相不平衡负载时的声信号特征参数类别为“1”，发生三相不平衡负载时的声信号特征参数类别为“-1”；

S4)将分类后的独立特征参数及其特征参数类别组成训练集，将训练集采用最小二乘支持向量机方法进行训练，得到包含包括独立特征参数和不平衡负载运行状态之间的映射关系的最小二乘支持向量机分类模型。

10.一种判断变压器不平衡负载运行状态的系统，包括计算机设备，其特征在于，所述计算机设备被编程以执行权利要求1～9中任意一项所述判断变压器不平衡负载运行状态的方法的步骤。