一种电压互感器绝缘故障辨识模型构建方法及装置与流程

1.本发明涉及电力设备状态评估方法技术领域，具体涉及一种电压互感器绝缘故障辨识模型构建方法及装置。


背景技术：

2.电压互感器是广泛应用于电力系统中进行电气数据采集的关键基础设备之一，具体包括电磁式电压互感器、电容式电压互感器和电子式电压互感器。
3.电压互感器在运行过程中易受到外界环境因素的影响而发生劣化现象，进而影响电气数据测量的准确性，严重时甚至会影响继电保护的准确动作，威胁电力系统的安全稳定运行。因此，监测电压互感器运行状态，及时维护故障电压互感器以保证其运行状态符合相关规程十分重要。
4.传统的电压互感器检测方法为定周期离线检测，该方法需计划性停电配合，其检测周期固定导致“欠修”与“过修”问题并存，无法及时掌握电压互感器的运行状态。应对上述不足，申请号为cn201820315588.3的实用新型专利提出了一种电容式电压互感器绝缘在线监测装置，通过外接设备对电容式电压互感器本体及尾端的绝缘状态进行监测，实时性较传统方法显著提高，然而该方法仅定性分析故障类别，存在无法定量分析故障严重程度的局限性。为应对传统停电检测方法检测量不全及灵敏度不高的问题，申请号为cn201911125797.7的发明专利提出了一种用于电容式电压互感器绝缘检测方法及装置，通过外接检测装置获取电容式电压互感器二次侧电流，并通过互感器纵差差值判定异常，上述两种方法都需要在互感器一次侧加装设备，存在影响一次回路物理特性的局限性。
5.论文“高压电容式电压互感器运行状态在线评估方法研究”提出了一种基于误差状态模糊分析的电容式电压互感器内绝缘状态评估方法，该方法无需加装设备，仅通过电压互感器的二次电压数据即可进行绝缘故障辨识。然而该方法仅在故障模拟实验平台上验证了有效性，并未考虑变电站现场的实地应用。变电站现场的电压互感器在型号、参数和应用环境方面与实验室模型有所不同，导致电压互感器在实验室与变电站现场的故障特征有所不同。因此实施上述方法的前提条件是在变电站现场的电压互感器上重新模拟故障实验，由于变电站现场不具备进行故障模拟实验的条件，限制了上述方法的实际应用性。将实验室建立的模型以低成本且切实可行的方式应用于变电站现场，提高模型的适用性和准确率，是本发明专利解决的关键问题。


技术实现要素：

6.本发明针对现有技术中存在的技术问题，提供一种电压互感器绝缘故障辨识模型构建方法及装置，通过构建辨识模型，实现在不同运行状态下对电压互感器故障辨识的准确率。
7.本发明解决上述技术问题的技术方案如下：一方面，本发明提供一种电压互感器绝缘故障辨识模型构建方法，包括以下步骤：
s1，采集绝缘故障模拟实验中电压互感器二次电压数据，构建绝缘故障实验数据集；s2，利用同相多台电压互感器一次电压的一致关系对所述绝缘故障实验数据集进行特征提取，消除一次电压波动影响，利用主成分分析法获取实验室故障特征数据集；s3，利用监督学习算法对所述实验室故障特征数据集进行训练，得到故障辨识模型；s4，利用迁移学习算法将所述故障辨识模型迁移至实际变电站工况，得到改进的故障辨识模型。
8.进一步的，所述电压互感器二次电压数据，包括：无故障运行状态数据和故障状态模拟数据；所述无故障运行状态数据用作特征提取的基准数据；故障状态模拟数据基于绝缘故障模拟实验，包括电压互感器层间击穿、匝间击穿、电容分压器电容击穿和电容器介质损耗异常。
9.进一步的，所述的利用主成分分析法获取实验室故障特征数据集，包括：采用主成分分析法对无故障运行状态的电压互感器二次电压数据进行分析，求取残差成分的转移矩阵；根据所述转移矩阵求取故障运行状态的电压互感器二次电压数据的残差成分，构成实验室故障特征数据集。
10.进一步的，步骤s3采用随机森林分类算法对所述实验室故障特征数据集进行训练，并根据袋外估计分数调整模型参数，进而得到故障辨识模型。
11.进一步的，所述步骤s4包括：构建变电站现场故障特征数据集；采用迁移成分分析算法拟合所述实验室故障特征数据集和变电站现场故障特征数据集，获取实验室故障特征数据集和变电站现场故障特征数据集间的映射关系，将所述故障辨识模型迁移至实际变电站工况，得到改进的故障辨识模型。
12.进一步的，所述的构建变电站现场故障特征数据集，包括：采集变电站内正常状态下的电压互感器二次电压数据，利用主成分分析法求取残差成分的转移矩阵；根据理论推导仿真模拟电压互感器故障状态下的二次电压数据，并利用转移矩阵计算残差成分，构成变电站现场故障特征数据集。
13.另一方面，本发明提供一种电压互感器绝缘故障辨识模型构建装置，包括：数据采集模块，采集绝缘故障模拟实验中电压互感器二次电压数据，构建绝缘故障实验数据集；故障特征提取模块，利用同相多台电压互感器一次电压的一致关系对所述绝缘故障实验数据集进行特征提取，消除一次电压波动影响，利用主成分分析法获取实验室故障特征数据集；模型训练模块，利用监督学习算法对所述实验室故障特征数据集进行训练，得到故障辨识模型；迁移模块，利用迁移学习算法将所述故障辨识模型迁移至实际变电站工况，得到改进的故障辨识模型。
14.进一步的，所述的利用主成分分析法获取实验室故障特征数据集，包括：采用主成分分析法对无故障运行状态的电压互感器二次电压数据进行分析，求取残差成分的转移矩阵；根据所述转移矩阵求取故障运行状态的电压互感器二次电压数据的残差成分，构成实验室故障特征数据集。
15.进一步的，所述模型训练模块采用随机森林分类算法对所述实验室故障特征数据集进行训练，并根据袋外估计分数调整模型参数，进而得到故障辨识模型。
16.进一步的，所述迁移模块采用迁移成分分析算法拟合所述实验室故障特征数据集和变电站现场故障特征数据集，获取实验室故障特征数据集和变电站现场故障特征数据集间的映射关系，将所述故障辨识模型迁移至实际变电站工况，得到改进的故障辨识模型。
17.本发明的有益效果是：通过本发明构建的故障辨识模型，可以无需停电检修，实现在线实时监测电压互感器的绝缘状态，实时掌握电压互感器的运行状态，且不受到一次负荷变化及电力系统电压主动调节的影响，为电压互感器的在线绝缘故障辨识及运行维护工作提供指导，降低故障电压互感器服务于电力系统的风险。
18.本发明融合电压互感器一次侧电气拓扑结构的专业知识与二次电压数据进行在线绝缘故障辨识，消除一次负荷变化及电力系统电压主动调节的影响，识别灵敏度及准确度高。
19.本发明利用迁移学习将实验室环境下构建的故障辨识模型迁移至变电站现场应用，模型的泛化性能强，可广泛应用于同相多台电压互感器群体的故障辨识，为电压互感器的运维检修工作提供指导，减少定期检修带来的人力、时间成本，极大降低故障电压互感器服务于电力系统的风险。
附图说明
20.图1为本发明实施例提供的同一母线多n组电压互感器接线结构拓扑图；图2为本发明实施例提供的电压互感器绝缘故障辨识模型构建方法流程示意图；图3为本发明实施例提供的电压互感器绝缘故障辨识模型构建装置结构示意图。
具体实施方式
21.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
22.本发明实施例提供一种电压互感器绝缘故障辨识模型构建方法，该方法基于同一母线n组电压互感器接线结构拓扑，同相n台电压互感器一次电压保持一致，二次电压间的比例关系仅与电压互感器误差相关。同一母线n组电压互感器接线结构拓扑如图1所示。
23.具体的，该方法包括以下步骤：s1，开展实验室环境下绝缘故障模拟实验，采集绝缘故障模拟实验中电压互感器二次电压数据，构建绝缘故障实验数据集；s2，利用同相多台电压互感器一次电压的一致关系对所述绝缘故障实验数据集进行特征提取，消除一次电压波动影响，利用主成分分析法获取实验室故障特征数据集；s3，利用监督学习算法对所述实验室故障特征数据集进行训练，得到故障辨识模
型；s4，利用迁移学习算法将所述故障辨识模型迁移至实际变电站工况，得到改进的故障辨识模型。
24.如图2的流程图所示，步骤s1设计绝缘故障模拟实验，采集电压互感器二次电压数据，构建绝缘故障实验数据集。该数据集包括无故障运行状态数据和故障状态模拟数据。步骤s2对应图2的特征提取部分，将无故障状态数据用于主成分分析获取残差成分转移矩阵，故障状态模拟数据根据残差成分转移矩阵转换为故障特征数据，消除了一次电压波动的影响，构建故障特征数据集用于故障辨识模型的建立。步骤s3对应图2的故障辨识模型部分，采用监督学习分类算法对故障特征数据集进行训练，构建绝缘故障辨识模型。步骤s4对应图2的迁移学习模型构建部分，采集电压互感器在正常运行状态下的变电站现场数据集，通过数值模拟得到电压互感器绝缘故障数据，并经过特征提取获得变电站现场故障特征数据集，在上述数据集与实验室环境构建的故障特征数据集间建立迁移学习模型，用于对故障辨识模型进行改进，得到最终模型。
25.具体的，所述电压互感器二次电压数据，包括：无故障运行状态数据和故障状态模拟数据；所述无故障运行状态数据用作特征提取的基准数据；故障状态模拟数据基于绝缘故障模拟实验，包括电压互感器层间击穿、匝间击穿、电容分压器电容击穿和电容器介质损耗异常。
26.所述的利用主成分分析法获取实验室故障特征数据集，包括：采用主成分分析法对无故障运行状态的电压互感器二次电压数据进行分析，求取残差成分的转移矩阵；根据所述转移矩阵求取故障运行状态的电压互感器二次电压数据的残差成分，构成实验室故障特征数据集。
27.步骤s3采用随机森林分类算法对所述实验室故障特征数据集进行训练，并根据袋外估计分数调整模型参数，包括基学习器个数、决策树的参数等，提升模型泛化性能，进而得到故障辨识模型。
28.进一步的，所述步骤s4包括：通过采集变电站内正常状态下的电压互感器二次电压数据，利用主成分分析法求取残差成分的转移矩阵；根据理论推导仿真模拟电压互感器故障状态下的二次电压数据，包括电压互感器层间击穿、匝间击穿、电容分压器电容击穿和电容器介质损耗异常，并利用转移矩阵计算残差成分，构成变电站现场故障特征数据集；采用迁移成分分析算法拟合所述实验室故障特征数据集和变电站现场故障特征数据集，获取实验室故障特征数据集和变电站现场故障特征数据集间的映射关系，将所述故障辨识模型迁移至实际变电站工况，得到改进的故障辨识模型。
29.现结合具体应用实例对本实施例进行说明。
30.选取某220kv变电站同一母线上的5组电容式电压互感器（后文简称为cvt）的电压数据，实施本发明提出的一种电压互感器绝缘故障在线辨识方法。同一母线上多组电压互感器接线结构拓扑图如图1所示。
31.本发明方法的实施步骤如图2所示：1）在实验室环境下基于电压互感器仿真模拟实验平台开展cvt故障模拟实验，采
集实验cvt二次电压数据，该数据包括无故障运行状态数据和故障状态模拟数据。无故障运行状态数据用作特征提取的基准数据。故障状态模拟数据基于绝缘故障模拟实验，包括cvt高压电容1台击穿、高压电容2台击穿、中压电容1台击穿、中压电容2台击穿、高压电容介质损耗异常、中压电容介质损耗异常。以a相cvt电容击穿故障为例，cvt二次电压数据集如表1所示，表1中列出了故障线路编号、试验项目的故障状态、以及对应采集到的样本数量。同时，为便于监督学习算法进行处理，以及更加清晰直观地表示故障项目，本文对故障状态进行编码化，表1中还列出了每个故障状态对应的编码化标签。编码化标签的五个数字分别代表5组a相cvt的故障状态，其中0代表正常状态，1和2分别代表高压电容1台和2台击穿，
‑
1和
‑
2分别代表中压电容1台和2台击穿。
32.表1 cvt故障模拟数据2）如图1所示，同相cvt测量的一次电压幅值保持一致，如下式所示：（1）由上式易得，同相cvt二次电压幅值之间的关系为：
（2）其中ε
a1
，ε
b1
，ε
c1
，ε
a2
，ε
b2
，ε
c2
，
…
，ε
an
，ε
bn
，ε
cn
分别为n组cvt的比值误差。由式(2)可知cvt的同相关系包含一次电压的信息与cvt的误差信息，若能根据同相关系将一次电压的特征信息与误差的特征信息解耦，则能在绝缘故障辨识模型建立过程中消除一次电压波动的影响，放大故障导致的误差变化信息，以便于故障辨识模型对故障特征进行有效学习。
33.采用主成分分析法训练无故障运行状态数据。考虑到同相cvt一次电压的一致性，选取主成分数量为1，通过主成分分析得到残差成分的转移矩阵p
e
，从而求取故障特征数据，故障特征数据计算方法如下式所示：（3）其中，e为表征经过特征提取的故障特征数据，x为电压互感器经过标准化后的二次电压数据。当原始数据集中消去了重构后的包含一次侧接线结构知识的数据后，得到表征故障特征信息的残差分量e，该残差分量将作为监督学习模型的数据集，以放大故障特征信息，提高模型的性能。
34.3）采用监督学习分类算法随机森林对故障特征数据集e进行拟合，调整算法参数，包括基学习器个数、决策树最大深度、节点划分所需最小样本数、叶子节点最小样本数、节点划分最大特征数和节点划分准则等，提升模型泛化性能。模型泛化性能由袋外估计分数确定，该数值越大，表明模型泛化性能越强。
35.模型参数优化的调整顺序依照参数对模型复杂度的影响程度从高至低进行，首先调整基学习器的个数，以初始值为10、步长为10进行模型测试，测试结果为：基学习器数量为10时，袋外估计分数为98.79%，基学习器数量大于等于20后，袋外参数皆为1.000，因此选取20为模型的基学习器数量，过高的基学习器个数将会导致模型复杂度高，泛化能力变弱。然后，按照上述思路依次对决策树最大深度、节点划分所需最小样本数、叶子节点最小样本数、节点划分最大特征数和节点划分准则等进行调整。其中，节点划分所需最小样本数、叶子节点最小样本数相互关联，因此采用网格搜索法进行调整。
36.4）采集220kv变电站内正常状态下的cvt二次电压数据，利用主成分分析法求取残差成分的转移矩阵。根据理论推导模拟cvt故障状态下的二次电压数据，包括高压电容1台击穿、高压电容2台击穿、中压电容1台击穿、中压电容2台击穿、高压电容介质损耗异常、中压电容介质损耗异常，并利用转移矩阵计算残差成分。上述残差成分构成变电站现场故障特征数据集。采用迁移成分分析算法拟合实验室环境故障特征数据集和变电站现场故障特征数据集，将两个数据集通过矩阵w映射到最大均值差异较小的空间，得到映射后的故障特征数据集如下式所示：
其中，e1和e2分别为源域和目标域数据集，即实验室环境故障特征数据集和变电站现场故障特征数据集；e
n1
和e
n2
分别为经过迁移成分分析映射后的实验室环境故障特征数据集和变电站现场故障特征数据集。采用随机森林算法拟合e
n1
，依据步骤3）中的顺序调整模型参数，得到袋外估计分数最高的最优模型参数如表2所示。
37.表2最优模型参数表利用上述模型对e
n2
进行预测，得到模型的绝缘故障识别准确率为88.3%，即该模型可以有效识别变电站内同相电压互感器的绝缘故障。
38.基于上述方法，本发明实施例还提供一种电压互感器绝缘故障辨识模型构建装置，如图3所示，包括：数据采集模块，采集绝缘故障模拟实验中电压互感器二次电压数据，构建绝缘故障实验数据集；故障特征提取模块，利用同相多台电压互感器一次电压的一致关系对所述绝缘故障实验数据集进行特征提取，消除一次电压波动影响，利用主成分分析法获取实验室故障特征数据集；模型训练模块，利用监督学习算法对所述实验室故障特征数据集进行训练，得到故障辨识模型；迁移模块，利用迁移学习算法将所述故障辨识模型迁移至实际变电站工况，得到改进的故障辨识模型。
39.进一步的，所述的利用主成分分析法获取实验室故障特征数据集，包括：采用主成分分析法对无故障运行状态的电压互感器二次电压数据进行分析，求取残差成分的转移矩阵；根据所述转移矩阵求取故障运行状态的电压互感器二次电压数据的残差成分，构成实验室故障特征数据集。
40.进一步的，所述模型训练模块采用随机森林分类算法对所述实验室故障特征数据集进行训练，并根据袋外估计分数调整模型参数，进而得到故障辨识模型。
41.进一步的，所述迁移模块采用迁移成分分析算法拟合所述实验室故障特征数据集和变电站现场故障特征数据集，获取实验室故障特征数据集和变电站现场故障特征数据集
间的映射关系，将所述故障辨识模型迁移至实际变电站工况，得到改进的故障辨识模型。
42.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。