一种基于逻辑回归的变压器绕组变形程度在线检测方法与流程

本发明涉及变压器故障诊断领域，具体涉及一种基于逻辑回归的变压器绕组变形程度在线检测方法。
背景技术：
：变压器受到短路冲击或者运输碰撞后，在电动力或机械力作用下发生的绕组局部扭曲、鼓包等特征，称为绕组变形，给电力网络的安全运行埋下了巨大隐患。目前，绕组变形常用的诊断方法包括三种方法：频率响应法、低电压短路阻抗测试法、绕组介损电容量测试法。用频率响应分析法判断变压器绕组变形，主要是对绕组的幅频响应特性进行纵向或横向比较，并综合考虑变压器遭受短路冲击的情况、变压器结构、电气试验及油中溶解气体分析等因素。纵向比较法是指对同一台变压器、同一绕组、同一分接开关位置、不同时期的幅频响应特性进行比较，根据幅频响应特性的变化判断变压器的绕组变形。该方法具有较高的检测灵敏度和判断准确性，但需要预先获得变压器原始的幅频响应特性，并应排除因检测条件及检测方式变化所造成的影响。通过相关系数可以定量描述出两条波形曲线之间的相似程度，通常可作为辅助手段用于分析变压器的绕组变形情况。低电压短路阻抗测试法是指在不高于500v的交流工频电压下用绕组参数短路阻抗、短路电抗和漏电感的相对变化和三相不对称程度作为判断绕组有无变形的依据。变压器的每一对绕组的漏电感是这两个绕组的相对距离的增函数，且漏电感与这两个绕组的高度的算术平均值近似成反比。即漏电感是这对绕组相对位置的函数。绕组对中任何一个绕组的变形必定会引起漏电感的变化。而短路阻抗和短路电抗都是漏电感的函数，因此任何一个绕组的变形也会引起相应的变化。绕组介损电容量测试法的原理是任何绝缘材料在电压作用下，总会流过一定的电流，产生能量损耗。电压作用下电介质产生的一切损耗成为介质损耗，简称“介损”。变压器产品出厂后，其各绕组的电容量基本是一定的，若受短路冲击某侧绕组变形严重，其相对距离发生显著变化，则其电容量变化相应也较大。因此可以通过介损和电容量的变化来判断变压器的内部变形的情况。介质损耗因素是被试品的有功功率与无功功率的比值，可以直接用数字化介损测量仪测得。数字化介损测量仪的基本测量原理是分别将流过标准电容器和被试品的电流信号进行高速同步采样，经模数转换装置测量得到两组信号波形数据，再经计算处理中心分析，分别得出标准侧和被试侧正弦信号的幅值和相位关系，从而计算出被试品的电容量及介损值。变压器的介质损耗因素在大修及交接时，应不大于相同温度下出厂试验值的1.3倍。上述方法的应用非常广泛，但共同的局限在于都需要停电测试，都属于离线诊断方法。离线诊断方法有三个缺点：(1)试验时需要停电。在某些情况下，由于系统运行的要求，设备无法停电，往往造成漏试或超周期试验，这就难以及时诊断出故障缺陷。(2)试验间隔周期过长。试验的周期一般为一年，一些发展较快的故障很容易在两次规定试验之间的时间内发展成为事故。(3)试验时间集中、工作量大，对操作人员的专业技能要求较高，需要大量的人力成本。针对离线诊断方法的不足，近年来研究者们提出了许多利用设备在线监测数据诊断绕组变形的方法，我们将此类方法称为在线诊断方法。与离线诊断相比，在线诊断方法可以减少设备停电时间，节省试验费用，在运行中及时发现事故隐患，防患于未然。同时，在线诊断方法综合了在线监测序列的前后信息，监测内容丰富，信息量大，能进行更为全面的诊断。技术实现要素：针对本领域存在的不足之处，本发明提供了一种基于逻辑回归的变压器绕组变形程度在线检测方法，通过逻辑回归算法从变压器各在线监测指标中找到与绕组变形显著相关的监测指标，再从显著相关的监测指标记录的监测数据中提取前后两段序列的算术平均值的均方根误差和短路时记录的电流的算数平均值作为特征，输入到逻辑回归模型中训练诊断模型，输出变压器是否变形和变形的概率。若输出变形且变形概率大于0.9，表示绕组变形程度较高，应及时维修更换；若输出变形但变形概率在[0.1，0.9]区间，表示绕组变形程度较低，暂不需要更换，但需要加强监测。若变形概率小于0.1，表示绕组正常。一种基于逻辑回归的变压器绕组变形程度在线检测方法，包括：(1)将已知绕组状态的变压器的在线监测指标记录的在线监测数据采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标；(2)将所述的与绕组变形显著相关的在线监测指标记录的在线监测数据按时间分为两段序列，分别计算两段序列的算术平均值的均方根误差x1；(3)将得到的均方根误差x1和短路时记录的电流的算术平均值x2作为特征构成特征集{x1，x2}；(4)将得到的特征集加上标签后输入到逻辑回归模型中训练诊断模型，所述的标签用于显示绕组变形情况；(5)将待测变压器按步骤(2)、(3)进行特征提取得到特征集，将得到的特征集输入到步骤(4)训练好的逻辑回归模型中，输出待测变压器是否变形和变形概率。步骤(1)中，所述的已知绕组状态的变压器一般为三相三绕组，三相分别为a相、b相和c相，三绕组分别为高压绕组、中压绕组和低压绕组。优选地，所述的已知绕组状态的变压器的在线监测指标包括：各绕组各相的电流和电压，各绕组的有功功率、无功功率和母线电压，以及油温。具体包括：高压绕组a相电流、高压绕组b相电流、高压绕组c相电流、中压绕组a相电流、中压绕组b相电流、中压绕组c相电流、低压绕组a相电流、低压绕组b相电流、低压绕组c相电流、高压绕组a相电压、高压绕组b相电压、高压绕组c相电压、中压绕组a相电压、中压绕组b相电压、中压绕组c相电压、低压绕组a相电压、低压绕组b相电压、低压绕组c相电压、高压绕组有功功率、中压绕组有功功率、低压绕组有功功率、高压绕组无功功率、中压绕组无功功率、低压绕组无功功率、高压绕组母线电压、中压绕组母线电压、低压绕组母线电压和油温。所述的采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标的具体步骤包括：a.对已知绕组状态的变压器的在线监测指标记录的在线监测数据进行z-score标准化处理；b.将同一时间点的z-score标准化处理后的在线监测数据作为自变量，该时间点的绕组变形情况作为因变量，输入到逻辑回归模型中；c.输出对应的在线监测指标的标准化回归系数以及显著性值，筛选出显著性值小于0.05的在线监测指标作为与绕组变形显著相关的在线监测指标。步骤a中，所述的z-score标准化是数据标准化处理的一种常用方法，能够将不同量级的数据转化为统一量度的分值进行比较，可采用如下方式计算：其中，x为已知绕组状态的变压器的在线监测指标记录的在线监测数据，μ表示同一在线监测指标记录的所有在线监测数据的算术平均值，σ表示同一在线监测指标记录的所有在线监测数据的方差。步骤b中，所述的逻辑回归模型的方程可采用如下式子：其中，xi为同一时间点的z-score标准化处理后的在线监测数据，βi为标准化回归系数，i＝0，1，2，…，n，n为同一时间点的z-score标准化处理后的在线监测数据的个数，y为标签，反映该时间点的绕组变形情况，y＝0表示绕组正常，y＝1表示绕组变形，e(y)为该时间点的绕组变形情况的期望值。标准化回归系数βi表示因变量变异相同的情况下各自变量变异程度的高低，可作为筛选在线监测指标的依据。β通过极大似然法估计可得。当在线监测指标的显著性值小于0.05时，认为该在线监测指标在绕组变形前后存在显著差异。对于显著性值小于0.05的在线监测指标，标准化回归系数的绝对值越大，该在线监测指标对于诊断绕组变形的重要性越高。优选地，步骤c中，筛选出显著性值小于0.05的在线监测指标后，再按照标准化回归系数的绝对值由高到低排列，标准化回归系数绝对值前10位的在线监测指标作为与绕组变形显著相关的在线监测指标。优选地，采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标为变压器各相各绕组的电流和电压，将变压器各相各绕组的电流和电压互相作差，构造电流相差值和电压相差值作为新指标加入到筛选后的与绕组变形显著相关的在线监测指标中。步骤(2)中，优选地，所述的将与绕组变形显著相关的在线监测指标记录的在线监测数据按时间分为两段序列的方法可以为：对于发生过短路的变压器，按最近一次的短路时间为界划分为短路前的前段序列和短路后的后段序列；对于没有发生过短路的变压器，按时间长短等分为前段序列和后段序列。步骤(4)中，所述的标签可通过绕组变形检测方法中的短路阻抗测试法、频率响应法和拆机检测综合判断得到。所述的训练诊断模型可视为通过已知标签的特征集估算模型参数β的过程。步骤(5)中，所述的输出待测变压器是否变形和变形概率的具体过程是将待测变压器通过步骤(2)、(3)计算出的特证集{x1，x2}代入参数已知的逻辑回归方程其中，y＝0表示绕组正常，y＝1表示绕组变形，变形概率为输出的e(y＝1)的概率：e(y＝1)＝p(y＝1|x1，x2)。本发明与现有技术相比，主要优点包括：(1)通过对变压器在线监测数据进行分析得出绕组变形诊断结果，不需要停电和现场实验，能提高故障检修效率和节约人力物力资源。(2)通过逻辑回归法从大量待选指标中筛选出与变形相关的监测数据输入模型，提升了对绕组变形诊断的正确率。(3)不仅能诊断绕组是否发生变形，还能通过逻辑回归法的基本原理输出绕组变形的程度，有利于运检人员做出科学的维修更换和运维决策。附图说明图1为实施例1的基于逻辑回归的变压器绕组变形程度在线检测方法的流程图。具体实施方式下面结合附图及具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件，或按照制造厂商所建议的条件。实施例1如图1所示，基于逻辑回归的变压器绕组变形程度在线检测方法的流程包括：s01，收集绕组变形变压器和正常变压器的在线监测数据分别作为故障变压器数据集和正常变压器数据集，统称为建模样本。s02，对s01的所有在线监测数据进行z-score标准化处理。s03，将每个时间点的在线监测数据作为一条记录，该时间点所有在线监测指标记录的在线监测数据作为自变量，该时间点是否变形作为因变量，输入到逻辑回归模型中，输出各监测指标的标准化回归系数以及显著性值。s04，筛选出显著性值小于0.05的在线监测指标以及标准化回归系数的绝对值排序前十的指标，并构建电流、电压相差值作为新指标加入到筛选后的指标中。s05，筛选和重构后的在线监测指标记录的在线监测数据按时间分为前后两段序列。对于发生过短路的变压器，按最近一次的短路时间为界划分为短路前的前段序列和短路后的后段序列；对于没有发生过短路的变压器，按时间长短等分为前段序列和后段序列。分别计算两段序列的算术平均值的均方根误差作为特征x1。s06，在该变压器的历史短路记录中计算出平均短路电流，由每次短路时故障感应器记录的短路电流大小的算术平均值表示，作为另一特征x2，与特征x1合并为特征集{x1，x2}。s07，将得到的样本集{x1,x2}加上是否变形的标签y后输入到逻辑回归模型中训练诊断模型，得到模型参数β0，β1，β2。y＝0表示该变压器绕组正常，y＝1表示该变压器绕组已发生变形。标签通过绕组变形检测方法中的短路阻抗测试法、频率响应法和拆机检测综合判断得到。s08，待测变压器的步骤s04筛选后得到的在线监测指标记录的在线监测数据经过步骤s05、s06计算出待测变压器的特征集。s09，将步骤s08得到的待测变压器的特征集输入到步骤s07训练好的逻辑回归模型中，输出该待测变压器是否发生绕组变形以及发生绕组变形的概率e(y＝1)。(1)选取浙江电网33台变压器，各变压器的厂家和型号各不相同。其中28台已知绕组状态的变压器作为建模样本，编号1～28，5台未知标签的待测变压器作为测试样本，编号29～33。28台建模样本中包括5台变形的变压器和23台正常的变压器。目前用来监测变压器运行状态的数据包括电压、电流、功率和油温四类监测数据。完整的在线监测指标如表1所示，包括三绕组中各绕组下的三相电流、三相电压、有功功率、无功功率、母线电压共27个指标，再加上2个油温指标，总计29个指标。表1变压器的在线监测指标然而，由于各变压器的安全等级存在差异，不同变压器的在线监测指标也各不相同，安全等级较低的变压器所需的在线监测指标较多。本实施例的变压器中只有三台变压器具有完整的29个监测指标，其余变压器都存在缺失监测指标的情况。采用逻辑回归法进行指标筛选，主要原理是运用标准化回归系数来判断因变量变异相同的情况下各自变量变异程度的高低，标准化回归系数是对所有变量进行标准化后再输入逻辑回归模型得到的自变量系数。分别对6台故障样本应用逻辑回归法筛选出与变形显著相关的在线监测指标。将每个时间点的数据作为一条记录，该时间点所有在线监测指标的值作为自变量，该时间点绕组是否变形作为因变量，输入到逻辑回归模型中。在满足显著性值小于0.05的前提下，可以用标准化回归系数的绝对值大小作为重要性量度。以变压器1为例，自变量按照标准化系数绝对值从高到低排序。排序结果如表2所示，在变压器1总共28个在线监测指标中，前10位均为电压和电流类在线监测指标，因此电压和电流类在线监测指标的在诊断绕组变形中的重要性要高于功率和油温类在线监测指标。表2变压器1自变量按照标准化系数绝对值从高到低排序结果为了验证上述结论是否适用于所有变压器，用本实施例提出的模型做了两次试验，试验一用了各变压器全部的电压、电流、功率和油温四大类在线监测数据，试验二仅用了各变压器的电压和电流两类在线监测数据，试验二的包括正确率、准确率、召回率在内的模型诊断精度均与试验一相等，说明去除功率和油温指标并不会对诊断精度产生影响，因为电压和电流数据在绕组变形的诊断中起决定性作用。因此，如表3所示，从29个监测数据中筛选出各绕组各相的电压、电流共18个在线监测指标，即在每台变压器都只留下电压、电流类的监测数据，同时构造出了12个新的电流、电压相差值指标。(2)计算各变压器筛选和重构后的监测指标在前后两段序列的算术平均值，以变压器1为例，按最近一次短路时间2015年1月24日划分为短路前(2013/11/1-2015/1/24)和短路后(2015/1/24-2015/8/13)两段序列，计算结果如表3所示，进而计算均方根误差为0.0692，作为该变压器的特征1。因为格式限制，表3中指标名称采用简写，“低a电流”即“低压绕组a相电流值”，其他指标名称同理。表3变压器1前后序列算术平均值及其均方根误差计算结果(3)在变压器1的历史短路记录中计算出平均短路电流，由每次短路时故障感应器记录的短路电流大小的算术平均值表示。因为变压器1历史上只短路过1次，该次短路电流的大小为9.2ka，平均短路电流为9.2/1＝9.2作为变压器的特征2，与特征1构成变压器1的特征集{0.0692，9.2}。同理，采用步骤(2)、(3)的方法可以计算出剩余27台变压器的特征集，计算结果汇总如表4所示。表428台变压器的特征集汇总变压器编号x1x2变压器编号x1x210.0692429.2150.034477020.011060160.0623032.440330.0414330170.022516040.0737474.62180.037733050.0556420190.04046060.0414380200.096312070.036860210.0910611.827580.0370730220.017431090.0327559.107230.0639210100.0302460240.0291770110.0313170250.1407380120.082848.001260.3029110130.120150270.0134090140.0541447.7158280.0523070(4)利用这28台变压器提取出的特征集加上是否变形的标签后输入到逻辑回归模型中训练诊断模型，为了评判诊断模型的精度，采用三折交叉验证，模型的分类效果如表5所示。交叉验证的结果可以看出，本实施例的基于逻辑回归的变压器绕组变形程度在线检测方法具有较高的诊断精度，对正常样本和变形样本的识别率分别为100％和80％，能够对变压器绕组是否变形做出有效的诊断。表5支持向量机交叉验证结果统计交叉验证结果模型判断为正常模型判断为变形现实情况为正常100％0％现实情况为变形20％80％(5)将5台待测变压器采用步骤(2)、(3)的方法提取出特征集，输入到训练后的诊断模型中，输出各待测变压器发生变形的概率。从表6结果可以看出，变压器29、30、32、33的变形概率小于0.1，表示绕组正常，变压器31的变形概率为0.3839，可能有轻微变形情况，暂不需要更换但需加强维护和监测。表6待测变压器特征提取及诊断结果汇总变压器编号x1x2e(y＝1)290.1042995.81670.0043300.05135000.0004310.01074100.3839320.0270300.0315330.085333.1360.0005此外应理解，在阅读了本发明的上述描述内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。当前第1页12