基于辛几何变换评估变压器绕组抗短路能力的方法及系统与流程

1.本发明涉及电力设备监测技术领域。


背景技术：

2.电力变压器在电力系统中承载着变送电的重要任务。其运行环境及工作状态十分复杂，时常会发生不可抗力的短路故障导致的短路电流冲击，短路电流会使其绕组受到巨大的电磁力而发生变形。绕组形变具有一定的累积效应。当其形变不大时，对变压器正常运行影响甚微；当其形变累积到一定阈值时，即使不大的过电流也会使得变压器机械失效或绝缘击穿，造成的停电故障将会带来巨大的经济损失。这对变压器绕组的抗短路能力检测提出了更高的要求。在变压器运行的过程中，本体的振动信号包含了丰富的绕组健康信息，对振动信号的特征量进行提取并分析，可以有效地对变压器绕组的抗短路能力进行实时评估。目前最为可靠的检测技术均为离线检测，即故障发生后，对变压器进行故障筛查和定位。离线方法虽然可靠性高，但由于变压器故障引起的停机，脱网，大范围停电以及其自身的损坏会造成巨大的经济损失。
3.在变压器运行的过程中，本体的振动信号包含了丰富的绕组健康信息，为此许多专家和学者在基于振动信号对变压器绕组进行在线监测方面做了许多工作。现有的对振动信号分析的技术主要有小波分析，经验模态分解法和集合经验模态分解；小波分析法：该方法通过选定小波基函数，对原始振动信号进行拟合，获取振动信号在不同频段上的能量特征，但该方法的小波基函数难以自适应信号，需要不断选择，且频率分辨率随着频率升高而降低；经验模态分解法：该方法首先用三次样条插值获取信号的上下包络线，计算上下包络线的均值，并用原信号减去该均值，形成一个新的离散序列，若该序列仍存在局部极大值或极小值，则继续重复上述步骤，直到上下包络均值为零为止，从而得到若干个本征模函数，但该方法在频率分量较多、噪声较大时存在着模态混叠的问题，分解效果不理想；集合经验模态分解：该方法为改进的经验模态分解，通过在分解前加入均匀的高斯白噪声，以期减小模态混叠，但由于加入了噪声，该方法在分解后会存在虚假分量，由于加入了噪声，计算时间也相对延长。


技术实现要素：

4.发明目的：为解决上述背景技术中存在的问题，本发明提供了一种基于辛几何变换评估变压器绕组抗短路能力的方法及系统。
5.技术方案：本发明提供了基于辛几何变换评估变压器绕组抗短路能力的方法，具体包括如下步骤：
6.步骤1：将加速度振动传感器置于变压器箱体表面，实时采集关于幅值
‑
时间的离散振动信号；
7.步骤2：对采集的离散振动信号进行辛几何模态分解，从而得到多个单分量信号；
8.步骤3：采用pearson相关系数遍历所有单分量信号，判断两个单分量信号之间的
相似性；从而得到若干组辛几何分量，且每组辛几何分量中各单分量间的pearson相关系数位于预设的范围内；
9.步骤4：计算每一组辛几何分量组的峭度因子；并基于预设的缺省值，将每个峭度因子组成一组增广特征向量；
10.步骤5：建立极限学习机模型，根据步骤1
‑
步骤4采集变压器在不同运行状态下的关于离散振动信号的历史增广特征向量，基于变压器型号，对变压器在不同运行状态下的绕组抗短路能力进行评估；并将该历史增广特征向量作为极限学习机模型的输入，对极限学习机模型进行训练和优化；
11.步骤6：将实时增广特征向量输入至训练好的极限学习机模型中，得到当前状态下变压器的绕组抗短路能力的评估结果。
12.进一步的，所述步骤2中具体为：依次对离散振动信号进行相空间重构、辛几何相似变换和对角平均化；在进行相空间重构时根据如下公式构建离散振动信号的轨迹矩阵x：
[0013][0014]
其中，m＝n
‑
(d
‑
1)；τ为延迟时间，d为嵌入维数，n为信号长度，x
m
为离散振动信号中第m采样信号；当f
max
/f
s
＜10
‑3时d＝n/3，否则d＝1.2
×
(f
s
/f
max
)；其中f
max
为离散信号的功率谱密度中最大峰值频率，f
s
为采样频率，n为离散振动信号的信号长度。
[0015]
进一步的，所述步骤3中将pearson相关系数r＞0.6，且显著性指标p＜0.05的两个分量合并。
[0016]
进一步的，所述步骤4中通过如下公式计算每一组辛几何分量组的峭度因子s：
[0017][0018]
n为离散振动信号的信号长度，s
i
为该组辛几何分量中第i个元素，为该组辛几何分量的平均值，x
rms
为该组辛几何分量组的均方根值。
[0019]
基于辛几何变换评估变压器绕组抗短路能力的系统，该系统包括现场变电站上位机、云平台、远程调度台上位机；所述现场变电站上位机包括数据分析模块和数据发送模块，所述数据分析模块对离散振动信号进行辛几何模态分解，基于辛几何模态分解的结果对变压器的绕组抗短路能力进行评估，并将离散振动信号和评估结果保存至现场变电站的sql数据库中；所述数据发送模块将评估结果设为数据帧，并遵循mqtt协议将数据帧进行打包，同时采用gprs网络将打包后的数据帧上传至云平台；所述远程调度台上位机包括数据接收模块和数据汇总显示及调度模块，所述数据接收模块遵循mqtt协议接收云平台上每个现场变电站中每个变压器对应的数据帧，并分解数据帧，从而获取评估结果，同时将评估结果存储至远程调度台的sql表中，从而建立历史数据库；所述数据汇总显示及调度模块将各变压器的评估结果进行标号显示，并按故障优先级为评估结果分配颜色，从而给予检修提示。
[0020]
有益效果：本发明采用了辛几何模态分解算法评估变压器绕组抗短路能力，相比
于传统的傅里叶变换本发明可以清晰的表现出各时间尺度上的信号分量随时间变化而产生的变化，使得评估结果具有时间标签，能够加精确的反应随时间变化的抗短路能力；且该方法对于非平稳非线性信号，以及突变的信号具有很好的分解能力，所以本发明具有很强的鲁棒性，降噪效果；同时该方法中所有参数均随信号的变化而自适应，无需手动调参。本发明相比于各类经验模态算法具有计算速度快、时延低、模态混叠影响更小的特点，可以实现基于辛几何模态分解算法的物联网实时监测，且更小的模态混叠使得各分量的特征量表征的更完备，从而使评估结果具有更高的准确性。
附图说明
[0021]
图1为本发明的方法流程图；
[0022]
图2为本发明的系统结构图。
具体实施方式
[0023]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0024]
如图1所示，本发明提供了一种基于辛几何变换评估变压器绕组抗短路能力的方法，该方法具体包括如下步骤：
[0025]
步骤1：将加速度振动传感器置于变压器箱体合适位置，利用采集卡进行采集，得到一组关于幅值
‑
时间的离散振动信号。
[0026]
步骤2：对获得的离散振动信号进行辛几何模态分解(symplectic geometry mode decomposition，sgmd)，得到多个单分量信号。
[0027]
步骤3：利用pearson相关系数对多个单分量信号进行相似性检验，并对满足条件的两组分量进行合并，遍历所有分量，得到包含相同频率相似特性分量的辛几何分量(symplectic geometry component，sgc)。
[0028]
步骤4：计算sgcs的峭度因子，组成一组变压器绕组实时健康状态特征向量，并综合变压器特点，预设缺省值，组成增广特征向量。
[0029]
步骤5：建立极限学习机(extreme learning machine,elm)模型，对待出厂的变压器进行不同运行状态下的试验，获取相关特征参数，对elm模型进行合理训练。
[0030]
步骤6：将步骤4中组成增广特征向量输入至训练好的极限学习机模型中，得到当前状态下变压器的绕组抗短路能力的评估结果。
[0031]
在本实施例中，所述步骤2具体为：
[0032]
对信号进行相空间重构并根据塔肯斯定理(takens)—一种关于时间序列的相空间重构技术嵌入定理构建轨迹矩阵：
[0033][0034]
其中，m＝n
‑
(d
‑
1)；τ为延迟时间，d为嵌入维数，n为信号长度，x
m
为离散振动信号中第m采样信号；当f
max
/f
s
＜10
‑3时d＝n/3，否则d＝1.2
×
(f
s
/f
max
)；其中f
max
为离散信号的
功率谱密度中最大峰值频率，f
s
为采样频率，n为离散振动信号的信号长度。
[0035]
构造hamilton矩阵m
[0036]
a＝x
t
x
[0037][0038]
其中，x
t
为x的转置，a为协方差对称阵；
[0039]
对矩阵m进行schur舒尔分解，得到正交辛矩阵q
[0040][0041]
其中，h为schur分解后的矩阵中的上三角矩阵块，r为实矩阵；
[0042]
计算上三角矩阵h的特征值(λ1,λ2,
…
,λ
d
)，根据hamilton矩阵性质有d为轨迹矩阵x的行数和列数中的最小值，σ为矩阵a的特征值，q
i
为σ
i
的特征向量，通过对特征向量及轨迹矩阵进行计算即可得到重构的相空间矩阵z：
[0043][0044]
z＝z1+z2+
…
+z
i
+
…
+z
d
[0045]
将相空间矩阵单分量z
i
转化为辛几何分量，为方便计算，对参数进行如下定义：相空间矩阵z
ij
表示z
i
矩阵中的第i行第j列的元素，其中,1≤i≤d 1≤j≤m。
[0046][0047]
单分量矩阵z
i
为一m
×
d的矩阵d*为m和d两者之间的最小值、m*为m和d两者之间的最大值、代表该条件下新的矩阵与原矩阵相等代表该条件下新的矩阵为原矩阵的转置；
[0048]
对根据上式重构的z
i
矩阵进行对角平均化：
[0049][0050]
其中，的含义为重构的z
i
矩阵的第k个对角线上的元素的列向量，q为求和迭代过程中的计数变量。对重构的z
i
进行对角平均化后，z
i
就转换为了y
k
(k取值为1～n)。重构的z就转变成了矩阵y。y为d
×
n的矩阵。即把长度为n的离散时间序列，分解成了d个长度为n的离散时间序列。
[0051]
即可得到d个单分量信号。
[0052]
本实施例中，所述步骤3中利用pearson相关系数判断信号相似性，遍历所有分量，
设定相关系数阈值并进行显著性分析当r＞0.6且p＜0.05时进行两组分量的合并。
[0053]
本实施例中，所述步骤4中通过如下公式计算每一组辛几何分量组的峭度因子s：
[0054][0055]
n为离散振动信号的信号长度，s
i
为该组辛几何分量中第i个元素，为该组辛几何分量的平均值，x
rms
为该组辛几何分量组的均方根值。
[0056]
在本实施例中，所述步骤5中建立极限学习机elm(elm)模型，并对其进行训练，基于变压器的类型，将绕组评估标准分为三类，其标准如表1所示：
[0057]
表1
[0058][0059]
如图2所示，基于辛几何变换评估变压器绕组抗短路能力的系统，该系统包括现场变电站上位机、云平台、远程调度台上位机；所述现场变电站上位机包括数据分析模块、和数据发送模块，所述数据分析模块对离散振动信号进行辛几何模态分解，并基于辛几何模态分解的结果对变压器的绕组抗短路能力进行评估，并将离散振动信号和评估结果保存至现场变电站的sql数据库中，所述数据发送模块将评估结果设为数据帧，并遵循mqtt协议进行打包，并采用gprs网络将数据帧上传至云平台；所述远程调度台上位机包括数据接收模块和数据汇总显示及调度模块，所述数据接收模块遵循mqtt协议接收每个现场变电站中每个变压器对应的数据帧，并分解数据帧获取评估结果，同时将评估结果存储至指定的sql表中，建立历史数据库；所述数据汇总显示及调度模块将各变压器的评估结果进行标号显示，并按故障优先级为评估结果分配颜色，从而给予检修提示。
[0060]
在现场控制台及云平台构建sql数据库，对变压器特征量进行时间戳标记后进行保存，利用历史数据对sgmd
‑
elm进行优化。利用gprs网络对多变压器进行有效监测和评估，将各变压器振动信号的相关特征上传至远程监测站上位机，进行实时监测。
[0061]
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。