技术领域本发明一种基于LVQ神经网络的雷电冲击下换流变压器绕组故障诊断方法，涉及换流变压器故障诊断领域。
背景技术：
换流变压器是直流输电系统最重要的设备之一，虽然在出厂前都通过了试验考核，但在运输和安装过程中可能造成损伤，且更高电压等级、更大容量的换流变压器可能需要现场组装，必须在现场对换流变压器的绝缘性能进行严格的考核。雷电冲击耐压试验是绝缘考核的主要方法之一，一旦发生故障，需要快速准确的判断故障类型与部位，以便进行现场检修，保证特高压换流变压器的按期投运。雷电冲击耐压试验中传统故障诊断方法主要是通过50％电压与全压下的试验数据进行对比，包括冲击电压波形法、中性点电流法、电容传递电流法和传递函数诊断法等。传统的故障诊断方法多依靠试验人员的经验进行判断，对微小故障难以识别，而且难以判断故障类型。且现阶段变压器故障诊断的研究主要关注运行中变压器的绝缘老化或突发故障，主要故障诊断方法包括油色谱分析、局部放电检测、温度监测、在线功率因素测量等。但雷电冲击试验中的绕组间隙击穿或对地故障与绝缘老化的故障有较大区别，主要是由于绝缘缺陷或是结构设计不合理导致，需要研究适用于雷电冲击试验情况下的故障诊断方法。
技术实现要素：
本发明提供一种基于LVQ神经网络的雷电冲击下换流变压器绕组故障诊断方法，据换流变压器结构建立仿真模型，进行雷电冲击下模拟故障的仿真计算，模拟全面的故障情况，获得不同故障情况下的典型电压电流数据，提取故障特征参数，对学习矢量量化神经网络LVQ进行训练，训练完成后的LVQ神经网络就建立了输入的特征参数与输出的故障类型的映射关系，利用训练好的LVQ神经网络可以判断微小故障的部位及故障类型。本发明所采用的技术方案是：一种基于LVQ神经网络的雷电冲击下换流变压器绕组故障诊断方法，包括以下步骤：步骤1：首先根据换流变压器铁心、绕组、绝缘、壳体等结构尺寸和材料属性建立仿真模型，采用有限元法计算绕组分布电容、电感和电阻参数；步骤2：结合计算得到的分布参数，建立雷电冲击条件下的换流变压器绕组分布参数模型，获取雷电冲击试验中测量得到的首端电压波形采样数据，将这列采样数据作为分布参数模型中的雷电波输入；步骤3：利用仿真模拟全面的故障情况，包括绕组不同部位的匝间金属短路故障、匝间间隙放电故障、对地短路故障等故障，得到不同故障情况下的首端电压和中性点电流数据；步骤4：根据首端电压和中性点电流数据求取传递函数，计算方法如公式(1)；并在0～1MHz内平均分为10个频率段，以正常全压的情况为基准，按照公式(2)求取不同故障情况下的传递函数与正常情况传递函数不同频率段的相关系数，作为不同故障的特征参数；H(f)=I(f)U(f)---(1)]]>式中，H(f)为变压器传递函数；I(f)为电流信号频谱；U(f)为电压信号频谱。ρ=Σi=1n(xi-x‾)(yi-y‾)Σi=1n(xi-x‾)2Σi=1n(yi-y‾)2=nΣi=1nxiyi-Σi=1nxi·Σi=1nyinΣi=1nxi2-(Σi=1nxi)2·nΣi=1nyi2-(Σi=1nyi)2---(2)]]>式中，x(n)和y(n)分别为故障情况和正常情况的传递函数数据，xi和yi分别为x(n)和y(n)中的第i项数据，和分别为x(n)和y(n)的平均值；步骤5：利用遗传算法优化学习矢量量化(LVQ)神经网络初始向量，然后利用求取的不同故障情况的特征参数对LVQ神经网络进行训练，训练完成后的LVQ神经网络就建立了输入的特征参数与输出的故障类型的映射关系；步骤6：进行换流变压器雷电冲击试验，根据首端电压和中性点电流数据求取传递函数，认为在50％雷电冲击电压下没有发生故障，以50％电压下的传递函数为基准，求取100％电压下传递函数分频段的相关系数，然后带入训练好的LVQ网络进行故障诊断。本发明一种基于LVQ神经网络的雷电冲击下换流变压器绕组故障诊断方法，技术效果如下：1)、根据变压器实际结构建立有限元模型计算分布参数，并利用提出的改进分布参数模型进行仿真研究，可以模拟多种不同类型故障，获取试验无法得到的大量、多种故障数据，用于故障特征分析；2)、与传统故障诊断方法相比，利用故障首端电压、中性点电流数据求取传递函数分频段相关系数可以更灵敏的反映较隐蔽的故障；3)、验证了仿真模拟的有效性后，利用仿真模拟故障特征参数对LVQ神经网络进行训练，训练完成后的LVQ神经网络就建立了输入的特征参数与输出的故障类型的映射关系，利用已训练好的LVQ神经网络就可以判断故障类型，与传统故障诊断方法中技术人通过经验判断相比神经网络方法可以更准确、有效的区分不同类型故障。附图说明下面结合附图和实施例对本发明作进一步说明：图1是本发明方法的流程框图。图2是本发明的换流变压器的仿真模型图一；图3是本发明的换流变压器的仿真模型图二；其中，1-铁芯，2-变压器油，3-阀侧绕组，4-网侧绕组，5-变压器绕组，6-绝缘层，7-屏蔽线。图4是本发明的换流变压器的变压器绕组分布参数模型图；图5是本发明的雷电冲击试验中测量得到的首端电压波形图。具体实施方式一种基于LVQ神经网络的雷电冲击下换流变压器绕组故障诊断方法，包括以下步骤：步骤1：首先根据换流变压器铁心、绕组、绝缘、壳体等结构尺寸和材料属性建立仿真模型，采用有限元法计算绕组分布电容、电感和电阻参数；步骤2：结合计算得到的分布参数，建立雷电冲击条件下的换流变压器绕组分布参数模型，获取雷电冲击试验中测量得到的首端电压波形采样数据，将这列采样数据作为分布参数模型中的雷电波输入；步骤3：利用仿真模拟全面的故障情况，包括绕组不同部位的匝间金属短路故障、匝间间隙放电故障、对地短路故障等故障，得到不同故障情况下的首端电压和中性点电流数据；步骤4：根据首端电压和中性点电流数据求取传递函数，计算方法如公式(1)；并在0～1MHz内平均分为10个频率段，以正常全压的情况为基准，按照公式(2)求取不同故障情况下的传递函数与正常情况传递函数不同频率段的相关系数，作为不同故障的特征参数；H(f)=I(f)U(f)---(1)]]>式中，H(f)为变压器传递函数；I(f)为电流信号频谱；U(f)为电压信号频谱。ρ=Σi=1n(xi-x‾)(yi-y‾)Σi=1n(xi-x‾)2Σi=1n(yi-y‾)2=nΣi=1nxiyi-Σi=1nxi·Σi=1nyinΣi=1nxi2-(Σi=1nxi)2·nΣi=1nyi2-(Σi=1nyi)2---(2)]]>式中，x(n)和y(n)分别为故障情况和正常情况的传递函数数据，xi和yi分别为x(n)和y(n)中的第i项数据，和分别为x(n)和y(n)的平均值；步骤5：利用遗传算法优化学习矢量量化(LVQ)神经网络初始向量，然后利用求取的不同故障情况的特征参数对LVQ神经网络进行训练，训练完成后的LVQ神经网络就建立了输入的特征参数与输出的故障类型的映射关系；步骤6：进行换流变压器雷电冲击试验，根据首端电压和中性点电流数据求取传递函数，认为在50％雷电冲击电压下没有发生故障，以50％电压下的传递函数为基准，求取100％电压下传递函数分频段的相关系数，然后带入训练好的LVQ网络进行故障诊断。具体实施例：以一台具有换流变压器典型绕组结构的缩比模型为例:本实例利用一台具有换流变压器典型绕组结构的缩比模型进行故障模拟试验，其整体结构为两心四柱式，长、宽、高分别为1.55m，0.80m和1.46m。网侧绕组在内部，阀侧绕组在外部，具体结构如表1所示。表1类型网侧绕组阀侧绕组总匝数510160内直径(mm)246366外直径(mm)286434段间距离(mm)4.51.5高度(mm)860855导线截面积(mm2)3.7852.7851)、首先根据换流变压器铁心、绕组、绝缘、壳体等结构尺寸和材料属性建立仿真模型，如图2、图3所示，利用有限元法计算绕组的分布电容、电感和电阻参数。均为670×670矩阵，例如分布电容参数矩阵的前10行10列如表2所示，单位为pF。表2123456789101447.15-404.15-4.61-1.83-1.00-0.65-0.47-0.36-0.30-0.612-404.15817.58-395.31-3.17-1.06-0.51-0.31-0.21-0.16-0.293-4.61-395.31806.67-389.71-3.08-1.02-0.49-0.29-0.20-0.344-1.83-3.17-389.71795.06-383.74-3.20-1.00-0.48-0.29-0.435-1.00-1.06-3.08-383.74785.37-380.48-2.98-0.99-0.49-0.606-0.65-0.51-1.02-3.20-380.48773.25-371.81-2.94-0.99-0.907-0.47-0.31-0.49-1.00-2.98-371.81757.78-365.54-2.92-1.648-0.36-0.21-0.29-0.48-0.99-2.94-365.54744.49-358.93-4.109-0.30-0.16-0.20-0.29-0.49-0.99-2.92-358.93731.19-355.9310-0.61-0.29-0.34-0.43-0.60-0.90-1.64-4.10-355.93392.182)、结合计算得到的分布参数建立雷电冲击条件下的换流变压器绕组分布参数模型，如图4所述。利用缩比模型进行标准雷电冲击波形试验，标准雷电冲击试验波形为1.2/50μs，由于此缩比模型为原模型的1/5，根据相似理论调整为约0.24/10μs，通过采样电阻获取雷电冲击试验中的首端电压波形，将这个波形数据作为分布参数模型中的雷电波输入。3)、利用仿真模拟全面的故障情况，包括绕组不同部位的匝间金属短路故障、匝间间隙放电故障、对地短路故障等故障，可得到不同故障情况下的首端电压和中性点电流数据。例如首端电压波形如图5所示。4)、根据首端电压和中性点电流数据求取传递函数，计算方法如公式(1)；需注意按照相似理论频率做相应改变，此时在0～4MHz内平均分为8个频率段，以正常全压的情况为基准，按照公式(2)求取不同故障情况下的传递函数与正常情况传递函数不同频率段的相关系数，作为不同故障的特征参数；H(f)=I(f)U(f)---(1)]]>式中，H(f)为变压器传递函数；I(f)为电流信号频谱；U(f)为电压信号频谱。ρ=Σi=1n(xi-x‾)(yi-y‾)Σi=1n(xi-x‾)2Σi=1n(yi-y‾)2=nΣi=1nxiyi-Σi=1nxi·Σi=1nyinΣi=1nxi2-(Σi=1nxi)2·nΣi=1nyi2-(Σi=1nyi)2---(2)]]>式中，x(n)和y(n)分别为故障情况和正常情况的传递函数数据，xi和yi分别为x(n)和y(n)中的第i项数据，和分别为x(n)和y(n)的平均值。其中计算所得的部分不同频率段相关系数如表3所示，每个故障的分频段的相关系数作为其特征参数。表3通过以上数据分析可知雷电冲击作用下，不同故障的分频段相关系数有一定差异，而且通过对比相同故障的分频段相关系数，虽然有一定分散性，但是有特征，可以与其它故障分频段的相关系数进行区分，因此利用分频段的相关系数可进行故障区分，采用分频段的相关系数作为故障特征参数。5)、利用遗传算法优化学习矢量量化(LVQ)神经网络初始向量，然后利用求取的不同故障情况的特征参数对LVQ神经网络进行训练。例如利用表4中25种故障情况，通过仿真获得不同情况的首端电压波形和中性点电流波形，然后计算各个故障的分频段的相关系数，利用每个故障对应的8个频段的相关系数对LVQ神经网络进行训练，从而建立输入的特征参数与输出的故障类型的映射关系。表46)、进行换流变压器雷电冲击试验，根据首端电压和中性点电流数据求取传递函数，这个试验用的换流变压器缩比模型设置了故障模拟的抽头，例如抽头2、3分别设置在5、12匝，模拟抽头2、3间隙放电故障试验，将试验获得首端电压和中性点电流数据进行处理，得到8个频率段的相关系数，然后代入第5步中已经训练好的神经网络，神经网络通过映射判断与抽头2、3间隙放电故障相似，神经网络输出层的类型就为抽头2、3间隙放电故障，从而完成了故障类型的判断。