一种基于表面振动信号分析的变压器在线监测方法与流程

本发明属于信号处理技术领域，尤其涉及一种基于表面振动信号分析的变压器在线监测方法。

背景技术：

变压器是电力系统的关键设备之一，其运行状况对电网的安全、稳定运行具有重要作用。绕组和铁芯是变压器的重要部件且故障多发，对其还没有简单、有效的在线监测和故障诊断方法。变压器表面振动与内部机械结构关系密切，能够反映变压器绕组和铁芯运行状态，理论分析表明：表面振动信号的基频(变压器工频的两倍)幅值变化对于分析判断变压器运行状态和故障诊断具有重要意义。实际中由于变压器表面振动受变压器本身的结构、材料与生产工艺以及传递路径等诸多因素的影响，根据变压器表面振动分析变压器运行状态非常困难，目前尚没有可靠、准确的基于振动分析的监测方法。

技术实现要素：

针对上述问题，本发明提出了一种基于表面振动信号分析的变压器在线监测方法，包括如下步骤：

S1，根据变压器运行电压、负载电流、油温历史数据以及变压器表面振动历史数据训练广义回归神经网络；

S2，应用所述广义回归神经网络，根据变压器实时运行数据计算变压器表面基频振动幅值；

S3，根据振动基频振动幅值的计算值与实测值差异，判断变压器运行状态，实现变压器振动在线监测。

优选的，所述步骤S1具体包括：

S11，收集变压器历史运行工况数据和表面振动数据，经预处理后建立变压器正常运行条件下的历史数据集；

S12，根据基于特征加权欧式距离的历史数据相似性分析，删除相似度高的冗余数据构成广义回归神经网络训练数据集；

S13，依据广义回归神经网络训练数据集训练并保存广义回归神经网络，确定最佳光滑因子并保存最优网络结构；

S14，计算基于最优网络结构的网络输出值和网络期望输出值的绝对百分比误差，取其最大值作为最优网络结构的最大误差，取其算术平均值作为最优网络结构的平均误差。

优选的，所述步骤S12具体包括：

S121，根据历史运行数据集，分析运行电压、负载电流以及变压器油温对振动基频幅值的影响，计算用于表征不同运行数据对振动基频幅值影响程度的特征熵值；

S122，对特征熵值给以不同的特征权重；

S123，基于所述特征权重计算历史运行数据的特征加权欧式距离；

S124，删除相似度高的冗余数据，构成广义回归神经网络训练数据集。

优选的，所述步骤S13具体包括：

S131，将训练数据集随机均分为5个子集，依次选取其中一个子集作为验证集、其余4个子集作为本次网络训练的训练集进行一次网络训练，依此方法进行5次训练；

S132，选取不同的光滑因子，训练网络并计算网络输出值和网络期望输出值的均方差；

S133，训练结束后，从每次训练结果中选取均方差值最小时对应的光滑因子作为最优光滑因子，并保存其对应的最优网络结构。

优选的，所述步骤S2具体包括：

S21，采集变压器运行电压、负载电流、变压器油温以及振动基频幅值实时数据，并进行预处理，得到变压器实时数据；

S22，以变压器实时运行数据作为最优网络结构的输入，网络输出为振动基频幅值的计算值，计算振动基频幅值的计算值和实时振动基频幅值实测值的绝对百分比误差；

S23，根据振动基频幅值的计算值和实时振动基频幅值实测值的绝对百分比误差计算结果判定变压器运行状态。

优选的，所述步骤S23中变压器运行状态包括：正常、注意、告警和故障四种状态。

本发明的有益效果在于：

本发明涉及一种基于表面振动信号分析的变压器在线监测方法。首先根据变压器运行电压、负载电流、油温历史数据以及变压器表面振动历史数据训练广义回归神经网络，然后应用广义回归神经网络，根据变压器实时运行数据计算变压器表面基频振动幅值，最后根据振动基频幅值计算值与实测值差异，分析判断变压器运行状态，实现变压器振动在线监测。本发明提供了一种可靠、准确的基于振动分析的监测方法。

附图说明

图1是加速度传感器安装位置图；

图2是变压器运行状态实时评价框架流程图；

图3是离线部分流程图；

图4是在线部分流程图。

具体实施方式

下面结合附图，对实施例作详细说明。

本发明提出的一种基于表面振动分析的变压器在线监测方法包括基于历史数据的GRNN训练(离线部分)和变压器在线振动监测(在线部分)两个部分，如图2所示。基于历史数据的GRNN训练的基本过程是：收集变压器历史运行工况数据和表面振动数据，经预处理后建立变压器正常运行条件下的历史数据集；然后根据基于特征加权欧式距离的历史数据相似性分析，删除相似度高的冗余数据构成GRNN训练数据集；最后依据GRNN训练数据集训练并保存GRNN。变压器在线振动监测的基本过程是：采集、处理变压器实时运行工况数据和表面振动数据，根据变压器运行工况数据应用GRNN计算其表面振动基频幅值；然后根据变压器表面振动基频幅值计算值和实测值的差异大小，分析判断变压器运行状态。

本发明中的第一部分基于历史数据的GRNN训练，如图3所示，包括以下步骤和内容：

a：历史数据采集和预处理。

整理变压器运行工况和表面振动信号历史数据，将同一时刻变压器高压(或低压)A相(或B相,或C相)的运行电压、负载电流、油温和变压器表面对应位置振动信号基频幅值数据作为一条历史运行记录，记录间隔设置为5分钟，振动传感器安装位置如图1所示，去除历史运行记录中任一项取值为零的异常数据，对其进行归一化处理后，构成历史数据集(记为A)。历史数据集包括历史运行数据(记为X＝[x₁,x₂,…,x_N]^T)和历史振动数据(记为Y＝[y₁,y₂,…,y_N]^T)两部分，即A＝[X,Y]。其中x_i＝[x_i1,x_i2,x_i3]，x_i1为运行电压、x_i2为负载电流、x_i3为变压器油温，y_i为相应时刻的振动基频幅值，i＝1,2,…,N，N为历史数据集记录总数。所述归一化处理方法如下：

式中：ω_norm为归一化值；ω为原始数据值；ω_max、ω_min分别为原始数据值的最大值和最小值。

b：生成训练数据集。

根据熵理论，分析历史运行数据对振动基频幅值的影响大小，确定特征加权欧氏距离中的权重值。通过计算加权欧氏距离分析历史运行数据的相似度，根据相似度分析结果，同时考虑基频幅值差异大小，删除历史数据集A中相似度过高的冗余数据，形成训练数据集,记为T，即T＝[X_T,Y_T]。其中，

x_i1、x_i2、x_i3是变压器运行数据，x_i1为运行电压、x_i2为负载电流、x_i3为变压器油温，y_i为相应时刻的振动基频幅值，i＝1,2,…,n，n为训练数据集记录总数。

生成训练数据集的具体步骤如下：

1)根据历史运行数据集A，分析运行电压、负载电流以及变压器油温对振动基频幅值的影响，计算特征熵值H_j用于表征不同运行数据对振动基频幅值的影响程度，其计算方式如下：

其中，i＝1,2,…,N，N为历史数据集A中记录总数；j＝1,2,3。

2)特征熵值越大，不确定程度越大，表明相应运行数据对振动基频幅值的影响越小，应给以较小的特征权重，则特征权重w_j的计算式如下：

其中，w_j>0，H_j为特征熵值。

3)历史运行数据X中两条运行数据的特征加权欧式距离的计算方法如下：

其中，a,b∈[1,N]且a≠b；w_j为特征权重。

4)特征加权欧式距离越小，表明运行数据的相似度越高。运行数据相似度高且振动基频幅值差异百分比ε较小的历史运行记录存在冗余，删除A中冗余数据，使得剩余数据两两记录间满足①d≥0.05或②d<0.05且ε>10％，将满足条件的剩余数据保存为训练数据集T。上述振动基频幅值差异百分比计算方法如下：

c：训练并保存GRNN。

建立具有3个自变量输入、1个因变量输出的GRNN，将训练数据集T中的运行电压、负载电流、变压器油温作为GRNN输入层的3个自变量，将变压器振动基频幅值作为输出层的唯一因变量，构成GRNN神经网络。根据训练数据集T完成网络训练，确定最佳光滑因子σ并保存最优网络结构，记为T-GRNN。网络训练的具体步骤如下：

1)采用5重交叉验证的方法训练GRNN，将训练数据集T按行随机均分为5个子集，依次选取其中一个子集作为验证集、其余4个子集作为本次网络训练的训练集进行一次网络训练，如此共训练5次。

2)每次网络训练的过程是：(1)设置σ初值为0.05，应用训练集数据训练GRNN，(2)将验证集中运行数据逐条输入训练后的GRNN，GRNN的相应输出为Y'＝[y'₁,y'₂,…,y'_m]^T，网络期望输出为验证集中相应振动数据Y＝[y₁,y₂,…,y_m]^T，(3)计算网络输出值和网络期望输出值的均方差(MSE)。

σ取值以0.05的步长在区间[0.05,1]内递增，按照上述步骤(1)至(3)同样的方法训练GRNN，然后选取并保存MSE取值最小时的σ值和GRNN作为本次训练的结果。MSE的计算方式如下：

式中，y_i为网络期望输出值；y'_i为网络输出值；m为验证集样本个数。

3)5次训练结束后，从每次训练结果中，选取MSE值最小时对应的σ作为最优光滑因子，并保存其对应的GRNN，记为T-GRNN。

d：网络误差分析。

将运行数据X_T输入T-GRNN中，网络输出为Y_T'＝[y'₁,y'₂,…,y'_n]^T，网络期望输出为Y_T＝[y₁,y₂,…,y_n]^T。计算基于T-GRNN的网络输出值和网络期望输出值的绝对百分比误差(APE)，取其最大值作为T-GRNN的最大误差，记为η_max，取其算术平均值作为T-GRNN的平均误差，记为η_mean。APE的计算方法如下：

其中，y为网络期望输出值；y'为基于T-GRNN的网络输出值。

本发明第二部分变压器在线振动监测，主要包括以下内容，如图4所示：

a：实时数据采集和预处理。

按照与历史数据采集相同的方式，采集变压器运行电压、负载电流、变压器油温以及振动基频幅值实时数据，并采用与历史数据预处理相同的预处理方法进行归一化处理，其中原始数据值的最大值和最小值为历史数据值的最大值和最小值，得到变压器实时数据，记为R，表示如下：R＝[x_v,x_i,x_t,y_t]。

其中，x_v、x_i、x_t是变压器实时运行数据，x_v表示实时运行电压、x_i表示实时负载电流、x_t表示实时变压器油温；y_t是变压器实时振动数据，表示实时振动基频幅值实测值。

b：变压器表面振动基频幅值的实时计算。

变压器实时运行数据作为T-GRNN的输入，网络输出为振动基频幅值计算值，记为y_tr。计算振动基频幅值计算值(y_tr)和实时振动基频幅值实测值(y_t)的绝对百分比误差(APE)，记为η。

c：基于振动分析的变压器运行状态监测。

将变压器运行状态根据等级由低到高的原则，划分为正常，注意，告警和故障四种状态。根据振动基频幅值计算值(y_tr)和实时振动基频幅值实测值(y_t)的绝对百分比误差(APE)计算结果判定变压器运行状态，判定运行状态规则如下：

1)当连续三次(或三次以上)η计算值大于或等于η_mean时，判定当前运行状态为注意；

2)当η计算值大于1.5倍的η_max时，判定当前运行状态为告警；

3)当连续两次(或两次以上)η计算值大于1.5倍η_max时，判定当前运行状态为故障；

4)若同时满足上述3条中的2条或3条，则判定当前运行状态为满足条件等级最高的状态；

5)不满足上述1)、2)和3)中任意一条时，判定当前运行状态为正常。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。