一种变压器故障检测方法及变压器与流程

本发明涉及电力领域，具体的涉及一种变压器故障检测方法及变压器。

背景技术：

高压变压器是电力系统的关键设备，高压变压器的可靠运行对电力系统的稳定运行至关重要。提高变压器的可靠性可以显著提高供电可靠性。为了提高变压器的可靠性，目前的主流做法为对变压器的某些运行参数依据国家标准进行在线监测，监测其关键运行参数，当其关键运行参数超出某一阈值时，就发生报警。此方法为变压器的故障的在线诊断，当变压器在线监测系统发出警报时，变压器往往已经发生了显著的异常状态或者已经发生了某些故障，此时已经影响到电网的正常运行和可靠运行。另外一种常见的作法为依据国家标准对每一台变压器进行定期的巡视巡检以及带电检测和状态检修，此方法为离线检测方法，与在线监测相比，此方法大大提高了准确率，有时候可提前发现变压器发生的轻微异常或者发生的早期故障，但是这种方法需要大量的人力物力，且带电检测和状态检修均会造成变压器在检测时不可用或限制可用，减少了变压器的有效工作时间。变压器的带电检测和状态检修均有较长的时间间隔，平均每半年到一年检修一次，视变压器运行情况而定，变压器若在两次检修时间间隔之间发生了异常或者故障，则无法通过离线检测的方法提前获知或者避免这些异常和故障。

技术实现要素：

本发明的一个目的在于提供一种变压器故障检测方法及变压器，使得对变压器的故障检测更加灵敏高效。

具体地，本发明是通过如下技术方案实现的：

一种变压器故障检测方法，所述方法包括步骤：

s1：根据变压器的输入电流和输出电流初判是否发生故障，若是，执行s2，若否，继续执行s1；

s2：将变压器的输入电流进行小波分解，根据得到的分解信号判断输入电流是否出现异常，若是，执行s3，若否，执行s9；

s3：在预设连续时间段内，根据在变压器外围设置的红外热像仪监测到的显示画面，确定变压器高压侧套管是否出现异常，若是，则执行s4，若否，则执行s1；

s4：根据变压器高压侧套管红外图像的特征，对振动信号强度进行修正；

s5：根据多幅特征图像确定对应的深层结构特征，得到变压器高压侧套管不同故障情形与深层结构特征间的对应关系；

s6：判断修正后的振动信号强度与对应出的深层结构特征之间的对应度是否大于预设对应度阈值，若是，则执行s7，若否，则执行s8；

s7：判断变压器高压侧套管红外图像的灰度图像中是否存在大于预设阈值的像素值，若存在，则根据所述灰度图像中大于预设阈值的像素点的位置分布，获取所述待诊断变压器中变压器部件的特征图像；

s8：调取标准特征相量库bi，计算出每个bi值与所述小波包分解信号特征相量di的差值ρ(a,b)；将所述差值ρ(a,b)与报警阀值进行比较，判断所述差值是否小于所述报警阀值，若小于，所述变压器振动在正常范围内；若不小于，所述变压器振动异常，发生故障，报警指示灯亮；

s9：判断输入电流是否小于其故障判断启动电流，且输出电流在设定时间段中任一时刻起持续大于等于其故障判断启动电流时，读取在设定时间段内采集的变压器内产生的录音信息；

s10：根据变压器内产生的录音信息获取变压器的特征矢量；

s11：判断所述时间特征矢量和预存的特征频谱数据库中所保存的已知故障特征频谱矢量之间的矢量距离是否大于预设距离阈值，若是，则执行s12，若否，则返回s2；

s12：根据已知故障特征频谱确定故障。

较佳的，所述s1包括：

s1001：获取变压器振动信号的振动信号强度和变压器的输入电流和输出电流值；

s1002：判断变压器的输入电流和输出电流在设定时间段内是否等于其故障判断启动电流，若是，执行s2，若否，执行s1001。

较佳的，所述s2包括：

s21：对输入电流信号进行j层小波包分解，得到2j个频率段的小波包分解信号di；

s22：针对每个分解信号di，判断每个分解信号di的平均功率总和是否大于预设平均功率值，若是，执行s3，若否，执行s9。

较佳的，所述s4包括：

s41：分别对多幅变压器高压侧套管红外图像进行处理，得到多幅特征图像；所述特征图像包括灰度图像；

s42：根据灰度图像确定灰度图像的平均像素阈值；

s43：根据灰度图像平均像素阈值对所述振动信号强度进行修正。

较佳的，所述s10包括：

s101：将录音信息进行n次数据采集，形成一维向量，并将形成的一维向量进行归一化，作为状态向量；

s102：从状态向量中提取幅值、相位、能量及概率分布等时间特征矢量，用于表征变压器状态。

较佳的，所述s6包括：

预先设置深层结构特征与振动信号强度的对应关系表，所述对应度为修正后的振动信号强度与深层结构特征与振动信号强度的对应关系表中振动信号强度的比值，当该比值在0.5～1.5之间时，将该比值确定为对应度值，若该比值不在0.5～1.5之间，则将修正后的振动信号强度与记录在对应关系表中的较大振动信号强度进行比值计算。

较佳的，所述s1002中，故障判断启动电流设置成大于2倍其相对应电流的额定电流。

较佳的，在s42中，

先计算灰度图像的平均像素值，之后，计算核心发热区域占图像总区域的面积占比值，将平均像素值除以所述面积占比值，得到灰度图像的平均像素阈值。

较佳的，在s43中，首先计算灰度图像两个对角线上像素的平均值，再计算灰度图像平均像素阈值与灰度图像两个对角线上像素的平均值的比值，将该比值与原振动信号强度相乘，得到修正后的振动信号强度。

一种变压器，所述变压器使用前述的变压器故障检测方法。

本发明的有益效果是：对变压器的故障检测更加灵敏高效。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种变压器故障检测方法示意图；

图2为图1中s1具体流程示意图；

图3为图1中s2具体流程示意图；

图4为图1中s4具体流程示意图；

图5为图1中s10具体流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

以下将通过实施例对本发明进行详细描述。

本发明提供了一种变压器故障检测方法，如图1所示，所述方法包括步骤：

s1：根据变压器的输入电流和输出电流初判是否发生故障，若是，执行s2，若否，继续执行s1。

s2：将变压器的输入电流进行小波分解，根据得到的分解信号判断输入电流是否出现异常，若是，执行s3，若否，执行s9。

s3：在预设连续时间段内，根据在变压器外围设置的红外热像仪监测到的显示画面，确定变压器高压侧套管是否出现异常，若是，则执行s4，若否，则执行s1。

将红外测温技术应用于电力设备的带电检测，是变压器例行带电检测项目之一，红外测温可成功检测出变压器多种发热缺陷，包括高压套管介损发热、套管内油位异常、套管接头接触不良，本体漏磁致热等。红外测温通过红外热像仪来实现。

具体的，确定变压器的三个高压侧套管的温度，根据所述变压器的三个高压侧套管的温度，确定温度最高的高压侧套管；若所述温度最高的高压侧套管的温度与其余任意一个高压侧套管的温度之间的差值大于另一个高压侧套管的温度，则确定所述温度最高的高压侧套管出现异常。

s4：根据变压器高压侧套管红外图像的特征，对振动信号强度进行修正。

s5：根据多幅特征图像确定对应的深层结构特征，得到变压器高压侧套管不同故障情形与深层结构特征间的对应关系。

在获取每种变压器高压侧套管故障对应多幅特征图像后，在本步骤中，确定每种变压器高压侧套管故障对应的多幅特征图像的深层结构特征，该深层结构特征可以反映多幅特征图像中的外形特征、纹理特征，以及，故障位置等特征。

具体的，获取每种变压器高压侧套管故障所对应的多幅特征图像，所对应的深层结构特征，可以采用卷积神经网络的方法来获取，例如，具体可以采用googlenet深度学习框架，采用卷积神经网络的方法只是本申请的一种具体实施方式，本实施例不对具体的实施方式做限定。

s6：判断修正后的振动信号强度与对应出的深层结构特征之间的对应度是否大于预设对应度阈值，若是，则执行s7，若否，则执行s8。

所述对应度，即修正后的振动信号强度与深层结构特征之间的匹配程度，这是一个预先量化的数值，即在变压器出厂时，在各种不同变压器高压侧套管故障下，通过实验获取的深层结构特征与振动信号强度的对应关系。在制作深层结构特征与振动信号强度的对应关系表时，采集的是实际检测到的振动信号强度，由于振动信号强度越大，越说明变压器可能出现故障，所以在进行步骤s10的判断时，采用的是修正后的振动信号强度，从而增大判断的灵敏度。具体的，深层结构特征与振动信号强度的对应关系表中，记录的是具体的振动信号强度与深层结构特征之间的对应关系，所述对应度可以为修正后的振动信号强度与深层结构特征与振动信号强度的对应关系表中振动信号强度的比值，当该比值在0.5～1.5之间时，将该比值确定为对应度值，若该比值不在0.5～1.5之间，则将修正后的振动信号强度与记录在对应关系表中的较大振动信号强度进行比值计算。

s7：判断变压器高压侧套管红外图像的灰度图像中是否存在大于预设阈值的像素值，若存在，则根据所述灰度图像中大于预设阈值的像素点的位置分布，获取所述待诊断变压器中变压器部件的特征图像。

由于变压器的红外图像中的各像素值反映的是变压器中相应位置的温度，同时，红外图像的像素值与红外图像所对应的灰度图像的像素值之间存在一种对应关系，即，红外图像中表示一定温度范围的像素值在灰度图像中对应一定灰度范围的像素值。因此，在本实施例中，确定各故障变压器部件的红外图像最低温度在灰度图像中所对应的阈值，将此阈值称为预设阈值，根据该预设阈值，可以确定出灰度图像中，是否存在大于预设阈值的像素值，若不存在，表明该待诊断变压器中不存在温度高于故障温度的位置，即该待诊断变压器不存在过热故障；相反，表明该待诊断变压器中存在温度高于故障温度的位置，即该待诊断变压器存在过热故障。

s8：调取标准特征相量库bi，计算出每个bi值与所述小波包分解信号特征相量di的差值ρ(a,b)；将所述差值ρ(a,b)与报警阀值进行比较，判断所述差值是否小于所述报警阀值，若小于，所述变压器振动在正常范围内；若不小于，所述变压器振动异常，发生故障，报警指示灯亮。

s9：判断输入电流是否小于其故障判断启动电流，且输出电流在设定时间段中任一时刻起持续大于等于其故障判断启动电流时，读取在设定时间段内采集的变压器内产生的录音信息。

s10：根据变压器内产生的录音信息获取变压器的特征矢量。

s11：判断所述时间特征矢量和预存的特征频谱数据库中所保存的已知故障特征频谱矢量之间的矢量距离是否大于预设距离阈值，若是，则执行s12，若否，则返回s2。

若矢量距离大于预设距离阈值，则说明时间特征矢量对应的变压器状态和正常工作特征频谱矢量对应的变压器状态之间相差较大，说明当前状态属于已经预先定义过的故障状态，需要进行新的故障状态确定。若矢量距离小于预设距离阈值，则说明当前变压器故障属于已经预先定义过的故障状态。

s12：根据已知故障特征频谱确定故障。

采用本发明实施例提供的变压器故障检测方法，能够通过综合判断的方式，从多个维度获取变压器故障的来源，并进行故障特征的比对，从而更加精确的获取变压器的故障状态。

进一步的，如图2所示，所述s1包括：

s1001：获取变压器振动信号的振动信号强度和变压器的输入电流和输出电流值。

本实施例的变压器故障检测方法，根据变压器的输出电流值和预设的变压器额定输出电流值，对振动信号强度进行修正，并根据修正之后的振动信号强度判断出变压器是否有故障或故障隐患。变压器在运行过程中，电压基本保持不变，但是变压器的输出电流，也就是变压器的工作电流，会随着变压器带动的负载的变化而变化，而输出电流的大小对振动信号是有影响的，因此这样获取的振动信号强度中带有因变压器的输出电流带来的影响，不能准确的表征变压器绕组的机械结构的变化。并且，变压器的输入电流也能够表征故障发生的情况，基于此，本实施例考虑不同负载对变压器的输出电流的影响，根据变压器输出电流值与额定电流值对振动信号强度进行修正，使修正后的振动信号强度能更准确的体现变压器的状态，从而使诊断结果更准确。本实施例提供的方法能够在变压器投运的同时，准确的诊断出变压器的状态，使工作人员能够及时发现并修复变压器的故障或故障隐患，保证电力系统稳定运行。

s1002：判断变压器的输入电流和输出电流在设定时间段内是否等于其故障判断启动电流，若是，执行s2，若否，执行s1001。

变压器内部的线路出现故障时，其输入电流一般是处于正常的，往往变压器的输出电流会出现异常。本方案中在需要采集电流处的线路中都设置有一个与其线路电流相对应的故障判断启动电流，每处线路上相对应的故障判断启动电流都是不一样的。在本方案中提到的故障判断启动电流设置成大于2倍其相对应电流的额定电流。变压器在工作时，若接入其上的用电设备较多时，就会出现过载的现象，这时其功率和工作电流都会在额定条件下出现小范围的波动，本方案的故障判断启动电流与相对应电流的额定电流之间的关系，也主要是电压器出现过载时的考虑，这样设置后才不会出现变压器线路故障误判的情形。若输入电流和输出电流在设定时间段内等于其故障判断启动电流，则进行下一步的故障判断，若否，则判断当前变压器不存在故障情况，返回s1。

进一步的，如图3所示，所述s2包括：

s21：对输入电流信号进行j层小波包分解，得到2j个频率段的小波包分解信号di。

s22：针对每个分解信号di，判断每个分解信号di的平均功率总和是否大于预设平均功率值，若是，执行s3，若否，执行s9。

每个分解信号di都表示输入电流信号在每一个层级上的电流情况，输入电流信号每个分解信号di的平均功率表示了每一个层级上的电流的信号强度，这些分解信号di的平均功率能够作为输入电流信号的信号特征进行提取。

进一步的，如图4所示，所述s4包括：

s41：分别对多幅变压器高压侧套管红外图像进行处理，得到多幅特征图像；所述特征图像包括灰度图像。

由于变压器红外图像可以反映变压器的温度，且其具有不受光照、电磁信号干扰等特点，被广泛应用于检测变压器是否存在过热故障的方法中。

一般分别获取多幅出现过热故障的变压器的红外图像，以及，多幅正常工作的变压器的红外图像；并获取多幅出现过热故障的变压器的灰度图像，得到多幅第一灰度图像，以及，获取多幅正常工作的变压器的灰度图像，得到多幅第二灰度图像；分别确定多幅第一灰度图像与多幅第二灰度图像的像素分布特征，得到两种像素分布特征；确定两种分布特征与过热故障变压器与正常工作变压器间的对应关系，基于该对应关系以及待诊断变压器的灰度图像的像素分布特征，确定待诊断变压器是否存在过热故障。

在得到每种故障变压器部件的多幅红外图像后，针对每种故障变压器部件，对对应的多幅红外图像进行灰度处理得到多幅灰度图像，将多幅灰度图像作为多幅特征图像。

在实际应用中，可以对每种变压器部件对应的多幅灰度图像进行降噪处理，具体的可以采用小波变换的方式，当然，对每种变压器部件对应的多幅灰度图像进行降噪处理不是本实施例所必须执行的动作。

s42：根据灰度图像确定灰度图像的平均像素阈值。

由于变压器的红外图像中的各像素值反映的是变压器中相应位置的温度，同时，红外图像的像素值与红外图像所对应的灰度图像的像素值之间存在一种对应关系，即，红外图像中表示一定温度范围的像素值在灰度图像中对应一定灰度范围的像素值。因此，在本实施例中，确定各故障变压器部件的红外图像最低温度在灰度图像中所对应的阈值，将此阈值称为预设阈值，根据该预设阈值，可以确定出第一灰度图像中，是否存在大于预设阈值的像素值，若不存在，表明该待诊断变压器中不存在温度高于故障温度的位置，即该待诊断变压器不存在过热故障；相反，表明该待诊断变压器中存在温度高于故障温度的位置，即该待诊断变压器存在过热故障。

具体的，先计算灰度图像的平均像素值，之后，计算核心发热区域占图像总区域的面积占比值，将平均像素值除以所述面积占比值，得到灰度图像的平均像素阈值。采用这样的方式，使得灰度图像的平均像素按照核心发热区域占图像总区域的面积占比进行反比例扩大，使得得到的灰度图像的平均像素阈值能够表征出发热量的大小。

s43：根据灰度图像平均像素阈值对所述振动信号强度进行修正。

具体的，首先计算灰度图像两个对角线上像素的平均值，再计算灰度图像平均像素阈值与灰度图像两个对角线上像素的平均值的比值，将该比值与原振动信号强度相乘，得到修正后的振动信号强度。由于变压器高压侧套管的灰度图像通常都是均匀变化的，所以正常工作的变压器高压侧套管的灰度图像的两个对角线上像素的平均值应与所述灰度图像平均像素阈值大致相等，所以将该比值与原振动信号强度相乘后，若变压器工作正常，则修正后的振动信号强度也不至于改变过大，若变压器出现故障，则修正后的振动信号强度会有较大变化。

进一步的，如图5所示，所述s10包括：

s101：将录音信息进行n次数据采集，形成一维向量，并将形成的一维向量进行归一化，作为状态向量。

所述n与分解信号di中的数据点个数一致。

s102：从状态向量中提取幅值、相位、能量及概率分布等时间特征矢量，用于表征变压器状态。

将状态向量中的每一个数值视为离散数字信号数值，利用现有的数字信号处理方法，获取所述状态向量对应的幅值、相位、能量及概率分布等时间特征矢量。

变压器故障是变压器本身及其应用环境综合作用和长期积累的结果，因而变压器故障的征兆多种多样，故障征兆与故障机理间的联系也错综复杂，这就给建立通用的变压器故障控制方法造成了很大的困难。在本发明中，将金属和非金属含量数据与内套管出现故障的次数进行长时间采集和数据重新排列后，形成与变压器工作状态独一无二对应的状态向量，能够从变压器故障最容易产生的方面出发，确定变压器当前的故障状态。

本发明还提供了一种变压器，所述变压器使用前述的变压器故障检测方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。