一种变压器在线监测与故障诊断方法与流程

[0001]
本发明涉及变压器的故障诊断技术，尤其涉及变压器的在线监测与故障诊 断方法，属于电力电子技术领域。


背景技术：

[0002]
电力变压器是电网中最重要的设备之一，维持变压器的正常运行关系到整 个电网的安全性。然而，变压器在工作中会受到电气、化学、机械、热和环境 应力的影响，从而导致绕组和铁心发生故障。变压器故障对电网的影响很大， 大型电力变压器在运行时一旦发生突发事故，可能引发大规模的停电事故，造 成严重的不良社会影响和经济损失。而且电力变压器的维修成本高、周期长， 产生的各种经济损失也是十分巨大的。
[0003]
为了实现对电力变压器的在线监测与故障诊断，减少经济损失，提出了一 种使用变压器的振动、电流、电压、温度等信号的对变压器进行故障诊断的方 法。
[0004]
现有技术效果不够理想，识别的正确率往往不够高，部分技术难以满足室 外苛刻的环境，部分技术只能识别特定几类容易识别的故障。且变压器异常数 据少，本发明恰恰提出了一种不依赖异常数据的诊断方法。
[0005]
发明目的
[0006]
本发明的目的在于克服现有技术的缺点与不足，提供一种对电力变压器进 行在线监测与故障诊断的方法。传统的深度学习方法需要大量的正常和异常数 据进行训练，而变压器类型多、价格贵，实际运行中故障概率低，因此正常数 据冗余而异常数据稀少。为此，提出一种仅利用正常数据进行训练的无监督深 度学习诊断方法。


技术实现要素：

[0007]
本发明提供了一种变压器故障诊断方法，包括下述步骤：
[0008]
步骤一：采用多种传感器，以t为采样周期，采集变压器在不同测点或不同 相的包括振动、电流、电压、温度信号的共计n路信号的瞬时值，记为 h1(t),h2(t),
…
,h
n
(t)；所采集的信号无需同步，但总的采集点数是相同的，均为n；
[0009]
步骤二：对采集到的n路信号，分别用离散s变换进行处理，将计算结果 组成n通道的复矩阵，通过公式(1)计算：
[0010][0011]
式(1)中，用h(
·
)表示离散傅里叶变换，则如式(2)所示：
[0012]
[0013]
其中，k＝0,1,
…
,n-1；
[0014]
步骤三：对步骤二中所得到的n通道复矩阵中的每一个元素取模，得到n 通道的实矩阵，记为信号的特征图像x；
[0015]
步骤四：将特征图像x输入已经训练好的无监督深度学习框架；所述无监 督深度学习框架包括由神经网络拟合而成的判别器d
zz
、d
xz
和d
xx
，生成器g以 及编码器e；所述神经网络是同步训练的，其损失函数表示为式(3)-(6)：
[0016]
v(d
xz
,d
xx
,d
zz
,e,g)＝v(d
xz
,e,g)+v(d
xx
,e,g)+v(d
zz
,e,g)
ꢀꢀꢀ
(3)
[0017][0018][0019][0020]
数据x的异常值λ的计算公式如式(7)所示：
[0021][0022]
其中，f
xx
(
·
,
·
)代表神经网络d
xx
在输出层之前的网络的激活值，将异常值λ 与阈值比较，当异常值λ更大时，诊断结果为异常；当异常值小于阈值时，则 诊断结果为正常。
[0023]
优选地，步骤一中所述传感器包括振动传感器、电流互感器、电压互感器、 温度传感器。
[0024]
优选地，步骤一中所述电压、电流信号的采样频率为1600hz；振动信号的 采样频率为1800hz；温度信号的采样频率为0.01hz。
附图说明
[0025]
图1为本发明实例提供的无监督深度学习框架的结构示意图；
具体实施方式
[0026]
下面结合附图详细阐述本发明，本领域技术人员应当明白，本发明的具体 实施例仅用于示例性的说明本发明的最佳实施方式，而不应被视作对本发明保 护范围的限定，任何在不脱离本发明主旨及思想的技术上，对本发明实施例进 行的变体、替换等都落入本发明的范围。
[0027]
实施例1
[0028]
在具体的变压器应用场景中，首先使用电压互感器、电流互感器采集a、b、 c三相的电压、电流；将8个振动信号传感器布置在变压器箱体表面，用于采集 振动信号；再用一个温度传感器采集变压器的温度信号，一共有15路信号。
[0029]
其中，电压、电流信号的采样频率为1600hz；振动信号的采样频率为 1800hz；温度信号的采样频率为0.01hz。每隔一段时间提取每一路信号采集的 最近64个数据，组成15通道的64维向量，再将每一个通道的向量数据用s变 换处理得到15通道的64
×
64的复矩阵。
将该复矩阵的各元素取模值以后输入 如附图1所述的无监督深度学习框架进行诊断。
[0030]
发明效果
[0031]
利用本发明所述的诊断方法，可以检测变压器的各类故障、异常情况或老 化，尤其是机械故障的故障、老化。
[0032]
为达到此目标，需要在在线使用之前用已有的正常运行时采集的变压器数 据训练网络，在线使用过程中则可以在异常数据到来时检测出该数据。