基于振动灰度图像的变压器绕组故障监测方法与流程

本发明属于电力变压器故障检测
技术领域：
，具体涉及基于振动灰度图像的变压器绕组故障监测方法。
背景技术：
：大型电力变压器是电力系统中的关键设备。随着超高压输电和大电网的发展，电力变压器的数量在快速地增加。在长时间的运作过程中，变压器难免会出现故障，其故障将致使输电网络中断，进而造成严重的经济损失与社会影响。基于此，实现对大型电力变压器及时准确的故障排查与修复，确保电力变压器能够稳定运行是十分必要的。电力变压器的故障情况一般分为绕组故障和铁芯故障两种，其中绕组故障发生的概率更高，且对变压器使用寿命影响也最大。绕组故障一般表现为绕组松动或者绕组变形，主要是变压器内部绕组与绝缘材料故障导致。此类故障或将致使绕组出现匝间短路等严重情况。绕组在变形的情况下，抗短路冲击的能力会有大幅下降，继而导致更大程度的变形。因此，对绕组状态进行诊断，及时准确排查故障是十分必要的。常用的绕组故障检测技术有频响分析法、短路阻抗法和油色谱分析法等。频响分析法是从绕组一端注入扫频信号，从另一端接收信号，计算传递函数，根据绕组冲击前后传递函数的变化判断绕组是否变形。短路阻抗法是通过测量绕组冲击前后绕组短路阻抗的变化判断绕组是否变形。油色谱分析法是根据测得的变压器油中溶解的各种气体含量数据，对变压器性能进行分析，从而判断变压器设备内部是否发生故障。但是以上三种方法均存在部分缺陷，频响分析法与短路阻抗法对绕组的轻中度变形诊断的准确度低，且两种方法都不能进行带电检测。油色谱分析法虽然可用于带电检测，但是对内部的机械结构并不敏感，无法准确地进行故障排查。技术实现要素：针对现有技术所存在的上述不足，本发明提出了一种基于振动重心趋势和多维图像的绕组故障监测方法，该方法针对现场带电运行的变压器进行故障诊断，有效弥补了常规检测方法的不足。本发明的技术方案包括如下步骤：步骤1：在电力变压器的油箱表面布置多个加速度传感器作为测点，每个加速度传感器布置在靠近电力变压器内部绕组的油箱表面上，并确保每个绕组被两个或者两个以上的测点覆盖。步骤2：带电运行电力变压器，利用加速度传感器采集各测点的振动信号，对每个测点采集得到的振动信号的处理方法相同，具体是：从连续的振动信号中等间隔地依次提取多个时间段，如每隔1小时提取一个长度为1秒的时间段，每个时间段内的振动信号数据包括振动周期与振幅，通过傅里叶变换法得到振动频率与振幅；同时对电力变压器的电流信号进行同步采样，获得各个时间段对应的电流信号。步骤3：根据振动信号数据和电流信号构造每个测点的振动灰度图像。步骤4：根据构造得到的振动灰度图像对cnn卷积神经网络进行训练，再利用训练后的cnn卷积神经网络判断未知变压器的绕组状态是否存在故障。步骤2振动信号的采集需同时满足两个条件：一是绕组中的电流变化需在预设范围内；二是输入电压需保持在额定值，以确保铁芯的振动保持恒定。所述步骤3的具体步骤如下：步骤3.1：计算该测点的每个时间段的频率重心：式中，ti表示第i个时间段的频率重心，ω表示振动频率，aω表示对应频率ω处的振动振幅；具体的，每个时间段内对振动频率的求和是在振动频率所在的区间内等间隔取值，间隔可取0.1、0.01等。例如时间段内振动频率的范围区间在1-50hz，则对1、1.1、1.2……50hz处的振动频率乘对应的振幅的求和。步骤3.2：按照步骤3.1计算得到l个时间段的频率重心，l同时也与构造的振动灰度图像的长、宽像素点的个数等值。建立像素点个数为l×l的图像，以图像的左上角为原点，i、j分别表示图像的长、宽方向的序数，则每个像素点的位置均可以用(i,j)表示，i和j的取值均为0～l。步骤3.3：按下式求取各个像素点的像素值，构造振动灰度图像p：式中，pi,j表示第(i,j)个像素点的像素值，tj表示第j个时间段的频率重心，ii、ij分别表示第i个时间段、第j个时间段的电流有效值。电流有效值是根据所在时间段内的电流信号计算得到。所述步骤4的具体步骤如下：步骤4.1：选取绕组状态不同的各类变压器作为样本，重复步骤1-3获得各个样本对应的振动灰度图像作为训练集。步骤4.2：将训练集输入cnn卷积神经网络进行迭代训练，得到训练后的cnn卷积神经网络。步骤4.3：按照步骤1-3采集绕组状态未知的变压器的振动灰度图像，将振动灰度图像输入到cnn卷积神经网络中，输出得到变压器的绕组预测状态，绕组预测状态包括绕组正常以及绕组故障，绕组故障又包括老化和异常。步骤4.1所述的绕组状态包括绕组正常以及绕组故障，绕组故障的变压器包括使用寿命超过20年的老化变压器和短路阻抗试验结果不合格的异常变压器。本发明的有益效果为：1、本发明方法采用振动法采集振动信号，与电力设备不发生电气连接，且无需对变压器进行断电，对于整个电力系统的正常运行没有任何影响。2、本发明提出了一种基于频率重心的振动图像提取方法，该方法能有效识别绕组状态。3、本发明方法采用深度学习方法进行分类，省却了繁琐的人工寻求故障特征过程，提升了识别效率。附图说明图1为本发明的步骤流程示意图；图2为cnn卷积神经网络的识别过程示意图；图3为油箱表面测点布置图；图4为变压器的振动信号示意图，其中(a)表示时域图(b)表示频域图；图5为电流趋势与频率重心趋势的关系图；图6的(a)、(b)、(c)分别为正常、老化、异常绕组条件下的振动图像；图7为训练过程中训练样本的平均值和标准偏差；图8为模型准确率函数的训练过程示意图。具体实施方式为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明所述的绕组状态评估方法进行详细说明。如图1所示，本发明包括以下步骤：步骤1：在电力变压器油箱表面均匀分散地布置多个加速度传感器，从而最大限度地避免部分错误信号对整体振动信号记录的影响；加速度传感器布置在靠近绕组的油箱表面上；确保每个绕组被两个或者两个以上的传感器覆盖。步骤2：记录电力变压器在不同负载下的振动信号。测试中，振动信号采集需满足两个条件：一、绕组中的电流变化需在一定范围内；二、输入电压需保持在额定值，确保铁芯的振动保持恒定。传统的空载与短路实验均不能满足上述要求，因此，只有现场带电运行变压器能满足以上条件。因此，对于振动信号的采集，本发明选择在现场测试中，利用加速度传感器获取不同负载下各测点的振动信号，即不同电流大小下的振动信号。步骤3：从振动信号中提取频率重心，根据重心数据构造振动图像。对于采集到的各个测点的振动信号，每隔1小时依次提取一个长度为1秒的时间段，再通过傅里叶变换法对提取时间段的振动信号进行处理得到该时间段的振动频率与振幅数据，从而计算出各个时间段对应的频率重心。同时对电流信号进行同步采样，根据不同负载对频率重心的影响，构造振动图像。步骤3中，频率重心与绕组机械结构密切相关：大型电力变压器的绕组由压板隔开的盘状线圈构成，其中线圈主要由铜导体、绝缘垫片与绝缘纸组成，一般可将单层线圈等效集中为一个质量块，将两个相邻线圈之间的绝缘性能等效为阻尼与刚度的作用。变压器绕组结构可等效为一个由质量-弹簧-阻尼构成的多自由度系统。绕组振动方程可以表示为：式中，[m]、[c]和[k]分别表示质量、阻尼和等效刚度矩阵。f和x分别表示电磁力矢量和位移矢量。变压器正常工作时，绕组受到电磁力作用，电磁力大小与电流大小有关。电磁力公式与通入电流分别可以表示为：f＝ki2(2)式中，k为常数。由上述公式可知，电磁力大小与电流平方成正比。线圈中的电磁力可分为直流分量fdc与交流分量fac，其中直流分量直接影响线圈轴向的压紧力，第i个线圈的电磁力可以表示为：fi(t)＝fidc(t)+fiac(t)＝fi[1-cos(2ωt)](4)fidc(t)＝fi＝kii2(5)该系统的固有频率ωi与绝缘材料的等效刚度k和导体质量m相关，可以表示为：该系统的绝缘材料的应力应变特性可以表示为：式中，ε和σ分别为绝缘材料的应变和应力，a和b为常数。考虑负载变化对电磁力直流分量的影响，系统固有频率随线圈轴向压紧力的变化可以表示为：式中，σ0为静应力，δσ为电磁力直流分量引起的附加应力，b[k(σ0)]-1.5为常数。根据公式(8)易得当负载一定时，与一常数成正比例关系。由于变压器运行时，绕组与铁芯处于振动状态，难以直接获取固有频率，本实验便提出一个新的方法，以不同负载下绕组频率重心的变化趋势来体现绕组参数的变化。由于负载即电流变化会导致电磁力的轴向直流分量发生变化，而根据公式(7)可知等效刚度k与电磁力的轴向直流分量成非线性关系，所以绕组的固有频率会随负载的变化而变化即绕组的频率重心也将随着负载的变化而变化。通过分析频率重心变化趋势与绕组性能之间的关系，搭建神经网络训练模型对绕组进行故障诊断，便是本专利的基本出发点。在上述步骤3中的振动图像构建方法：本方法基于振动重心趋势和多维图像对绕组故障进行诊断，其中利用深度学习对多维图像进行分析识别，通过学习到的模型对未知样本进行故障诊断。利用振动法对运行中的变压器进行实时监测，该方法是一种无直接电气连接的在线监测方法。对于采集到的各个测点的振动信号，每隔1小时依次提取一个长度为1秒的时间段，其振动信号数据包括振动周期与振幅如图2中的时域图(a)所示。再通过傅里叶变换法对提取时间段的振动信号进行处理得到该时间段的振动频率与振幅数据如图2中的频域图(b)所示。对提取的各个时间段振动信号数据的处理方法相同，从而计算出对应的频率重心ti，公式如下所示：式中，aω是频域中ω频率处的振动振幅。提取振动信号的同时对电流信号进行同步采样，根据公式(2)，可知电磁力大小与电流平分成正比这个基本原理，可用电流平方的序列代替电磁力序列，其中电流应先除以额定值归一化。根据此原理并结合公式(8)，其中δσ可用ii2-ij2代替，同样，式中ωi(σ0+δσ)与ωi(σ0)可分别用对应时间段的频率重心tj、ti代替，替换后的数据仍然成比例关系。根据此特点，通过测量不同负载下的频率重心与对应电流有效值，构造振动图像灰度图p，将不同负载下的系统数据值灰度量化，即将数据的变化范围转换为图像的灰度范围。pi,j的精确值通常在[0，1]范围内，当取值为0时，对应的像素块为黑色；当取值为1时，对应的像素块为白色。关于pi,j的定义如下：式中，ii为ti对应的电流有效值，l为序列长度即实验中提取数据的时间段个数与构造的振动图像灰度图中长宽像素点的个数等值。步骤4：利用深度学习识别振动图像，并对变压器绕组进行分类和诊断。本发明选取卷积神经网络作为输入振动图像的分类器，通过采集不同状态下的变压器振动数据，用已知状态的振动数据作为网络训练的样本，然后用学习得到的模型对未识别样本进行分类，判断绕组结构是否存在异常。步骤4的卷积神经网络分类：在使用卷积神经网络分类振动图像时，无须详细分析振动信号可能具备的故障特征内容，只需利用已知故障状态的变压器振动信号作为训练组，经大量训练后便可以用学习到的模型对未知绕组故障进行诊断。该方法的流程如图2所示：其中电磁力特征序列采用电流平方序列表示。通过上述流程学习到的模型，可用于对未知绕组故障的诊断。卷积神经网络模型的建立主要取决于输入和输出维度。变压器运行具有明显的周期性，根据此设置时间间隔为1小时，构造了一个24x24输入矩阵(l＝24)。下面将讨论输入维度对训练模型的影响。采用的cnn卷积神经网络模型，如表1所示：表1卷积神经网络模型配置层滤波器输入输出2dconv1+relu+maxpool(3,3)24×2411×11×82dconv2+relu+maxpool(4,4)11×11×84×4×322dconv3+relu(3,3)4×4×322×2×64fc+softmax32563该模型由三个卷积层(conv1–conv3)和一个完全连接层组成。如拟定模型所示，第一个卷积层(conv1)包含八个3×3滤波器，主要用于进行特征提取。卷积之后通过relu激活函数，将输出的张量中的小于0的位置对应的元素值都变为0。再应用一个2×2最大池化层进行池化，对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。最后使用一个全连接层(fc)，连接所有的特征，将输出值送给softmax分类器，其中包含三个输出单元相当于分类数量。本发明的具体实施例如下：具体实验对象为型号相同的110kv三相油浸式电力变压器，根据绕组机械状态分为三类，其中一类为新生产可以工作的正常变压器，一类为使用寿命超过20年的衰退变压器即老化变压器，另一类为经过检查如短路阻抗试验结果不合格的异常变压器，其中异常变压器的数量小于其他两类。不同类别振动样本与训练和测试样本数量如表2所示：表2不同类别的训练和测试样本变压器数量训练样本测试样本正常50300300老化50300300异常84848在进行故障诊断时，为了便于不失真地获取振动信号，须选用灵敏度较高的加速度传感器，本实验中选取的传感器灵敏度为500mv/g；为了保证传感器在采样滤波频带之内的振动响应，将振动传感器固定在油箱侧壁上应采用磁座吸附或胶水粘接的方式。在实验过程中，振动信号与电流信号以10khz采样频率进行同步采集，采用连续采样模式来记录。(1)布置振动测点在电力变压器油箱一侧表面均匀布置6个测点，如图3中1、2、3、4、5、6点所示。图3中a、b、c相分别对应绕组位置，每相绕组对应2个测点，从而保证能够全面地采集变压器油箱表面的振动特征。另一侧也对应地均匀布置6个测点，同时采集两侧的振动特征，将一侧的振动特征作为训练集，另一侧的振动特征作为测试模型的测试集。(2)采集三种情况下的振动信号如图4所示，(a)中所示的三幅时域图表示了三类变压器(正常、衰退、异常)的振动信号。再根据(b)中所示的信号显示正常变压器对应的振动谐波数据相对较少，主要集中在低频段；异常变压器的振动谐波数据主要集中在500hz-800hz之间；而异常变压器的数据无明显规律，在200hz-800hz之间分散分布。同步采集的电流信号始终为50hz的正弦波，电流有效值如图5所示。(3)从振动信号中提取频率重心，构造振动图像。利用振动法对运行中的变压器进行实时监测，通过设备表面安装的加速度传感器测得振动信号，处理信号后获得频率重心数据。正常变压器与老化变压器均在正常负载范围内工作，而异常变压器在低负载下工作。正常变压器的频率重心随负载的变化不明显，老化变压器的频率重心随负载变化较大，变化幅度达260hz。异常变压器不能作为确定性系统来处理，因此在频率重心趋势上存在很高的随机性。如图5所示，为电流趋势与频率重心趋势的关系，显示了24小时内振动频率重心和归一化电流的趋势。根据振动信号与电流信号构造振动图像灰度图，如图6所示，正常变压器的像素值都接近于零。(4)卷积神经网络分类振动图像如图7所示，为所有训练样本的结果。绕组结构状态越好即压紧力较大且绕组结构未发生变形与松动的正常变压器，平均值与标准偏差越小。相反，存在故障的变压器的平均值与标准偏差较大且与正常变压器存在明显差异。该模型全部样本总共训练了50次，每次训练都经过三次迭代，每轮数据迭代保持不同的顺序，避免模型每轮都对相同的数据进行训练。如图8所示为准确率函数accuracy的训练过程。(5)根据模型对绕组故障进行诊断，判断是否存在故障使用训练出的模型对未知的绕组故障进行诊断，即可判断未知样本是否存在故障。当前第1页1 2 3