本發(fā)明屬于信號處理技術(shù)領(lǐng)域，尤其涉及一種基于表面振動(dòng)信號分析的變壓器在線監(jiān)測方法。

背景技術(shù)：

變壓器是電力系統(tǒng)的關(guān)鍵設(shè)備之一，其運(yùn)行狀況對電網(wǎng)的安全、穩(wěn)定運(yùn)行具有重要作用。繞組和鐵芯是變壓器的重要部件且故障多發(fā)，對其還沒有簡單、有效的在線監(jiān)測和故障診斷方法。變壓器表面振動(dòng)與內(nèi)部機(jī)械結(jié)構(gòu)關(guān)系密切，能夠反映變壓器繞組和鐵芯運(yùn)行狀態(tài)，理論分析表明：表面振動(dòng)信號的基頻(變壓器工頻的兩倍)幅值變化對于分析判斷變壓器運(yùn)行狀態(tài)和故障診斷具有重要意義。實(shí)際中由于變壓器表面振動(dòng)受變壓器本身的結(jié)構(gòu)、材料與生產(chǎn)工藝以及傳遞路徑等諸多因素的影響，根據(jù)變壓器表面振動(dòng)分析變壓器運(yùn)行狀態(tài)非常困難，目前尚沒有可靠、準(zhǔn)確的基于振動(dòng)分析的監(jiān)測方法。

技術(shù)實(shí)現(xiàn)要素：

針對上述問題，本發(fā)明提出了一種基于表面振動(dòng)信號分析的變壓器在線監(jiān)測方法，包括如下步驟：

S1，根據(jù)變壓器運(yùn)行電壓、負(fù)載電流、油溫歷史數(shù)據(jù)以及變壓器表面振動(dòng)歷史數(shù)據(jù)訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)；

S2，應(yīng)用所述廣義回歸神經(jīng)網(wǎng)絡(luò)，根據(jù)變壓器實(shí)時(shí)運(yùn)行數(shù)據(jù)計(jì)算變壓器表面基頻振動(dòng)幅值；

S3，根據(jù)振動(dòng)基頻振動(dòng)幅值的計(jì)算值與實(shí)測值差異，判斷變壓器運(yùn)行狀態(tài)，實(shí)現(xiàn)變壓器振動(dòng)在線監(jiān)測。

優(yōu)選的，所述步驟S1具體包括：

S11，收集變壓器歷史運(yùn)行工況數(shù)據(jù)和表面振動(dòng)數(shù)據(jù)，經(jīng)預(yù)處理后建立變壓器正常運(yùn)行條件下的歷史數(shù)據(jù)集；

S12，根據(jù)基于特征加權(quán)歐式距離的歷史數(shù)據(jù)相似性分析，刪除相似度高的冗余數(shù)據(jù)構(gòu)成廣義回歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集；

S13，依據(jù)廣義回歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集訓(xùn)練并保存廣義回歸神經(jīng)網(wǎng)絡(luò)，確定最佳光滑因子并保存最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)；

S14，計(jì)算基于最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)輸出值和網(wǎng)絡(luò)期望輸出值的絕對百分比誤差，取其最大值作為最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的最大誤差，取其算術(shù)平均值作為最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的平均誤差。

優(yōu)選的，所述步驟S12具體包括：

S121，根據(jù)歷史運(yùn)行數(shù)據(jù)集，分析運(yùn)行電壓、負(fù)載電流以及變壓器油溫對振動(dòng)基頻幅值的影響，計(jì)算用于表征不同運(yùn)行數(shù)據(jù)對振動(dòng)基頻幅值影響程度的特征熵值；

S122，對特征熵值給以不同的特征權(quán)重；

S123，基于所述特征權(quán)重計(jì)算歷史運(yùn)行數(shù)據(jù)的特征加權(quán)歐式距離；

S124，刪除相似度高的冗余數(shù)據(jù)，構(gòu)成廣義回歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集。

優(yōu)選的，所述步驟S13具體包括：

S131，將訓(xùn)練數(shù)據(jù)集隨機(jī)均分為5個(gè)子集，依次選取其中一個(gè)子集作為驗(yàn)證集、其余4個(gè)子集作為本次網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集進(jìn)行一次網(wǎng)絡(luò)訓(xùn)練，依此方法進(jìn)行5次訓(xùn)練；

S132，選取不同的光滑因子，訓(xùn)練網(wǎng)絡(luò)并計(jì)算網(wǎng)絡(luò)輸出值和網(wǎng)絡(luò)期望輸出值的均方差；

S133，訓(xùn)練結(jié)束后，從每次訓(xùn)練結(jié)果中選取均方差值最小時(shí)對應(yīng)的光滑因子作為最優(yōu)光滑因子，并保存其對應(yīng)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。

優(yōu)選的，所述步驟S2具體包括：

S21，采集變壓器運(yùn)行電壓、負(fù)載電流、變壓器油溫以及振動(dòng)基頻幅值實(shí)時(shí)數(shù)據(jù)，并進(jìn)行預(yù)處理，得到變壓器實(shí)時(shí)數(shù)據(jù)；

S22，以變壓器實(shí)時(shí)運(yùn)行數(shù)據(jù)作為最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的輸入，網(wǎng)絡(luò)輸出為振動(dòng)基頻幅值的計(jì)算值，計(jì)算振動(dòng)基頻幅值的計(jì)算值和實(shí)時(shí)振動(dòng)基頻幅值實(shí)測值的絕對百分比誤差；

S23，根據(jù)振動(dòng)基頻幅值的計(jì)算值和實(shí)時(shí)振動(dòng)基頻幅值實(shí)測值的絕對百分比誤差計(jì)算結(jié)果判定變壓器運(yùn)行狀態(tài)。

優(yōu)選的，所述步驟S23中變壓器運(yùn)行狀態(tài)包括：正常、注意、告警和故障四種狀態(tài)。

本發(fā)明的有益效果在于：

本發(fā)明涉及一種基于表面振動(dòng)信號分析的變壓器在線監(jiān)測方法。首先根據(jù)變壓器運(yùn)行電壓、負(fù)載電流、油溫歷史數(shù)據(jù)以及變壓器表面振動(dòng)歷史數(shù)據(jù)訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)，然后應(yīng)用廣義回歸神經(jīng)網(wǎng)絡(luò)，根據(jù)變壓器實(shí)時(shí)運(yùn)行數(shù)據(jù)計(jì)算變壓器表面基頻振動(dòng)幅值，最后根據(jù)振動(dòng)基頻幅值計(jì)算值與實(shí)測值差異，分析判斷變壓器運(yùn)行狀態(tài)，實(shí)現(xiàn)變壓器振動(dòng)在線監(jiān)測。本發(fā)明提供了一種可靠、準(zhǔn)確的基于振動(dòng)分析的監(jiān)測方法。

附圖說明

圖1是加速度傳感器安裝位置圖；

圖2是變壓器運(yùn)行狀態(tài)實(shí)時(shí)評價(jià)框架流程圖；

圖3是離線部分流程圖；

圖4是在線部分流程圖。

具體實(shí)施方式

下面結(jié)合附圖，對實(shí)施例作詳細(xì)說明。

本發(fā)明提出的一種基于表面振動(dòng)分析的變壓器在線監(jiān)測方法包括基于歷史數(shù)據(jù)的GRNN訓(xùn)練(離線部分)和變壓器在線振動(dòng)監(jiān)測(在線部分)兩個(gè)部分，如圖2所示。基于歷史數(shù)據(jù)的GRNN訓(xùn)練的基本過程是：收集變壓器歷史運(yùn)行工況數(shù)據(jù)和表面振動(dòng)數(shù)據(jù)，經(jīng)預(yù)處理后建立變壓器正常運(yùn)行條件下的歷史數(shù)據(jù)集；然后根據(jù)基于特征加權(quán)歐式距離的歷史數(shù)據(jù)相似性分析，刪除相似度高的冗余數(shù)據(jù)構(gòu)成GRNN訓(xùn)練數(shù)據(jù)集；最后依據(jù)GRNN訓(xùn)練數(shù)據(jù)集訓(xùn)練并保存GRNN。變壓器在線振動(dòng)監(jiān)測的基本過程是：采集、處理變壓器實(shí)時(shí)運(yùn)行工況數(shù)據(jù)和表面振動(dòng)數(shù)據(jù)，根據(jù)變壓器運(yùn)行工況數(shù)據(jù)應(yīng)用GRNN計(jì)算其表面振動(dòng)基頻幅值；然后根據(jù)變壓器表面振動(dòng)基頻幅值計(jì)算值和實(shí)測值的差異大小，分析判斷變壓器運(yùn)行狀態(tài)。

本發(fā)明中的第一部分基于歷史數(shù)據(jù)的GRNN訓(xùn)練，如圖3所示，包括以下步驟和內(nèi)容：

a：歷史數(shù)據(jù)采集和預(yù)處理。

整理變壓器運(yùn)行工況和表面振動(dòng)信號歷史數(shù)據(jù)，將同一時(shí)刻變壓器高壓(或低壓)A相(或B相,或C相)的運(yùn)行電壓、負(fù)載電流、油溫和變壓器表面對應(yīng)位置振動(dòng)信號基頻幅值數(shù)據(jù)作為一條歷史運(yùn)行記錄，記錄間隔設(shè)置為5分鐘，振動(dòng)傳感器安裝位置如圖1所示，去除歷史運(yùn)行記錄中任一項(xiàng)取值為零的異常數(shù)據(jù)，對其進(jìn)行歸一化處理后，構(gòu)成歷史數(shù)據(jù)集(記為A)。歷史數(shù)據(jù)集包括歷史運(yùn)行數(shù)據(jù)(記為X＝[x₁,x₂,…,x_N]^T)和歷史振動(dòng)數(shù)據(jù)(記為Y＝[y₁,y₂,…,y_N]^T)兩部分，即A＝[X,Y]。其中x_i＝[x_i1,x_i2,x_i3]，x_i1為運(yùn)行電壓、x_i2為負(fù)載電流、x_i3為變壓器油溫，y_i為相應(yīng)時(shí)刻的振動(dòng)基頻幅值，i＝1,2,…,N，N為歷史數(shù)據(jù)集記錄總數(shù)。所述歸一化處理方法如下：

式中：ω_norm為歸一化值；ω為原始數(shù)據(jù)值；ω_max、ω_min分別為原始數(shù)據(jù)值的最大值和最小值。

b：生成訓(xùn)練數(shù)據(jù)集。

根據(jù)熵理論，分析歷史運(yùn)行數(shù)據(jù)對振動(dòng)基頻幅值的影響大小，確定特征加權(quán)歐氏距離中的權(quán)重值。通過計(jì)算加權(quán)歐氏距離分析歷史運(yùn)行數(shù)據(jù)的相似度，根據(jù)相似度分析結(jié)果，同時(shí)考慮基頻幅值差異大小，刪除歷史數(shù)據(jù)集A中相似度過高的冗余數(shù)據(jù)，形成訓(xùn)練數(shù)據(jù)集,記為T，即T＝[X_T,Y_T]。其中，

x_i1、x_i2、x_i3是變壓器運(yùn)行數(shù)據(jù)，x_i1為運(yùn)行電壓、x_i2為負(fù)載電流、x_i3為變壓器油溫，y_i為相應(yīng)時(shí)刻的振動(dòng)基頻幅值，i＝1,2,…,n，n為訓(xùn)練數(shù)據(jù)集記錄總數(shù)。

生成訓(xùn)練數(shù)據(jù)集的具體步驟如下：

1)根據(jù)歷史運(yùn)行數(shù)據(jù)集A，分析運(yùn)行電壓、負(fù)載電流以及變壓器油溫對振動(dòng)基頻幅值的影響，計(jì)算特征熵值H_j用于表征不同運(yùn)行數(shù)據(jù)對振動(dòng)基頻幅值的影響程度，其計(jì)算方式如下：

其中，i＝1,2,…,N，N為歷史數(shù)據(jù)集A中記錄總數(shù)；j＝1,2,3。

2)特征熵值越大，不確定程度越大，表明相應(yīng)運(yùn)行數(shù)據(jù)對振動(dòng)基頻幅值的影響越小，應(yīng)給以較小的特征權(quán)重，則特征權(quán)重w_j的計(jì)算式如下：

其中，w_j>0，H_j為特征熵值。

3)歷史運(yùn)行數(shù)據(jù)X中兩條運(yùn)行數(shù)據(jù)的特征加權(quán)歐式距離的計(jì)算方法如下：

其中，a,b∈[1,N]且a≠b；w_j為特征權(quán)重。

4)特征加權(quán)歐式距離越小，表明運(yùn)行數(shù)據(jù)的相似度越高。運(yùn)行數(shù)據(jù)相似度高且振動(dòng)基頻幅值差異百分比ε較小的歷史運(yùn)行記錄存在冗余，刪除A中冗余數(shù)據(jù)，使得剩余數(shù)據(jù)兩兩記錄間滿足①d≥0.05或②d<0.05且ε>10％，將滿足條件的剩余數(shù)據(jù)保存為訓(xùn)練數(shù)據(jù)集T。上述振動(dòng)基頻幅值差異百分比計(jì)算方法如下：

c：訓(xùn)練并保存GRNN。

建立具有3個(gè)自變量輸入、1個(gè)因變量輸出的GRNN，將訓(xùn)練數(shù)據(jù)集T中的運(yùn)行電壓、負(fù)載電流、變壓器油溫作為GRNN輸入層的3個(gè)自變量，將變壓器振動(dòng)基頻幅值作為輸出層的唯一因變量，構(gòu)成GRNN神經(jīng)網(wǎng)絡(luò)。根據(jù)訓(xùn)練數(shù)據(jù)集T完成網(wǎng)絡(luò)訓(xùn)練，確定最佳光滑因子σ并保存最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)，記為T-GRNN。網(wǎng)絡(luò)訓(xùn)練的具體步驟如下：

1)采用5重交叉驗(yàn)證的方法訓(xùn)練GRNN，將訓(xùn)練數(shù)據(jù)集T按行隨機(jī)均分為5個(gè)子集，依次選取其中一個(gè)子集作為驗(yàn)證集、其余4個(gè)子集作為本次網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集進(jìn)行一次網(wǎng)絡(luò)訓(xùn)練，如此共訓(xùn)練5次。

2)每次網(wǎng)絡(luò)訓(xùn)練的過程是：(1)設(shè)置σ初值為0.05，應(yīng)用訓(xùn)練集數(shù)據(jù)訓(xùn)練GRNN，(2)將驗(yàn)證集中運(yùn)行數(shù)據(jù)逐條輸入訓(xùn)練后的GRNN，GRNN的相應(yīng)輸出為Y'＝[y'₁,y'₂,…,y'_m]^T，網(wǎng)絡(luò)期望輸出為驗(yàn)證集中相應(yīng)振動(dòng)數(shù)據(jù)Y＝[y₁,y₂,…,y_m]^T，(3)計(jì)算網(wǎng)絡(luò)輸出值和網(wǎng)絡(luò)期望輸出值的均方差(MSE)。

σ取值以0.05的步長在區(qū)間[0.05,1]內(nèi)遞增，按照上述步驟(1)至(3)同樣的方法訓(xùn)練GRNN，然后選取并保存MSE取值最小時(shí)的σ值和GRNN作為本次訓(xùn)練的結(jié)果。MSE的計(jì)算方式如下：

式中，y_i為網(wǎng)絡(luò)期望輸出值；y'_i為網(wǎng)絡(luò)輸出值；m為驗(yàn)證集樣本個(gè)數(shù)。

3)5次訓(xùn)練結(jié)束后，從每次訓(xùn)練結(jié)果中，選取MSE值最小時(shí)對應(yīng)的σ作為最優(yōu)光滑因子，并保存其對應(yīng)的GRNN，記為T-GRNN。

d：網(wǎng)絡(luò)誤差分析。

將運(yùn)行數(shù)據(jù)X_T輸入T-GRNN中，網(wǎng)絡(luò)輸出為Y_T'＝[y'₁,y'₂,…,y'_n]^T，網(wǎng)絡(luò)期望輸出為Y_T＝[y₁,y₂,…,y_n]^T。計(jì)算基于T-GRNN的網(wǎng)絡(luò)輸出值和網(wǎng)絡(luò)期望輸出值的絕對百分比誤差(APE)，取其最大值作為T-GRNN的最大誤差，記為η_max，取其算術(shù)平均值作為T-GRNN的平均誤差，記為η_mean。APE的計(jì)算方法如下：

其中，y為網(wǎng)絡(luò)期望輸出值；y'為基于T-GRNN的網(wǎng)絡(luò)輸出值。

本發(fā)明第二部分變壓器在線振動(dòng)監(jiān)測，主要包括以下內(nèi)容，如圖4所示：

a：實(shí)時(shí)數(shù)據(jù)采集和預(yù)處理。

按照與歷史數(shù)據(jù)采集相同的方式，采集變壓器運(yùn)行電壓、負(fù)載電流、變壓器油溫以及振動(dòng)基頻幅值實(shí)時(shí)數(shù)據(jù)，并采用與歷史數(shù)據(jù)預(yù)處理相同的預(yù)處理方法進(jìn)行歸一化處理，其中原始數(shù)據(jù)值的最大值和最小值為歷史數(shù)據(jù)值的最大值和最小值，得到變壓器實(shí)時(shí)數(shù)據(jù)，記為R，表示如下：R＝[x_v,x_i,x_t,y_t]。

其中，x_v、x_i、x_t是變壓器實(shí)時(shí)運(yùn)行數(shù)據(jù)，x_v表示實(shí)時(shí)運(yùn)行電壓、x_i表示實(shí)時(shí)負(fù)載電流、x_t表示實(shí)時(shí)變壓器油溫；y_t是變壓器實(shí)時(shí)振動(dòng)數(shù)據(jù)，表示實(shí)時(shí)振動(dòng)基頻幅值實(shí)測值。

b：變壓器表面振動(dòng)基頻幅值的實(shí)時(shí)計(jì)算。

變壓器實(shí)時(shí)運(yùn)行數(shù)據(jù)作為T-GRNN的輸入，網(wǎng)絡(luò)輸出為振動(dòng)基頻幅值計(jì)算值，記為y_tr。計(jì)算振動(dòng)基頻幅值計(jì)算值(y_tr)和實(shí)時(shí)振動(dòng)基頻幅值實(shí)測值(y_t)的絕對百分比誤差(APE)，記為η。

c：基于振動(dòng)分析的變壓器運(yùn)行狀態(tài)監(jiān)測。

將變壓器運(yùn)行狀態(tài)根據(jù)等級由低到高的原則，劃分為正常，注意，告警和故障四種狀態(tài)。根據(jù)振動(dòng)基頻幅值計(jì)算值(y_tr)和實(shí)時(shí)振動(dòng)基頻幅值實(shí)測值(y_t)的絕對百分比誤差(APE)計(jì)算結(jié)果判定變壓器運(yùn)行狀態(tài)，判定運(yùn)行狀態(tài)規(guī)則如下：

1)當(dāng)連續(xù)三次(或三次以上)η計(jì)算值大于或等于η_mean時(shí)，判定當(dāng)前運(yùn)行狀態(tài)為注意；

2)當(dāng)η計(jì)算值大于1.5倍的η_max時(shí)，判定當(dāng)前運(yùn)行狀態(tài)為告警；

3)當(dāng)連續(xù)兩次(或兩次以上)η計(jì)算值大于1.5倍η_max時(shí)，判定當(dāng)前運(yùn)行狀態(tài)為故障；

4)若同時(shí)滿足上述3條中的2條或3條，則判定當(dāng)前運(yùn)行狀態(tài)為滿足條件等級最高的狀態(tài)；

5)不滿足上述1)、2)和3)中任意一條時(shí)，判定當(dāng)前運(yùn)行狀態(tài)為正常。

此實(shí)施例僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。