专利名称：基于混合模型的变压器热点温度在线监测方法
基于混合模型的变压器热点温度在线监测方法
背景技术：
电力变压器是电力系统中传输电能的高压电设备一其性能好坏直接影响电力系统的安全、稳定运行。众多研究发现，变压器绕组温度，尤其是绕组热点，已经成为变压器安全、经济运行以及使用寿命决定性因素。大部分变压器的寿命终结是因其丧失了应有的绝缘能力，而影响绝缘能力的最主要因素是变压器运行时的绕组温度。使用绕组温度计来监测运行时的绕组温度有助于变压器达到预期的设计寿命。所以变压器绕组低温过热的问题，是运行和制造部门函待研究解决的重要问题之一。电力变压器在运行过程中绝缘系统一直承受着化学性质的老化，该过程是积累性的且能导致绝缘系统失去绝缘性能危害。对于A级绝缘的变压器，温度每增加6°C，绝缘老化速度增加一倍。随着电力事业的发展，大容量超高压变压器得到了迅速的发展和应用。为了保障变压器运行安全可靠，延长变压器的使用寿命，测量变压器绕组的温度已显得分重要。目前国内有的是以变压器顶层油温作为保障变压器安全运行的投切信号，把层油温作为变压器监控装置的判断依据，通过监控顶层油温来保障变压器的安全运行然而这种方法有许多不足之处。这是因为大容量变压器顶层油温明显滞后于绕组油温。当变压器负荷快速增加时，由于热传递响应速度的原因，变压器顶层油温需经数小时能反映出绕组的工况变化。显然，以变压器顶层油温作为保障变压器安全运行的投切号不能及时有效地保护变压器的安全可靠运行。为直接测量运行中变压器的内部温度，需要把传感器放置在变压器内部。一般采用光纤传感器，但直接测量法所用的光纤检测设备价格十分昂贵。当绕组热点位置不确定时，盲目埋置光纤测点会带来相当大的测量误差。变压器绕组热点温升估算间接计算法是变压器绕组热点温升估算的经典方法，具有一定的精度。但该方法假设变压器内油的温升从底部到顶部按线性增加，绕组的导线平均温升从底部到顶部按线性增加，这些假设使得计算结果与实际情况存在一定误差。因此提出了基于机理模型和神经网络模型混合建模的软测量方法。对于任何实际系统都可以分解成可描述和未知两部分，其中仅可描述部分能用数学、物理模型描述，这就是前面所说的机理模型。由于在实际中，人们对实际系统的了解是不完备的，所做的简化处理，都使机理模型与实际系统之间存在着建模误差。它是系统知部分，可以看成是外界扰动、内部扰动共同作用的结果。因此只要能估计出模误差，并将其加到机理模型上，将使模型的精度大为提高。神经网络辨识所有的特征，使其适于作建模误差的估计器。基于这一思想可得到神经网络和机理模型的混合建模法。在这里神经网络可以采用多层前向网络以反映机理模型没能描述的动态信息，它起补偿机理模型作用，这种模型称作机理为主神经网络补偿模型。机理——神经网络混合建模法的优点是既反映了实际系统的主要规律(利用了先验信息)，又体现了未知扰动或不确定性对实际系统的影响，有比单纯使用机理模型更高的精度，比单纯神经网络建模可靠性更高。
发明内容
针对现有的方法的上述缺陷和不足，本发明将软测量方法引入到变压器的在线监测。该方法可以快速的、实时的、准确的对变压器的热点进行监测。本发明提出一种变压器热点温度的在线监测的方法，其内容包括(1)采用软测量方法实现变压器的在线监测。(2)软测量方法是基于机理模型和神经网络模型混合建模的软测量方法。(3)其机理模型可以依据变压器的实际工作环境，具体参数和性能不同而进行调整、修改和改进。其神经网络模型可以根据具体情况采用合适的神经网络模型。(4)任意负载下热点温度机理模型为
1 , ]ζ2+ AOliiir -AffhrW+H^
1 + R其中，θ h是热点温度；θ a是环境温度；Δ θ br额定条件下冷却器出口油温升；Δ θ 绕组油平均温升；y绕组系数；K 负载系数(K = I/IH)；χ油的指数；R损耗比；Hg为热点对绕组顶部的温差。(5)神经网络模型采用RBF神经网络模型。也可以采用其他前向神经网络模型。 本文以RBF神经网络模型为例。(6)根据权利要求1，2，3，4所述，其特征在于用RBF神经网络作机理建模误差的估计器，反映机理模型没能描述的动态信息，估计出机理建模误差，并将其加到机理模型上，补偿机理模型，使模型的精度大为提高。其框图结构如下(7)权利5所述，以机理模型为主，RBF神经网络模型为补偿混合模型的结构，其流程图特征为(8)根据权利6所述，其选择的基本变量是负载电流I ； θ 3环境温度；Δ θ to额定条件下冷却器出口油温升；Δ θ 绕组油平均温升；y绕组系数；K负载系数(K = I/IH) ；X 油的指数；R损耗比；Hg为热点对绕组顶部的温差。(9)根据权利6所述，其特点在于RBF网络的基函数采用高斯函数；基函数的学习中心用K-均值聚类算法获得；权值的学习采用LMS算法。K-均值聚类算法具体步骤如下第一步，初始化聚类中心，即根据经验从训练样本集中随机的选取I个样本作为初始中心t“0) (i = 1,2,…，I)，设置迭代步数η = 0。第二步，随机输入训练样本心&。第三步，寻找训练样本&离哪个中心最近，即找到iOQ使其满足iOQ = argmin | Xfti (η) | |，i = 1，2，…，I式中(η)，是第η次迭代时基函数的第i个中心。第四步，调整中心公式
权利要求
1.一种变压器热点温度的在线监测方法，其特征在于采用软测量方法实现变压器的在线监测。
2.根据权利要求1所述的方法，其特征在于，软测量方法是基于机理模型和神经网络模型混合建模的软测量方法。
3.根据权利要求2所述的方法，其特征在于(1)其机理模型可以依据变压器的实际工作环境，具体参数和性能不同而进行调整、修改和改进。( 其神经网络模型可以根据具体情况采用合适的神经网络模型。
4.根据权利要求3所述的方法，其特征在于(1)多流路变压器任意负载下热点温度机理模型为θ,=θα+ Δ 礼+ 2(Δ^,Γ - A0br)Ky + HgKy其中，θ h是热点温度； θ a是环境温度；Δ θ br额定条件下冷却器出口油温升； Δ θ imr绕组油平均温升； y绕组系数； K负载系数(K = I/IH)； χ油的指数； R损耗比；Hg为热点对绕组顶部的温差。(2)神经网络模型采用RBF神经网络模型。也可以采用其他前向神经网络模型。本文以RBF神经网络模型为例。
5.根据权利要求1，2，3，4所述，其特征在于用RBF神经网络作机理建模误差的估计器，反映机理模型没能描述的动态信息，估计出机理建模误差，并将其加到机理模型上，补偿机理模型，使模型的精度大为提高。
6.权利5所述，以机理模型为主，RBF神经网络模型为补偿混合模型的结构。
7.根据权利6所述，其选择的基本变量是负载电流I； θ a环境温度；△ θ to额定条件下冷却器出口油温升；Δ θ 绕组油平均温升；y绕组系数；K负载系数(K = I/IH) ；X油的指数；R损耗比；Hg为热点对绕组顶部的温差。
8.根据权利6所述，其特点在于RBF网络的基函数采用高斯函数；基函数的学习中心用K-均值聚类算法获得；权值的学习采用LMS算法。
9.根据权利6所述，算法终止条件可以根据实际需要的精度进行设置，或设置最大迭代次数。
全文摘要
本发明涉及一种变压器在线软测量方法，为解决变压器绕组低温过热的问题，在线实时监控热点值，提供了一种更加经济、可靠的方法。本发明采用机理模型和神经网络模型混合建模的软测量方法，用RBF神经网络作机理建模误差的估计器，反映机理模型没能描述的动态信息，估计出机理建模误差，并将其加到机理模型上，补偿机理模型，使模型的精度大为提高，进而提供精度更高的热点温度估计值。
文档编号G06N3/02GK102411728SQ20111019319
公开日2012年4月11日 申请日期2011年7月12日 优先权日2011年7月12日
发明者刘国海, 叶小松, 吴振飞, 廖志凌, 梅从立, 邢鸣 申请人:江苏镇安电力设备有限公司