基于铁芯及绕组的振动机理诊断变压器故障方法及系统与流程

本发明涉及电力，特别是基于铁芯及绕组的振动机理诊断变压器故障方法及系统。

背景技术：

1、近年来，随着新型电力系统的构建及电网智能化的提高，作为电力系统中电磁转换和变换电压的重要电气设备变压器，其安全稳定尤为重要，随着新型电力系统朝着高比例新能源发展，新增运行的变压器的数量急剧上升，变压器由于结构复杂、工作周期长、运行环境差等原因，导致变压器的大量投入给电网带来了巨大的安全隐患，保障变压器安全工作是电网工作者的重要任务之一。

2、建立变压器故障诊断模型是探究变压器振动问题的最终落脚点，利用振动信号实现变压器内部机械故障的有效识别，但振动法应用到实际检测工作中仍然存在诸多问题，对于变压器的内部振动机理的探究深度不够，对于各种机械状态的探究太少，对变压器振动信号的特点了解不足，在利用振动法判别变压器故障状态时仍主要依赖于实际工作经验，判别结果不理想，近年来随着人工智能技术的发展，借助人工智能脱离人工判断变压器故障成为现实，但人工智能技术需要数据支撑，而研究机构和行业在变压器振动研究上的数据少之又少，借助现有数据建立人工智能诊断模型，脱离人工判断故障难上加难，基于对变压器铁芯及绕组振动的研究基础，以及获取的仿真数据利用人工智能技术实现变压器故障诊断。

技术实现思路

1、鉴于现有的基于铁芯及绕组的振动机理诊断变压器故障方法及系统中存在的问题，提出了本发明。

2、因此，本发明的目的是提供基于铁芯及绕组的振动机理诊断变压器故障方法及系统，对于变压器振动机理诊断时，能够在脱离人工判断故障下，通过获取仿真数据利用人工智能技术实现变压器故障诊断。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了基于铁芯及绕组的振动机理诊断变压器故障方法，其包括，调用铁芯和绕组的有限元仿真结果，采用就近原则选择铁芯和绕组振动信号进行组合叠加，通过组合叠加获取相应变压器铁芯和绕组的合成振动波信号；利用振动特征值法的数学工具将振动波信号进行处理，基于变压器振动机理对处理后的信号进行特征值提取，基于傅里叶变化后的频域信息对变压器进行频域变换；建立变压器故障诊断模型，将蝠鲼算法中引入混沌映射和反向学习策略优化mrfo初始种群，利用优化后的mrfo初始种群作为bp神经网络的求参方式，建立基于改进的蝠鲼算法优化bp变压器故障诊断模型。

5、作为本发明所述基于铁芯及绕组的振动机理诊断变压器故障方法的一种优选方案，其中：所述组合叠加包括获取不同测点变压器的振动信号时域波形，所述振动信号时域波形包括轻度、中度、高度铁芯松动和轻度、中度、高度绕组松动的振动波形，所述振动波信号包括将振动波形测点依次布置在变压器相线饼上，通过信号叠加合成振动波信号。

6、作为本发明所述基于铁芯及绕组的振动机理诊断变压器故障方法的一种优选方案，其中：所述对处理后的信号进行特征值提取包括通过比较各状态的特征值差异来判断变压器是否故障，需提取多特征值进行判断，具体步骤如下：

7、提取基频分量幅值p1；

8、提取基频分量比例系数p2为：

9、

10、其中，

11、总谐波畸变率thd的谐波分量振动信号占比为：

12、

13、其中，a100为100hz分量幅值，ai为100hz基频的倍数次谐波分量幅值，n为谐波次数；

14、加权总谐波畸变率p3为：

15、

16、其中，qi为谐波权值系数，在此取值为qi＝i，从而实现高次谐波的高灵敏度；

17、提取振动信息熵p4为：

18、

19、

20、其中，bf为50hz和50hz倍频分量的占比系数，p4为振动信息熵。

21、作为本发明所述基于铁芯及绕组的振动机理诊断变压器故障方法的一种优选方案，其中：所述蝠鲼算法包括蝠鲼群体的觅食策略，即链式觅食策略、旋风觅食策略和翻筋斗觅食策略，蝠鲼群体的觅食策略数学模型如下：

22、链式觅食策略为：

23、i＝1时，

24、

25、i＝2，3...n时，

26、

27、

28、其中，为第i个蝠鲼在第t次迭代时在d维空间的位置，为蝠鲼群体在d维空间中的最优解，α为权重系数，r为随机数；

29、旋风觅食策略为：

30、i＝1时，

31、

32、i＝2，3...n时，

33、

34、

35、其中，β为旋风觅食策略系数，t，t分别为最大迭代次数和当前迭代次数，r1，r为随机数；

36、此时旋风觅食策略采用气旋特征开发当前最优解附近区域，若当前最优解以参数空间中的随机位置取代，则气旋觅食作为参数空间的探索策略数学模型为：

37、

38、i＝1时，

39、

40、i＝2，3...n时，

41、

42、其中，为d维参数空间的下界和上界，为第t次迭代时在参数空间随机生成的位置；

43、翻筋斗觅食策略为：

44、

45、其中，s为翻筋斗范围系数，r为随机数。

46、作为本发明所述基于铁芯及绕组的振动机理诊断变压器故障方法的一种优选方案，其中：所述引入混沌映射和反向学习策略优化mrfo初始种群包括利用logistic进行混沌映射和结合反向学习策略筛选初始种群，具体步骤如下：

47、所述利用logistic进行混沌映射的数学表达式为：

48、

49、其中，μ∈[0，4]，当μ取3.99时，logistic映射达到混沌效果；

50、所述结合反向学习策略筛选初始种群包括结合多阶段种群初始化算法，具体步骤如下：

51、利用logistic映射生成n个体，组成原始种群n1；

52、利用反向解组成反向种群n2为：

53、

54、其中，为初始个体的反向个体，将原始种群和反向种群合并，计算适应度小的前n个个体组成的最终初始种群。

55、作为本发明所述基于铁芯及绕组的振动机理诊断变压器故障方法的一种优选方案，其中：所述求参方式包括对变压器正常及故障进行训练数据和测试数据，所述训练数据包括将mrfo算法的初始种群初始解赋予bp神经网络，建立mrfo-bp分类模型。

56、作为本发明所述基于铁芯及绕组的振动机理诊断变压器故障方法的一种优选方案，其中：所述建立变压器故障诊断模型包括初始化种群赋予的mrfo-bp分类模型，计算模型适应度值，计算模型适应度值，若满足，则得到故障诊断模型，若不满足，则返回mrfo算法中进行迭代求解，所述迭代求解包括对变压器振动特征值进行归一化处理和加入适应度函数，具体步骤如下：

57、归一化处理公式为：

58、

59、其中，pi为振动特征值，pmax，pmin分别为振动特征值中的最大值和最小值，为归一化后的特征值；

60、适应度函数为：

61、

62、其中，yi为变压器真实状态对应的状态编码，yi为模型预测故障类型；

63、当模型处于高度松动故障时，若误判为正常状态时，此时适应度函数上升，根据上升程度判定故障松动情况；

64、当模型处于严重松动故障时，此时适应度函数上升到顶点位置，触发报警提示作业人员应及时处理故障。

65、第二方面，本发明实施例提供了基于铁芯及绕组的振动机理诊断变压器故障系统，其包括：组合叠加模块，其调用铁芯和绕组的有限元仿真结果，采用就近原则选择铁芯和绕组振动信号进行组合叠加，通过组合叠加获取相应变压器铁芯和绕组的合成振动波信号；提取模块，其利用振动特征值法的数学工具将振动波信号进行处理，基于变压器振动机理对处理后的信号进行特征值提取，基于傅里叶变化后的频域信息对变压器进行频域变换；优化模块，其建立变压器故障诊断模型，将蝠鲼算法中引入混沌映射和反向学习策略优化mrfo初始种群，利用优化后的mrfo初始种群作为bp神经网络的求参方式，建立基于改进的蝠鲼算法优化bp变压器故障诊断模型。

66、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的基于铁芯及绕组的振动机理诊断变压器故障方法的任一步骤。

67、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的基于铁芯及绕组的振动机理诊断变压器故障方法的任一步骤。

68、本发明有益效果为：本发明通过调用铁芯和绕组的仿真结果，进行信号处理和特征提取，建立变压器故障诊断模型，实现对变压器故障的准确诊断，对于传统的故障诊断方法进行了改进，引入了混沌映射和反向学习策略来优化诊断模型，提高了诊断的准确率，相比于传统方法，本方案能更准确地判断变压器的故障类型和故障程度，便于工程技术人员进行维护保养，提高了变压器的运行可靠性。