一种基于地下变电所的热监测方法
【专利摘要】本发明公开了一种基于地下变电所的热监测方法，该方法包括：对地下变电所的变压器及所述变压器周围的环境进行检测，检测得到所述变压器的局放量QPD、湿度H、负载电流Iload和空调功率Pair?con；利用BP神经网络对所述负载电流Iload、湿度H和空调功率Pair?con进行分析，得到所述变压器的环境温度Ta；利用BP神经网络对所述负载电流Iload、局放量QPD和环境温度Ta进行分析，得到所述变压器的热点温度Ths。该方法实现提高地下变电所的安全性和可靠性。
【专利说明】
一种基于地下变电所的热监测方法
技术领域
[0001] 本发明涉及监测技术领域，特别是涉及一种基于地下变电所的热监测方法。
【背景技术】
[0002] 目前，由于用地的紧张，越来越多地使用到了地下变电所。但是散热是地下变电所 最严重的问题，尤其是变压器的热点温度影响着它的寿命和工作情况。干式变压器应用于 这一类的变电所，用来避免着火和环境污染。需要研究散热和通风来防止电力设备故障。变 压器的故障不仅对自身造成不可逆的损坏，而且还会损坏其他设备。因此，分析变压器的温 度和它周围的环境情况对确保地下变电所的安全和可靠十分重要。变压器运行中有一部分 电磁能量转化成了热能，这些热能一部分增加了变压器的温度，另一部分耗散到环境中去 了，为了地下变电所的安全性和可靠性，需要对地下变电所进行热监测，热监测即对地下变 电所的电力设备温度和地下变电所的环境温度的监测。但是现在对于变压器的研究，还没 有一个综合的针对于地下变电所的热监测方法，在炎热、潮湿和高盐度环境下，地下变电所 的安全性和可靠性很低。
【发明内容】
[0003] 本发明的目的是提供一种基于地下变电所的热监测方法，以实现提高地下变电所 的安全性和可靠性。
[0004] 为解决上述技术问题，本发明提供一种基于地下变电所的热监测方法，包括：
[0005] 对地下变电所的变压器及所述变压器周围的环境进行检测，检测得到所述变压器 的局放量Qpd、湿度Η、负载电流I lciad和空调功率Pai?n;
[0006] 利用BP神经网络对所述负载电流IlQad、湿度Η和空调功率Pair-_进行分析，得到所 述变压器的环境温度T a;
[0007] 利用BP神经网络对所述负载电流IlQad、局放量QPD和环境温度TJi行分析，得到所 述变压器的热点温度T hs。
[0008] 优选的，所述方法还包括：
[0009] 计算热点温度Ths的越线概率和环境温度1的越线概率。
[0010]优选的，所述方法还包括：
[0011]若热点温度!^的越线概率大于60 %或者环境温度1的越线概率大于60 %，进行早 期预警。
[0012] 优选的，所述方法还包括：
[0013] 对所述变压器的剩余寿命进行估计。
[0014] 优选的，所述BP神经网络为三层的BP神经网络。
[0015]优选的，所述BP神经网络的隐藏层的神经元个数为1，其中：
，η是输 入层的神经元的个数，m是输出层的神经元的个数，α是常数值。
[0016]优选的，所述对地下变电所的变压器及所述变压器周围的环境进行检测，检测得 到所述变压器的局放量Qpd、湿度H、负载电流Iload和空调功率Pai?n，包括：
[0017] 利用TEV传感器测量局放量Qpd;
[0018] 利用无线传感器测量湿度Η;
[0019] 利用电流互感器测量负载电流Iload;
[0020] 利用功率表测量空调功率Pair-_。
[0021 ]优选的，环境温度Ta的误差满足正态分布，热点温度Ths的误差满足正态分布。
[0022] 本发明所提供的一种基于地下变电所的热监测方法，对地下变电所的变压器及所 述变压器周围的环境进行检测，检测得到所述变压器的局放量Qpd、湿度H、负载电流I lciad和 空调功率?也-利用BP神经网络对所述负载电流IiQad、湿度Η和空调功率P air-_进行分析， 得到所述变压器的环境温度Ta;利用BP神经网络对所述负载电流I lciad、局放量Qpd和环境温 度1进行分析，得到所述变压器的热点温度Ths。可见，该方法获取到变压器的环境温度和热 点温度，实现对于地下变电所的热监测，在炎热、潮湿和高盐度环境下，能够综合的针对于 地下变电所进行热监测，提高地下变电所的安全性和可靠性。
【附图说明】
[0023] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。
[0024] 图1为本发明所提供的一种基于地下变电所的热监测方法的流程图；
[0025]图2为热监测过程原理图；
[0026]图3为获取热点温度的原理图；
[0027]图4为获取环境温度的原理图；
[0028] 图5为用于谐波分析的变速驱动负载的等效电路；
[0029] 图6为带有变速驱动负载的变电所的等效电路；
[0030] 图7为考虑谐波负载时获取热点温度的原理图。
【具体实施方式】
[0031] 本发明的核心是提供一种基于地下变电所的热监测方法，以实现提高地下变电所 的安全性和可靠性。
[0032] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的 附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033] 请参考图1，图1为本发明所提供的一种基于地下变电所的热监测方法的流程图， 该方法包括：
[0034] S11:对地下变电所的变压器及变压器周围的环境进行检测，检测得到变压器的局 放量Qpd、湿度Η、负载电流I irad和空调功率Pai?n;
[0035] S12:利用BP神经网络对负载电流I id、湿度Η和空调功率?~-_进行分析，得到变 压器的环境温度Ta;
[0036] S13:利用BP神经网络对负载电流Ilciad、局放量Qpd和环境温度1进行分析，得到变 压器的热点温度T hs。
[0037] 可见，该方法获取到变压器的环境温度和热点温度，实现对于地下变电所的热监 测，在炎热、潮湿和高盐度环境下，能够综合的针对于地下变电所进行热监测，提高地下变 电所的安全性和可靠性。
[0038]基于上述方法，进一步的，还包括以下步骤：
[0039] S21:计算热点温度Ths的越线概率和环境温度1的越线概率。
[0040] 越限概率的计算是基于预测误差满足正态分布的基础上进行的。计算公式如下： [0041 ] Ρυ(χ37 ) =Pij(xi/ >Xi,lim- A XiJ-l) = 1-F(xi,lim- A Xi,j-l)
[0042]上式X'a*自相关参数的预测值，指的是神经网络的输入部分，1\是互相关系数的 预测值，指的是神经网络的输出值。ΛΧι,Η是上一个时刻的预测误差。^,^是越限值。自相 关参数可以通过自回归模型来进行预测。要计算热点温度Ths的越线概率，那么该公式里面 的参数乂、替换成热点温度T hs进行计算。要计算环境温度Ta的越线概率时，那么该公式里面 的乂'3替换成环境温度T a进行计算。
[0043]进一步的，若热点温度Ths的越线概率大于60%或者环境温度1的越线概率大于 60%，进行早期预警。
[0044]其中，环境温度Ta的误差满足正态分布，热点温度Ths的误差满足正态分布。
[0045] 进一步的，上述方法还包括以下步骤：
[0046] S31:对变压器的剩余寿命进行估计。
[0047] 设备残余寿命即剩余寿命的计算与热点温度有关。这里引入衰老率K:
[0049] 其中，a和b均为常数值，Ln为设备的寿命周期。Ths是历史记录值。上式中对于F级绝 缘的干式变压器，取值& = 9.6110_17^ = 20475。&、13在其他等级绝缘下的取值如表1所示。
[0050] 表 1
[0052] Ln为设备的寿命周期。Ths是历史记录值，可以将它拟合成关于时间的函数Ths(t)。 从起始时刻到〇到当前时刻ti，设备损失的寿命为Li〇ss，剩余的寿命为Lre3S。计算公式如下：
[0054] Lres ( tl ) = Ln-Lloss ( tl )
[0055] 具体的，所述BP神经网络为三层的BP神经网络。
[0056] 其中，BP神经网络的隐藏层的神经元个数为1，其中，
，n是输入层的 神经元的个数，m是输出层的神经元的个数，α是常数值。α是1到10的常数。为了比较得出最 佳的隐藏层神经元个数，每种个数下的神经网络要输入10次测试数据，总误差最小的为最 佳。
[0057]具体的，步骤S11的过程包括以下步骤：
[0058] S1:利用TEV传感器测量局放量QPD;
[0059] S2:利用无线传感器测量湿度Η;
[0060] S3:利用电流互感器测量负载电流I i〇ad;
[0061 ] S4:利用功率表测量空调功率Pair-_。
[0062] 具体的，S12中得到变压器的环境温度1是未来热点温度，即预测的热点温度，是 一个预测值。步骤S13中得到变压器的热点温度1^为未来环境温度，即预测的环境温度，是 一个预测值。
[0063] 详细的，步骤S11至步骤S13是温度预测的过程，步骤21和步骤S31是进行可靠性分 析的过程。本方法需要监测的参数有:局放量Qpd、热点温度T hs、环境温度Tamblent、湿度H、负载 电流Il〇ad和空调功率Pair-本文中，T a是环境温度Tambient的简称，环境温度Tambient即指代 Ta。方法中包括了对变电所环境温度及其中电力设备温度的预测方法，对于这两个参量的 越限概率计算方法，设备残余寿命的估计方法。参考图2,图2为热监测过程原理图。
[0064] 其中，温度的预测使用了3层的BP神经网络。预测Ths的BP神经网络(HTBPNN)输入有 Il0ad、QpD和Ta，加上延时单元有共有6个输入，预测Ta的神经网络(ETBPNN)输入有Ik^Pair-con和H，加上延时单元共有6个输入。预测T hs的BP神经网络简称为HTBPNN，预测1^的神经网 络简称为ETBPNN，都属于BP神经网络，参考图3和图4。
[0065]其中，将输入输出参数限制在0.1到0.9之间，使神经网络的训练更加高效。参数的 标准化过程通过下式实现：
[0067] 其中Xi为真实值，Xmax和Xmin为所有数据中的最大与最小值。
[0068] 具体的，在神经网络的训练过程中，使用到了多组数据即多个样本。每一组数据有 局放量QPD、湿度Η、负载电流I load和空调功率Pair-_和下一时刻的热点温度Ths、下一时刻的 环境温度Tambient。前4个是作为神经网络的输入，后两者分别HTBPNN和ETBPNN的期望输出， 与输出层输出量(预测值)构成误差期望输出（实测值）。这些样本中其中一部分用来训练神 经网络来不断修正各神经元的连接权系数，另一部分用来测试，将得到的预测值与实际测 量值进行比较，可以得出预测误差分布的规律，用以故障概率计算即温度越限概率计算。这 两部分数据的比例是3:1。
[0069]其中，考虑负载谐波影响时，HTBPNN的输入要多考虑谐波电流产生的额外损耗。
[0070] 具体的，温度预测是预测热点温度和环境温度，使用到BP神经网络。参数的测定方 式:TEV传感器测量局放量，PT100温度传感器测量热点温度，无线传感器测量环境温度和湿 度，负载电流有电流互感器测量，空调有功用功率表测量。可靠性分析包括寿命估计和越限 概率计算。当环境温度或者热点温度的预测值超过限制值的概率大于60%时，进行早期预 警。
[0071] 当参数不满足以下三个状态之一时，发出警报并采取进一步的措施。
[0072] (1)冷却气体的温度不能超过40摄氏度，每天的周围环境的空气平均温度不要超 过30摄氏度；
[0073] (2)空气日平均相对湿度即RHD低于60% ;
[0074] (3)变压器的热点温度不要超过155摄氏度，最大温升即改变量不要超过100摄氏 度。
[0075] 参见图3,对于预测热点温度Ths的神经网络HTBPNN，输入量为Il。ad、QpD和T a，Z_1是延 时单元。因而此整个热监测过程的系统共有6个输入和1个输出。在神经网络的训练过程中， 输入的数据为某一时刻j这3个参数的值和前一时刻j-Ι这三个参数的值，期望输出为j时刻 的T hs。训练完成后，再用神经网络来进行温度预测。此时输入Ilciad、Q?和T#来时亥Ijj的预测 值和当前时刻j -1的监测值，得到未来时刻的热点温度Ths。对于自先关参数如I load、Pai?n、 Η等，可以通过自回归模型预测，可以先用ETBPNN对环境温度Ta进行预测后再预测热点温度 Ths JTBPNN的结构与HTBPNN是一样的。
[0076]地下变电所的空调设备和水栗是典型的谐波源。参见图5,为用于谐波分析的变速 驱动(ASD)负载的等效电路。电网交流电经过整流在另一侧形成脉动的直流，但是交流侧会 产生谐波。交流侧的电流可以表示如下：
[0078] 上式Ich表示谐波电流矢量，Uk表示电压谐波矢量，*表示共辄，Yc+和Υ0-表示親合的 谐波导纳矩阵。
[0079] 参见图6,为带有变速驱动负载的变电所的等效电路，变速驱动负载为空调水栗。 电流由谐波负载电流和其他负载电流组成，
[0080] Ih -ICh + Λ,Α ~ (-^C + -^L k +
[0081 ]上式YL是普通负载的导纳矩阵。电压可以表示成：
[0083] 根据上式可以通过谐波功率潮流迭代算法计算得到负载末端电压，从而可以得到 流过变压器的谐波电流。谐波负载电流和其他负载电流的总和即为负载电流lid。
[0084] 当变压器流过谐波电流时，将会产生额外的能量损耗。参见图7，为考虑谐波负载 时获取热点温度的原理图，可见考虑谐波负载时的HTBPNN结构，HTBPNN的输入因此要添加 一个ΛΡ参量，表示谐波电流的有功消耗。ΛΡ由三部分组成
[0086]上式中的三个组成部分分别为谐波产生的铜耗、涡流损耗和杂散损耗。Rd。为变压 器的直流损耗电阻，h为谐波次数。ΡΕα和Psl分别为额定状态的涡流损耗和杂散损耗。Fecl和 Fsl为谐波损失因素。
[0089] 对于环境温度和热点温度预测值的概率分布，用神经网络预测出的温度值是一个 固定值，但根据历史预测和历史记录数据的比对，可以得出预测误差的概率分布。用神经网 络的输出加上预测误差后便可得到预测值的概率分布。有谐波时的热点温度预测值比有谐 波时的热点温度预测值更高。
[0090] 以上对本发明所提供的一种基于地下变电所的热监测方法进行了详细介绍。本文 中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮 助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不 脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入 本发明权利要求的保护范围内。
【主权项】
1. 一种基于地下变电所的热监测方法，其特征在于，包括： 对地下变电所的变压器及所述变压器周围的环境进行检测，检测得到所述变压器的局 放量QpD、湿度Η、负载电流I load和空调功率Pair-con ; 利用BP神经网络对所述负载电流IlDad、湿度Η和空调功率Pair-。。。进行分析，得到所述变 压器的环境溫度Ta; 利用BP神经网络对所述负载电流Iload、局放量QpD和环境溫度Ta进行分析，得到所述变压 器的热点溫度Ths。2. 如权利要求1所述的方法，其特征在于，还包括： 计算热点溫度化S的越线概率和环境溫度Ta的越线概率。3. 如权利要求2所述的方法，其特征在于，还包括： 若热点溫度化S的越线概率大于60%或者环境溫度Ta的越线概率大于60%，进行早期预 警。4. 如权利要求1所述的方法，其特征在于，还包括： 对所述变压器的剩余寿命进行估计。5. 如权利要求4所述的方法，其特征在于，所述BP神经网络为Ξ层的BP神经网络。6. 如权利要求5所述的方法，其特征在于，所述BP神经网络的隐藏层的神经元个数为1， 其中，/二^/；^.Kr，n是输入层的神经元的个数，m是输出层的神经元的个数，α是常数值。7. 如权利要求1所述的方法，其特征在于，所述对地下变电所的变压器及所述变压器周 围的环境进行检测，检测得到所述变压器的局放量化D、湿度H、负载电流Ilead和空调功率 Pair-con，包括： 利用TEV传感器测量局放量Qpd; 利用无线传感器测量湿度Η; 利用电流互感器测量负载电流IlDad; 利用功率表测量空调功率Pair-con。 8 .如权利要求1至7中任意一项所述的方法，其特征在于，环境溫度Ta的误差满足正态分 布，热点溫度Ths的误差满足正态分布。
【文档编号】G01D21/02GK106094694SQ201610677609
【公开日】2016年11月9日
【申请日】2016年8月16日 公开号201610677609.1, CN 106094694 A, CN 106094694A, CN 201610677609, CN-A-106094694, CN106094694 A, CN106094694A, CN201610677609, CN201610677609.1
【发明人】葛军凯, 李题印, 胡翔, 屠永伟, 易武
【申请人】浙江群力电气有限公司, 国网浙江杭州市余杭区供电公司