[发明专利]变压器局部放电故障诊断方法及在线监测装置

说明书

本发明适用于变压器技术领域，提供了一种变压器局部放电故障诊断方法及在线监测装置，采用非线性映射压缩特征量的方式和梅林变换算法对所述局部放电信号提取特征量，组成代表所述局部放电信号特征的特征向量，映射在特征平面上，对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类，形成若干个样本，将聚类后的每一个样本，分析相位和波形特征，提取相关特征，用数学形态学颗粒分析法对比每一个样本建立样本指纹库，用神经网络算法进行局部放电信号类型模式的识别。通过此种方式确定变压器局部放电的故障类型。

技术领域

本发明属于变压器技术领域，尤其涉及一种变压器局部放电故障诊断方法及在线监测装置。

背景技术

随着对电网安全稳定要求越来越高，变压器停电检修允许时间越来越短，在这种情况下，变压器带电监测及在线监测技术迅速发展，为变压器安全稳定运行提供了技术支持。

近年来，变压器局部放电在线监测技术得到了广泛应用，目前在线监测技术远不成熟，现有的在线监测设备虽然收集的数据量足够，但是大量数据被淹没在噪声中，导致无法对局部放电的类型识别。另外，若放电信号存在包括噪声在内的多种放电源信号时，现有的在线监测设备也难以区分多种放电源同时存在的局部放电故障。

发明内容

有鉴于此，本发明实施例提供了一种变压器局部放电故障诊断方法及在线监测装置，以解决现有技术中无法确定变压器局部放电的故障类型的问题。

为解决上述技术问题，本发明的一个实施例提供了一种变压器局部放电故障诊断方法，包括：

采集变压器的局部放电信号，采用非线性映射压缩特征量的方式和梅林变换算法对所述局部放电信号提取特征量，组成代表所述局部放电信号特征的特征向量，映射在特征平面上；

对提取的特征量采用非监督性模糊c均值聚类算法将特征量聚类，形成若干个样本，聚类包括噪声在内的不同放电源产生的多种放电信号；

将聚类后的每一个样本，分析相位和波形特征，提取相关特征，用数学形态学颗粒分析法对比每一个样本建立样本指纹库，用神经网络算法进行局部放电信号类型模式的识别。

进一步地，所述采用非线性映射压缩特征量的方式和梅林变换算法对所述局部放电信号提取特征量，组成代表所述局部放电信号特征的特征向量，映射在特征平面上的方法为：

对局部放电信号进行小波软阈值滤波；

对部分局部放电信号进行梅林变换，得到梅林域的数据变换特征；

压缩时域特征和梅林域特征，提取时域和梅林域的特征；

在时域和梅林域提取高阶特征量，映射在二维平面上。

进一步地，对部分局部放电信号进行梅林变换，得到梅林域的数据变换特征的实现公式为：

其中t为一次脉冲波形的采样时间；N为将t等分的常数；b为采样时间t的以e为底的对数，即b＝lnt；Δb为b的N等分，即θ为Δb的e为底指数，即θ＝e^Δb；k为常数；m＝n＝0,1,2,…，N-1；τ为表示延时的常数；β为自变量，M(β)为梅林变换结果。

进一步地，所述提取时域和梅林域的特征的实现公式为：