[发明专利]基于辛几何变换评估变压器绕组抗短路能力的方法及系统

说明书

本发明提供了一种基于辛几何变换评估变压器绕组抗短路能力的方法及系统，属于电力设备监测技术领域。该方法对采集到的变压器振动信号进行辛几何模态分解，得到多个单分量，利用Pearson相关系数对所有单分量进行相似度检验，设定阈值并进行显著性分析将分量进行合并，从而获取辛几何模态分量。计算辛几何模态分量的峭度因子并预设缺省值组成一组特征向量，设定评估标准，对极限学习机进行训练，获得辛几何变换‑极限学习机绕组抗短路能力评估模型，将特征向量作为该模型的输入，从而得到评估结果。本发明实时性更好，判别正确率更高，可以有效的甄别变压器长期运行潜伏的安全隐患。

技术领域

本发明涉及电力设备监测技术领域。

背景技术

电力变压器在电力系统中承载着变送电的重要任务。其运行环境及工作状态十分复杂，时常会发生不可抗力的短路故障导致的短路电流冲击，短路电流会使其绕组受到巨大的电磁力而发生变形。绕组形变具有一定的累积效应。当其形变不大时，对变压器正常运行影响甚微；当其形变累积到一定阈值时，即使不大的过电流也会使得变压器机械失效或绝缘击穿，造成的停电故障将会带来巨大的经济损失。这对变压器绕组的抗短路能力检测提出了更高的要求。在变压器运行的过程中，本体的振动信号包含了丰富的绕组健康信息，对振动信号的特征量进行提取并分析，可以有效地对变压器绕组的抗短路能力进行实时评估。目前最为可靠的检测技术均为离线检测，即故障发生后，对变压器进行故障筛查和定位。离线方法虽然可靠性高，但由于变压器故障引起的停机，脱网，大范围停电以及其自身的损坏会造成巨大的经济损失。

在变压器运行的过程中，本体的振动信号包含了丰富的绕组健康信息，为此许多专家和学者在基于振动信号对变压器绕组进行在线监测方面做了许多工作。现有的对振动信号分析的技术主要有小波分析，经验模态分解法和集合经验模态分解；小波分析法：该方法通过选定小波基函数，对原始振动信号进行拟合，获取振动信号在不同频段上的能量特征，但该方法的小波基函数难以自适应信号，需要不断选择，且频率分辨率随着频率升高而降低；经验模态分解法：该方法首先用三次样条插值获取信号的上下包络线，计算上下包络线的均值，并用原信号减去该均值，形成一个新的离散序列，若该序列仍存在局部极大值或极小值，则继续重复上述步骤，直到上下包络均值为零为止，从而得到若干个本征模函数，但该方法在频率分量较多、噪声较大时存在着模态混叠的问题，分解效果不理想；集合经验模态分解：该方法为改进的经验模态分解，通过在分解前加入均匀的高斯白噪声，以期减小模态混叠，但由于加入了噪声，该方法在分解后会存在虚假分量，由于加入了噪声，计算时间也相对延长。

发明内容

发明目的：为解决上述背景技术中存在的问题，本发明提供了一种基于辛几何变换评估变压器绕组抗短路能力的方法及系统。

技术方案：本发明提供了基于辛几何变换评估变压器绕组抗短路能力的方法，具体包括如下步骤：

步骤1：将加速度振动传感器置于变压器箱体表面，实时采集关于幅值-时间的离散振动信号；

步骤2：对采集的离散振动信号进行辛几何模态分解，从而得到多个单分量信号；

步骤3：采用Pearson相关系数遍历所有单分量信号，判断两个单分量信号之间的相似性；从而得到若干组辛几何分量，且每组辛几何分量中各单分量间的Pearson相关系数位于预设的范围内；

步骤4：计算每一组辛几何分量组的峭度因子；并基于预设的缺省值，将每个峭度因子组成一组增广特征向量；

步骤5：建立极限学习机模型，根据步骤1-步骤4采集变压器在不同运行状态下的关于离散振动信号的历史增广特征向量，基于变压器型号，对变压器在不同运行状态下的绕组抗短路能力进行评估；并将该历史增广特征向量作为极限学习机模型的输入，对极限学习机模型进行训练和优化；

步骤6：将实时增广特征向量输入至训练好的极限学习机模型中，得到当前状态下变压器的绕组抗短路能力的评估结果。