[发明专利]变压器绕组故障分类与定位的诊断系统及方法

说明书

变压器绕组故障分类与定位的诊断系统及方法，该系统包括扫频仪、变压器绕组、检测终端、电感L1、分压电阻R1、分压电阻R2、电容C。扫频仪输出扫频信号，经过电感L1、分压电阻R1从接地点N输入到变压器绕组上，流经变压器绕组内部的高压绕组A并输出，通过电容C并被分压电阻R2分压后，被检测终端采集扫频数据；检测终端通过构建的深度学习卷积神经网络模型诊断出变压器绕组的故障类型与位置。本发明在实现故障类型诊断高精度的基础上，解决了故障定位问题，具有一定工程意义。在本发明中构建的仿真样本上效果良好，故障类型诊断精度高达100%，故障定位正确率高达83.33%。

技术领域

本发明涉及电气设备的故障诊断领域，具体涉及一种变压器绕组故障分类与定位的诊断系统及方法。

背景技术

变压器绕组故障作为一种内部故障，属于累积型故障。频率响应法对绕组故障有高灵敏度特性。相较其他检测手段，能更加及时有效的发现故障，防止未检测出的微小形变逐渐演变成变形程度更大的故障，对电网运行构成威胁，因此得到了广泛的关注。在现有的诊断方法中，已有大量研究利用扫频阻抗法分析了单故障扫频曲线及阻抗值的变化。然而，阻抗值并非随故障位置单调变化。仅以阻抗值为判据并不能较为准确的判断故障点。基于扫频阻抗法的变压器绕组定位研究，既未能给出具体基于智能算法的诊断方法，又未能将诊断方法拓展到多类故障的定位。

现有的频率响应智能化诊断方法大多基于数据或图像提取特征信息特征。在数据上提取的特征大多基于统计学方法，特征种类少，一般在10以内。而基于图像提取方法往往较多。对频率、幅度、相位信息数据可视化，利用直角坐标图像、三维曲线图像或相位-幅值的极坐标图提取计算机图形学特征。基于图像的特征提取方法，其特征量往往较多。由于数据维度丰富，更能借频率响应数据表现绕组情况，并且在合适的智能算法模型上有良好的表现。

人工智能算法繁多，目前对故障类型诊断的常用机器学习算法有决策树模型、支持向量机、随机森林等，目前新兴的集成算法如XGboost、Adaboost等在绕组诊断上也有着出色表现。故障程度检测与故障定位相对于故障类型诊断的研究略显不足，尤其是故障定位问题对检测方法有着较高依赖。对故障程度的检测与故障定位是对故障类别诊断后的更深层次的信息挖掘，受制于特征提取方法与超参数调节复杂，检测结果呈现出过拟合与低精度现象。

目前对故障程度检测的方法基本依赖优化算法调优的算法模型，如粒子群算法优化的支持向量机、蚁群算法优化的随机森林等，然而模型本身的学习能力有限与特征提取不足导致对结果差强人意。因此亟需良好的量化方法与具有更强学习能力的深度学习算法来解决对故障程度的检测与故障定位问题。

发明内容

针对上述技术问题，本发明提供一种变压器绕组故障分类与定位的诊断系统及方法，该诊断系统通过增加外部电路元件使变压器绕组模型相对于扫频仪与采集设备不再对称，进而能区分故障位置；该诊断方法破坏了变压器绕组模型对检测端的对称性，使之能实现较为精确的故障定位，故障诊断与故障定位的模型采用深度学习卷积神经网络模型。本发明使得故障分类以及定位问题诊断效果良好。

本发明采取的技术方案为：

变压器绕组故障分类与定位的诊断系统，该系统包括：

扫频仪、变压器绕组、检测终端；

扫频仪连接电感L1一端，电感L1另一端连接分压电阻R1一端，分压电阻R1另一端连接变压器绕组的接地点N；

变压器绕组的高压绕组A一端连接接地点N，变压器绕组的高压绕组A另一端连接电容C一端，电容C另一端分别连接分压电阻R2一端、检测终端，分压电阻R2另一端接地。

变压器绕组故障分类与定位的诊断方法，扫频仪输出扫频信号，经过电感L1、分压电阻R1从接地点N输入到变压器绕组上，流经变压器绕组内部的高压绕组A并输出，通过电容C并被分压电阻R2分压后，被检测终端采集扫频数据；检测终端通过构建的深度学习卷积神经网络模型诊断出变压器绕组的故障类型与位置。