[发明专利]一种新型非晶合金干变拉板结构及其涡流在线监测方法

说明书

技术领域

本发明涉及一种新型干变拉板结构和变压器涡流信息在线监测方法。主要是采用RBF神经网络构建软测量模型，实现在线监测。

技术背景

电力变压器是电力系统中传输电能的高压电设备，它的可靠运行对于电力系统的稳定运行至关重要。随着城市电网用电负荷的逐渐增加，城网变电站深入城区和居民区越来越多，干式变压器便得到了广泛的应用，在不断的需求中，干式变压器本身也得到了巨大的发展。

但是，涡流损耗过大，如不采取措施，会大大降低变压器效率，而且很容易引起危险性的局部过热。电力变压器的容量越大，漏磁场就越强，绕组和结构件中感应的涡流密度就越大，而由涡流损耗过大或分布过度集中而造成温升过高，使绕组和结构件过热，从而影响电力变压器的效率和正常运行。电力变压器的涡流损耗及其在电力变压器中造成的局部过热问题是电力变压器设计计算中的一个关键问题。电力变压器的容量越大，漏磁场就越强，涡流损耗也就越大，以及由涡流损耗造成的局部过热问题也就越突出。因此，需要较精确地对了解变压器的涡流分布和涡流损耗情况，以便采取相应措施降低涡流损耗，解决局部过热问题。通常采用的方法是在拉板上开槽以增加内阻和利用导电性能好或高导磁材料来屏蔽进入结构件中的漏磁通量。经验表明，正确使用屏蔽可使结构件中的杂散损耗降低50％以上，但不恰当的屏蔽，屏蔽效果往往不明显，有时甚至生成新的过热点。

对于电力变压器结构件上涡流损耗的计算，常规的设计计算手段是沿用过去的解析公式和半经验公式。尽管这些方法在一定程度上可以满足工程设计的需求，但是对于电力变压器新产品的研发及性能的优化，常规方法已不能满足要求。

发明内容

针对上述缺陷和不足，本发明将引入一种新型非晶合金干变拉板结构和软测量在线监测方法到变压器中。该结构能能有效地降低由于铁心励磁而产生的涡流损耗；该方法可以快速的、实时的、准确的对变压器的涡流信息进行监测。

本发明提出变压器的一种新型非晶合金干变拉板结构及其涡流在线监测方法，其内容包括：

1.变压器采用一种新型非晶合金干变拉板结构，其结构如图1。

2.采用软测量技术实现变压器涡流信息的在线监测。

3.拉板根据铁心导磁原理加工成封闭环形结构，作为铁心有效截面的一部分，便于励磁。

4.变压器拉板采用高导磁材料有效地增加了铁心的有效截面，在相同的磁通密度下，线圈的匝数减少，体积减少，材料利用率提高，使变压器成本大大降低。

5.在拉板中间根据导磁方向确定开孔位置，采用激光技术开孔，并在孔内填充进口3M树脂胶。

6.环形拉板表面采用先进的激光切割技术，所有加工面无毛刺，并在非晶合金铁心表面粘贴进口3M树脂胶。

7.采用神经网络构建软测量模型，该软测量模型可以实现在线监测的涡流信息包括：涡流大小，涡流分布以及涡流损耗大小。

8.采用RBF神经网络构建模型。也可以采用其他前向神经网络。本发明以RBF神经网络为例。神经网络选择的基本变量有：额定电压、电流，额定容量，频率，负载电流，电流密度、电场强度、磁场强度，开槽数，损耗比，铁心直径，电阻率，环境温度，绕组系数，负载系数，拉板高度、厚度等。

9.该RBF神经网络的输入层神经元的个数是根据选取输入变量个数确定，其输出层神经元个数是根据需要检测的变量的个数确定，在本发明中需要测量涡流大小，涡流分布以及涡流损耗大小；因此，共需要3个输出神经元。

10.RBF网络的基函数采用高斯函数；基函数的学习中心用K-均值聚类算法获得；权值的学习采用LMS算法。

11.该方法可以通过调整输入和输出层神经元的个数、输出权值以及相关参数，来实现适应不同的变压器以及不同的工作环境。

12.算法终止条件可以根据实际需要的精度进行设置，或设置最大迭代次数。

13.K-均值聚类算法：具体步骤如下：

第一步，初始化聚类中心，即根据经验从训练样本集中随机的选取I个样本作为初始中心T_i(0)(i＝1，2，…，I)，发置迭代步数n＝0。.

第二步，随机输入训练样本心X_K。

第三步，寻找训练样本X_K离哪个中心最近，即找到i(X_K)使其满足i(X_K)＝arg min||X_K-T_i(n)||，i＝1，2，...，I式中T_i(n)，是第n次迭代时基函数的第i个中心。