[发明专利]以介质参数为评估参量的变压器套管剩余寿命预测方法

说明书

技术领域

本发明属于变压器套管寿命预测技术领域，具体涉及一种以介质参数为评估参量的变压器套管剩余寿命预测方法。

背景技术

变压器套管作为变压器的主要支撑绝缘部件，需要承受各种类型的绝缘冲击；而且对于大容量、超特高压水平的套管，套管尺寸相应增加，绝缘应力增加，安全问题更为严重；套管出厂时结构完整、材料可靠，但是套管在运行一段时间之后往往存在老化问题而导致绝缘能力下降；运行经验表明，套管在长期运行中绝缘破坏往往存在累计效应，即很多套管的绝缘失败不是由于瞬间的过电压直接导致，而是由于系统和环境等问题而造成持续的局部放电或材料老化，从而最终使套管发生故障。

对于电气设备以及高压套管的寿命预测领域已经有一部分成果；由于套管结构复杂，对于套管的寿命预测问题是一个需要同时考虑机械性能、电气性能以及热性能的多变量过程；以往的预测模型往往为了考虑全部的影响因素而把所有的变量全部作为样本进行采集，然后使用神经网络进行训练、预测，但是，过多的输入变量往往导致网路权值计算的误差，反而达不到精确预测的目的，而且计算量也过于庞大，难以在实际工程中应用。

套管中不管是因为环境因素还是因为机械应力、电应力或者热应力导致的绝缘问题，最终都会以材料性能变化以及局部放电的形式表现出来；而变电站的在线监测系统中对于这些参数也进行了实时或者定时测量采集。

发明内容

针对现有技术的不足，本发明提出一种以介质参数为评估参量的变压器套管剩余寿命预测方法，以达到提高套管寿命预测的精确性、快速性和实时性的目的。

一种以介质参数为评估参量的变压器套管剩余寿命预测方法，包括以下步骤：

步骤1、采集已经退出电网运行的多个套管的参数，该参数包括每个月的局部放电次数、每个月的介质损耗正切值、总运行年限；对参数进行初步处理得到局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率和剩余寿命；

步骤2、对采集的所有套管的剩余寿命进行聚类，获得套管每个聚类中心的剩余寿命，进而获得每个聚类中心所对应的局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率，构成套管寿命预测的特征数据向量；

步骤3、将套管寿命预测的特征数据向量作为神经网络训练样本，其中，局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率作为神经网络的输入，套管剩余寿命作为神经网络的输出，完成神经网络的训练；

步骤4、将电网中的目标套管参数作为训练完成的神经网络的输入，获得电网中的目标套管的剩余寿命；

步骤5、工作人员根据所获目标套管的剩余寿命，进行更换或维修。

步骤2所述的聚类，采用k-Means聚类算法。

本发明优点：

本发明提出一种以介质参数为评估参量的变压器套管剩余寿命预测方法，采用局部放电总次数、局部放电次数年平均月增长率、年平均介质损耗正切值、介质损耗正切值年平均月变化率这4个参量作为寿命预测模型的输入量，同时使用聚类算法对初始数据进行聚类，增加了模型精度，进而使用神经网络模型进行寿命预测；使用可以体现套管由于各种原因造成的绝缘状态变化的特征参量做为网络输入，使得预测模型更加具有针对性；预测模型有效减小了计算量，简化了模型结构。

附图说明

图1为本发明一种实施例的以介质参数为评估参量的变压器套管剩余寿命预测方法流程图；

图2为本发明一种实施例的对采集的所有套管的剩余寿命进行聚类方法流程图；

图3为本发明一种实施例的数据聚类示意图，其中，图(a)为迭代第1次数据聚类示意图，图(b)为迭代第2次数据聚类示意图，图(c)为迭代完成数据聚类示意图；

图4为本发明一种实施例的神经网络结构示意图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

本发明实施例中，以东北电网中220kV等级变电站为例进行说明，这些变电站中设备运行环境条件类似，所处电网电能质量类似，利于预测模型的正确建立。

本发明实施例中，以介质参数为评估参量的变压器套管剩余寿命预测方法，方法流程图如图1所示，包括以下步骤：

步骤1、采集220kV变电站十年中更换下来的变压器套管参数，该参数包括：①每个月的局部放电次数、②每个月的介质损耗正切值、③总运行年限；对这些原始参数进行简单处理得到预测模型所需的样本数据；

所述简单处理方法及数据有：