[发明专利]一种基于工况划分的变压器振动异常检测方法

说明书

本发明公开了一种基于工况划分的变压器振动异常检测方法，包括，根据负载电流和电压划分变压器运行工况；利用加速度传感器采集变压器表面振动信号，基于所述变压器表面振动信号和变压器运行工况，训练双分支卷积神经网络分类模型；利用训练后的双分支卷积神经网络分类模型对所述变压器表面振动信号进行分类，根据分类结果与当前实际工况的一致性，判断变压器的运行状态；本发明采取二维灰度预处理方法对信号进行预处理，保留了原始信号特征，同时基于变压器振动产生机理划分运行工况，采用双分支卷积神经网络对振动图像进行自适应特征提取，充分发掘电流与电压和工况信息之间的映射关系，且无需人工干预，减低对专家经验的要求。

技术领域

本发明涉及变压器振动异常检测的技术领域，尤其涉及一种基于工况划分的变压器振动异常检测方法。

背景技术

变压器是电力系统的关键设备之一，其运行状况对电网的安全、稳定运行具有重要影响。运行电压、负载电流会对变压器振动产生影响，变压器铁芯振动基频幅值与电源电压大小成正比，绕组振动基频幅值与负载电流大小成正比，由此可以通过变压器振动信号分析绕组和铁心工作状态。目前传统的变压器故障诊断方法一般采用人工特征提取结合浅层人工神经网络，这种方法依赖于专家经验且诊断能力不足。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案：包括，根据负载电流和电压划分变压器运行工况；利用加速度传感器采集变压器表面振动信号，基于所述变压器表面振动信号和变压器运行工况，训练双分支卷积神经网络分类模型；利用训练后的双分支卷积神经网络分类模型对所述变压器表面振动信号进行分类，根据分类结果与当前实际工况的一致性，判断变压器的运行状态。

作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：划分变压器运行工况包括，根据负载电流I_N将变压器电流运行工况划分为(0-60％I_N]、(60％I_N-80％I_N]、(80％I_N-100％I_N]和(100％I_N-150％I_N)四个区间；根据电压U_N将变压器电压运行工况划分为(80％U_N-95％U_N]、(95％U_N-100％U_N]和(100％U_N-120％U_N)三个区间；将变压器电流运行工况和变压器电压运行工况两两组合，获得12种变压器运行工况。

作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：采集变压器表面振动信号包括，将加速度传感器放置到变压器表面振动幅度最大处，加速度传感器的采样率设定为10K，采样间隔为5分钟，每次采样时长为0.5秒，每次采样获取5000个数据点。

作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：训练双分支卷积神经网络分类模型包括，将变压器表面振动信号进行灰度预处理，得到振动图像；将所述振动图像输入至双分支卷积神经网络分类模型进行迭代训练，获得模型参数。

作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：还包括，双分支卷积神经网络分类模型的卷积和池化层数为6，全连接层数为2，激活函数为ReLU，输出层函数为Sigmoid；所述双分支卷积神经网络分类模型为双分支结构，且结构中包括批量归一化层，每个分支的最后池化层采用全局平均池化，其余池化层采用最大池化层。