变压器绕组在空载合闸下的机械状态检测判断方法
阅读说明：本技术 变压器绕组在空载合闸下的机械状态检测判断方法 (Method for detecting and judging mechanical state of transformer winding under no-load closing ) 是由 李勇 许洪华 张勇 马宏忠 陈冰冰 刘宝稳 陈寿龙 朱昊 朱雷 王凌燕 王徐延 于 2021-03-16 设计创作，主要内容包括：本发明涉及一种变压器绕组在空载合闸下的机械状态检测判断方法,属于电力变压器安全监测技术领域。该方法先通过试验四种状态的同一型号变压器在空载合闸下产生的时域振动加速度信号,在对时域振动加速度信号经WOA-VMD分解后得到分别处于100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值,并得到四种状态的同一型号变压器的四种情况；然后采集待检测变压器在空载合闸时的时域振动加速度信号,经WOA-VMD分解后得到处于100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值,以前面得到四种情况作为判断条件,对待检测变压器的三种频率的IMF1分量频谱峰值进行比较,以判断待检测变压器的绕组机械状态属于四种状态之一。本发明提供的检测判断方法诊断及时、准确、可靠且简便易行。(The invention relates to a method for detecting and judging the mechanical state of a transformer winding under no-load closing, belonging to the technical field of safety monitoring of power transformers. Testing time domain vibration acceleration signals generated by transformers in four states in the same model under no-load switching-on, and decomposing the time domain vibration acceleration signals through WOA-VMD to obtain IMF1 component frequency spectrum peak values respectively at three frequencies of 100Hz, 200Hz and 400Hz and obtain four conditions of the transformers in the four states in the same model; and then, acquiring a time domain vibration acceleration signal of the transformer to be detected when the transformer is switched on in an idle state, decomposing the time domain vibration acceleration signal by WOA-VMD to obtain IMF1 component frequency spectrum peak values at three frequencies of 100Hz, 200Hz and 400Hz, and comparing the IMF1 component frequency spectrum peak values at the three frequencies of the transformer to be detected by taking the obtained four conditions as judgment conditions so as to judge that the mechanical state of a winding of the transformer to be detected belongs to one of the four states. The detection and judgment method provided by the invention has the advantages of timely, accurate, reliable, simple and feasible diagnosis.)
技术领域
本发明涉及一种变压器绕组在空载合闸条件下的机械状态检测判断方法。属于电力变压器安全监测技术领域。
背景技术
电力变压器作为电力系统中的重要设备，承担着电压变换、电能分配和电能传输的作用，电力变压器的正常运行，是电力系统安全、可靠、优质、经济运行的重要保证。统计分析表明，相当数量的变压器故障来自于绕组松动变形。绕组松动变形作为变压器绕组的潜伏性缺陷，提前预警是防止故障扩大的有效手段。目前，诊断变压器绕组有短路电抗法、基于稳态电流振动法等在线方法。基于变压器运行中短路故障扰动造成的特征离线诊断方法的提前告警能力差，诊断滞后；基于稳态振动信号的变压器绕组故障诊断方法抗干扰能力弱，故障诊断和故障程度识别的灵敏性和准确度低。
运行中的变压器振动信号主要为铁心振动和绕组振动的叠加。变压器在遭受励磁涌流冲击时，由于冲击电流幅值远远高于额定电流，绕组振动将远大于铁心振动，可认为涌流冲击时变压器振动主要由绕组振动引起。现有振动分析法通过测量传递到油箱壁的振动信号来检测变压器的绕组状态，但缺少通过对振动信号的分析来判断绕组机械状态的方法。
发明内容
本发明要解决的技术问题是：利用变压器的振动信号来实现对变压器绕组机械状态的判断。
本发明为解决上述技术问题提出的技术方案是：一种变压器绕组在空载合闸下的机械状态检测判断方法，执行如下步骤：
1)选择以下四种状态的同一型号变压器进行试验，
①绕组100％标准压紧力处于无松动的正常机械状态的第一状态，
②绕组90％标准压紧力处于10％的轻微松动机械状态的第二状态，
③绕组70％标准压紧力处于30％的中度松动机械状态的第三状态，
④绕组50％标准压紧力处于50％的严重松动机械状态的第四状态；
在分别处于四种状态的同一型号变压器上分别布置振动加速度传感器，并分别采集四种状态的同一型号变压器在空载合闸时的时域振动加速度信号；
2)对第1)步骤中采集到的时域振动加速度信号经WOA-VMD分解后得到分别处于100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值，得到所述四种状态的同一型号变压器的四种情况分别如下：
A.处于所述第一状态的情况是，100Hz的IMF1分量频谱峰值大于400Hz的IMF1分量频谱峰值的3倍以上，或者200Hz的IMF1分量频谱峰值大于400Hz的IMF1分量频谱峰值的7倍以上；
B.处于所述第二状态的情况是，100Hz的IMF1分量频谱峰值大于400Hz的IMF1分量频谱峰值的5倍以上，或者200Hz的IMF1分量频谱峰值大于400Hz的IMF1分量频谱峰值的7倍以上；；
C.处于所述第三状态的情况是，400Hz的IMF1分量频谱峰值大于100Hz的IMF1分量频谱峰值的4倍以上或大于200Hz的IMF1分量频谱峰值的7倍以上；；
D.处于所述第四状态的情况是，400Hz的IMF1分量频谱峰值大于100Hz的IMF1分量频谱峰值的25倍以上或大于200Hz的IMF1分量频谱峰值的14倍以上；
3)对于实际准备投入的待检测变压器，在所述待检测变压器上布置振动加速度传感器，采集所述待检测变压器在空载合闸时的振动加速度信号；
4)对第3)步骤中采集到的振动加速度信号经WOA-VMD分解后得到处于100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值，以第2)步骤中得到的所述四种情况作为判断条件，对所述待检测变压器的三种频率的IMF1分量频谱峰值进行比较，以判断所述待检测变压器的绕组机械状态属于所述四种状态之一。
进一步，所述WOA-VMD分解具体步骤如下：
①利用鲸鱼算法优化VMD参数分解层数k和惩罚因子α，设k和α的初值分别为5和2000。
②初始化鲸鱼优化算法种群规模、迭代次数以及自适应权重值，IMF能量熵如下式(1)，并取适应度函数Ffit为各IMF能量熵平均值的倒数如下式(2)，
式中，Ek为第k阶IMF分量的能量，为第k阶IMF分量的能量占信号总能量比重；
③计算每只座头鲸的适应度值，并相互比较，确定当前适应度最优鲸鱼；
④进入算法主循环，根据p和|G|的值更新位置；
⑤对整个群体进行评价，确定全局最优鲸鱼位置；
⑥重复步骤③至⑤，直到达到最大迭代次数，输出最佳k和α组合；
⑦以最佳k和α参数初始化VMD，并分解振动信号为100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值。
再进一步,所述鲸鱼优化算法如下：
1)假设鲸鱼种群规模为N，待求解D维优化问题的解空间内第i只鲸鱼的位置为算法假设待优化问题变量及其解为最优鲸鱼(猎物)的位置；
2)在包围猎物阶段，假设当前最优后选解接近最佳鲸鱼位置，接着其他鲸鱼会自动更新自身位置，位置更新方程为下式(3)：
式(3)中，D是最优候选解位置，G和C是系数，n∈(1,nmax)是当前迭代次数，X*(n)是第n次迭代的最优解，X(n)是第n次迭代鲸鱼的位置，r∈[0,1]是随机数，a随着迭代次数的增加从2线性递减到0；
3)在局部搜索阶段，选择包围机制或螺旋气泡模式，则局部搜索的位置更新方程为下式(4)：
式(4)中，p∈[0,1]是随机数，D′＝|X*(n)-X(n)|是第i只鲸鱼与最优鲸鱼间的距离，l∈[-1,1]是随机数，b是螺旋常数，e是自然对数函数的底数；
4)在全局搜索阶段，使用收敛因子|G|允许算法进行全局搜索，当|G|＞1，执行全局搜索的位置更新方程为下式(5)：
D＝|CXrand(n)-X(n)|
X(n+1)＝Xrand(n)-AD (5)；
式(5)中，Xrand是当前迭代种群中随机一只鲸鱼的位置。
上述检索方案中,所述振动加速度传感器是布置于所述变压器的A、B、C三相的三个，并在所述变压器的高压绝缘端子与低压绝缘端子之间等距分布。
本发明的有益效果是：对于采集到的变压器绕组在空载合闸下的时域振动加速度信号，通过WOA-VMD(鲸鱼优化算法优化的变分模态分解)分解后得到分别处于100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值，再以三种频率的IMF1分量频谱峰值各自占比的关系作为条件的满足与否，从而实现了对变压器绕组机械状态的判断。相比现有的变压器绕组机械状态的检测分析方法，本发明提供的检测判断方法诊断及时、准确、可靠且简便易行。
此外,需要指出的是：本发明通过测量变压器绕组在空载合闸下的时域振动加速度信号，再经WOA-VMD算法分解得到IMF1分量频谱峰值，来判断变压器绕组机械状态，是基于本发明人发现变压器绕组在短路冲击下变压器绕组轴向加速度与电源频率存在内在联系。本发明人通过理论推导得出短路冲击下变压器绕组轴向加速度关于时间t的表达式如下式(6),
式(6)中，ay是绕组轴向加速度，Ay、B1、B3、Gy是无量纲系数，C'y是阻尼系数，M为绕组线饼总质量，γ是合闸时电压的初相角，ω0是合闸时刻电源角频率，β是在一个周期中励磁涌流的间断角，ω是电源角频率，T是电路时间常数，θ＝arctan[(1-ω2T2)/2ωT]和
是有关ω的函数，K'y是刚度系数，e是自然对数函数的底数。
由式(6)可知，变压器承受励磁涌流冲击时绕组振动特性(轴向加速度)的振动信号特征量(ay)是电源频率(ω)的偶数次谐波。因此，变压器绕组松动或者变形所产生的变压器绕组机械动力学特性的变化，可以通过短路冲击下变压器绕组的振动加速度信号反映出来。
上式(6)所反映的是本发明人的一种科学理论发现且算式推导过程复杂，并不属于专利的范畴，故本发明只是通过式(6)来表明绕组振动加速度信号与电源频率存在联系，具体算式推导过程在此不做赘述。
附图说明
下面结合附图对本发明的变压器绕组在空载合闸下的机械状态检测判断方法作进一步说明。
图1是实施例一中变压器上安装振动加速度传感器的结构示意图。
图2实施例一变压器A相1号采集的振动加速度信号曲线图。
图3是对实施例一变压器A相1号测得的绕组振动时域信号及其经WOA-VMD分解后各阶IMF1分量时域信号曲线图。
图4是对第一状态的振动加速度信号经快速傅里叶变换后的频域信号曲线图。
图5是对第二状态的振动加速度信号经快速傅里叶变换后的频域信号曲线图。
图6是对第三状态的振动加速度信号经快速傅里叶变换后的频域信号曲线图。
图7是对第四状态的振动加速度信号经快速傅里叶变换后的频域信号曲线图。
具体实施方式
实施例
本实施例的变压器绕组在空载合闸下的机械状态检测判断方法，包括以下步骤：
1)选择以下四种状态的同一型号变压器进行试验，
①绕组100％标准压紧力处于无松动的正常机械状态的第一状态，
②绕组90％标准压紧力处于10％的轻微松动机械状态的第二状态，
③绕组70％标准压紧力处于30％的中度松动机械状态的第三状态，
④绕组50％标准压紧力处于50％的严重松动机械状态的第四状态。
在分别布置振动加速度传感器，并分别采集四种状态的同一型号变压器在空载合闸时的振动加速度信号；
如图1所示，在四种状态的同一型号变压器上分别布置振动加速度传感器10，在变压器A、B、C每相各布置三个振动加速度传感器，共九个，分别是图中标号1、2、3、4、5、6、7、8和9，九个振动加速度传感器的位置在高压绝缘端子11与低压绝缘端子12间等距分布。合闸后分别采集这四种变压器在空载合闸时的时域振动加速度信号；本实施例为方便说明，取A相标号1的一个振动加速度传感器采集的振动加速度信号为例。
2)对第1)步骤中采集到的时域振动加速度信号经WOA-VMD分解后得到分别处于100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值，采集到的振动加速度信号如图2中所示，对其经WOA-VMD分解后得到分别处于100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值，WOA是鲸鱼优化算法，VMD是变分模态分解，WOA-VMD就是将鲸鱼优化算法和变分模态分解组合运用，具体如下：
①利用鲸鱼算法优化VMD参数分解层数k和惩罚因子α，设k和α的初值分别为5和2000。
②初始化鲸鱼优化算法种群规模、迭代次数以及自适应权重值，IMF能量熵如下式(1)，并取适应度函数Ffit为各IMF能量熵平均值的倒数如下式(2)，
HEk＝-pklgpk (1)
式(1)中，Ek为第k阶IMF分量的能量，为第k阶IMF分量的能量占信号总能量比重；
③计算每只座头鲸的适应度值，并相互比较，确定当前适应度最优鲸鱼；
④进入算法主循环，根据p和|G|的值更新位置；
⑤对整个群体进行评价，确定全局最优鲸鱼位置；
⑥重复步骤③至⑤，直到达到最大迭代次数，输出最佳k和α组合；
⑦以最佳k和α参数初始化VMD，并分解振动信号为100Hz频率、200Hz频率和400Hz频率的IMF分量频谱峰值如下表1所示：
表1
从表1中可以得出以下四种情况：
A.对于第一种变压器，其100Hz的IMF1分量频谱峰值大于400Hz的IMF1分量频谱峰值的3倍以上，或者200Hz的IMF1分量频谱峰值大于400Hz的IMF1分量频谱峰值的7倍以上；
B.对于第二种变压器，其100Hz的IMF1分量频谱峰值大于400Hz的IMF1分量频谱峰值的5倍以上，或者200Hz的IMF1分量频谱峰值大于400Hz的IMF1分量频谱峰值的7倍以上；；
C.对于第三种变压器，其400Hz的IMF1分量频谱峰值大于100Hz的IMF1分量频谱峰值的4倍以上或大于200Hz的IMF1分量频谱峰值的7倍以上；；
D.对于第四种变压器，其400Hz的IMF1分量频谱峰值大于100Hz的IMF1分量频谱峰值的25倍以上或大于200Hz的IMF1分量频谱峰值的14倍以上。
3)对于实际准备投入的待检测变压器，在所述变压器上布置振动加速度传感器，采集所述变压器在空载合闸时的振动加速度信号；
4)对第3)步骤中采集到的振动加速度信号经WOA-VMD分解后得到处于100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值，具体分解过程如上述，此处不再赘述。
以第2)步骤中得到的所述四种情况作为判断条件，对三种频率的IMF1分量频谱峰值进行比较，以判断所述待检测变压器绕组的机械状态属于四种变压器中的哪一种。本实施例分解振动信号为100Hz频率、200Hz频率和400Hz频率的IMF分量频谱峰值如下表2所示：
表2
经比较可知，本实施例符合上述第B种情况，因此可以判断本实施例检测的变压器绕组机械状态属于轻微松动。
图3所示是本实施例A相1号测点所得变压器绕组振动时域信号及其经WOA-VMD分解后各阶IMF分量时域信号曲线图；图4-7所示是四种状态的各阶IMF分量时域信号经快速傅里叶变换后的频域信号曲线图。
上述步骤2)中的鲸鱼优化算法是现有的(可参考Mirjalili S,Lewis A.Thewhale optimization algorithm鲸鱼优化算法[J].Advances in engineering software软件工程发展,2016,95:51-67)。本实施例给出该算法如下：
1)假设鲸鱼种群规模为N，待求解D维优化问题的解空间内第i只鲸鱼的位置为算法假设待优化问题变量及其解为最优鲸鱼(猎物)的位置；
2)在包围猎物阶段，假设当前最优后选解接近最佳鲸鱼位置，接着其他鲸鱼会自动更新自身位置，位置更新方程为下式(3)：
式(3)中，D是最优候选解位置，G和C是系数，n∈(1,nmax)是当前迭代次数，X*(n)是第n次迭代的最优解，X(n)是第n次迭代鲸鱼的位置，r∈[0,1]是随机数，a随着迭代次数的增加从2线性递减到0；
3)在局部搜索阶段，选择包围机制或螺旋气泡模式，则局部搜索的位置更新方程为下式(4)：
式(4)中，p∈[0,1]是随机数，D′＝|X*(n)-X(n)|是第i只鲸鱼与最优鲸鱼间的距离，l∈[-1,1]是随机数，b是螺旋常数，e是自然对数函数的底数；
4)在全局搜索阶段，使用收敛因子|G|允许算法进行全局搜索，当|G|＞1，执行全局搜索的位置更新方程为下式(5)：
式(5)中，Xrand是当前迭代种群中随机一只鲸鱼的位置。
实施例二
本实施例的空载合闸下的变压器绕组机械状态检测判断方法，与实施例一相同，不同的是：第4)步骤的振动加速度信号经WOA-VMD分解后得到处于100Hz、200Hz和400Hz三种频率的IMF1分量频谱峰值如下去表3所示：
表3
经比较可知，本实施例符合上述第C种情况，因此可以判断本实施例检测的变压器绕组机械状态属于中度松动。
以上所述仅为本发明的较佳实施例而已，但本发明并不局限于此，比如，。所有根据本发明的构思及其技术方案加以等同替换或等同改变均应涵盖在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：基于固态量子自旋的电磁场测量三维成像装置