一种基于LVQ神经网络的雷电冲击下换流变压器绕组故障诊断方法

摘要

一种基于LVQ神经网络的雷电冲击下换流变压器绕组故障诊断方法，建立仿真模型，利用有限元法计算绕组分布参数，并建立雷电冲击下的换流变压器绕组分布参数模型，利用仿真模拟全面的故障情况，得到不同故障情况下的首端电压和中性点电流数据。根据首端电压和中性点电流数据求取传递函数，求取不同故障情况下的传递函数与正常情况传递函数不同频率段的相关系数，作为不同故障的特征参数。利用求取的不同故障情况的特征参数对LVQ神经网络进行训练，训练完成后的LVQ神经网络就建立了输入的特征参数与输出的故障类型的映射关系，然后按照上述方法处理试验数据，得到试验波形的特征参数，代入训练好的LVQ网络就可以判断故障种类。

主权项

一种基于LVQ神经网络的雷电冲击下换流变压器绕组故障诊断方法，其特征在于包括以下步骤：步骤1：首先根据换流变压器铁心、绕组、绝缘、壳体结构尺寸和材料属性建立仿真模型，采用有限元法计算绕组分布电容、电感和电阻参数；步骤2：结合计算得到的分布参数，建立雷电冲击条件下的换流变压器绕组分布参数模型，获取雷电冲击试验中测量得到的首端电压波形采样数据，将这列采样数据作为分布参数模型中的雷电波输入；步骤3：利用仿真模拟全面的故障情况，包括绕组不同部位的匝间金属短路故障、匝间间隙放电故障、对地短路故障等故障，得到不同故障情况下的首端电压和中性点电流数据；步骤4：根据首端电压和中性点电流数据求取传递函数，计算方法如公式(1)；并在0～1MHz内平均分为10个频率段，以正常全压的情况为基准，按照公式(2)求取不同故障情况下的传递函数与正常情况传递函数不同频率段的相关系数，作为不同故障的特征参数；$H\left(f\right)=\frac{I\left(f\right)}{U\left(f\right)}---\left(1\right)$式中，H(f)为变压器传递函数；I(f)为电流信号频谱；U(f)为电压信号频谱，$\rho =\frac{\underset{i=1}{\overset{n}{\Sigma }}(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2\underset{i=1}{\overset{n}{\Sigma }}{(y_i-\bar{y})}^2}}=\frac{n\underset{i=1}{\overset{n}{\Sigma }}{x}_i{y}_i-\underset{i=1}{\overset{n}{\Sigma }}{x}_i·\underset{i=1}{\overset{n}{\Sigma }}{y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\Sigma }}{x_i}^2-{\left(\underset{i=1}{\overset{n}{\Sigma }}{x}_i\right)}^2}·\sqrt{n\underset{i=1}{\overset{n}{\Sigma }}{y_i}^2-{\left(\underset{i=1}{\overset{n}{\Sigma }}{y}_i\right)}^2}}---\left(2\right)$式中，x(n)和y(n)分别为故障情况和正常情况的传递函数数据，xi和yi分别为x(n)和y(n)中的第i项数据，和分别为x(n)和y(n)的平均值；步骤5：利用遗传算法优化学习矢量量化(LVQ)神经网络初始向量，然后利用求取的不同故障情况的特征参数对LVQ神经网络进行训练，训练完成后的LVQ神经网络就建立了输入的特征参数与输出的故障类型的映射关系；步骤6：进行换流变压器雷电冲击试验，根据首端电压和中性点电流数据求取传递函数，认为在50％雷电冲击电压下没有发生故障，以50％电压下的传递函数为基准，求取100％电压下传递函数分频段的相关系数，然后带入训练好的LVQ网络进行故障诊断。