本发明公开了一种变压器励磁电流特征量在线获取方法，该方法包括步骤：A、变压器中性点直流电流与励磁电流特征量样本数据的实验获取；B、神经网络的训练；C、变压器励磁电流特征量的在线获取。本发明能够通过在线测量变压器中性点电流的直流分量，利用神经网络算法拟合计算变压器励磁电流直流分量、最大值、最小值和总谐波畸变率四类特征量，可得到清晰的变压器励磁电流特征量与其中性点直流电流的关系，进而可为变压器直流偏磁的分析和抑制提供数据支持和指导，具有较高的工程应用价值。
1.一种变压器励磁电流特征量在线获取方法，其特征在于：该方法包括以下步骤：
A、变压器中性点直流电流与励磁电流特征量样本数据的实验获取：
A1、对变压器做空载实验，向变压器中性点注入随时间变化的直流电流i1，持续时间为t秒；实时获取实验时变压器励磁电流i2；其中直流电流的注入频率为f1，变压器励磁电流i2的采样频率为f2；
A2、将i1按每0.04秒包含的数据量m1＝0.04f1为间隔进行分段，得到n段变压器中性点电流样本数据分别为i1(k)、i2(k)、…、in(k)；其中k＝1，2，…，m1，为每一段数据的采样点序号；
A3、将i2按每0.04秒包含的数据量m2＝0.04f2为间隔进行分段，得到n段变压器励磁电流样本数据；分别计算每段变压器励磁电流样本数据的直流分量，得到励磁电流直流分量样本数据分别为i2(1)dc、i2(2)dc、…、i2(n)dc；分别计算每段变压器励磁电流样本数据的最大值，得到励磁电流最大值样本数据分别为i2(1)max、i2(2)max、…、i2(n)max；分别计算每段变压器励磁电流样本数据的最小值，得到励磁电流最小值样本数据分别为i2(1)min、i2(2)min、…、i2(n)min；分别计算每段变压器励磁电流样本数据的总谐波畸变率，得到励磁电流总谐波畸变率样本数据分别为i2(1)THD、i2(2)THD、…、i2(n)THD；
B1、将同一个0.04秒时间段内的变压器中性点电流样本数据和变压器励磁电流的直流分量样本数据、最大值样本数据、最小值样本数据、总谐波畸变率样本数据作为神经网络的一个训练样本Train(j)＝[ij(1)，ij(2)，…，ij(k)，i2(j)dc，i2(j)max，i2(j)min，i2(j)THD]，其中j＝1，2，…，n；n段时段内的n个训练样本构成神经网络的训练样本集Train＝[Train(1)；Train(2)；…；Train(n)]；
B2、设置神经网络的输入层的节点数p1等于一段变压器中性点电流样本数据量，即p1＝m＝0.04f1；设置输出层的节点数p2等于变压器励磁电流特征量的类型数，即p2＝4；设置隐含层数为1，隐含层节点数为 设置激励函数为sigmoid函数；
B3、将训练样本集Train导入至神经网络，利用反向传播算法对神经网络进行训练，当训练误差小于0.001或者训练的迭代次数大于50000次时结束训练，并保存训练好的神经网络；
按采样频率f3实时地测量实际工程中变压器中性点电流，并提取其直流分量为i1*，按数据窗N1＝0.04f3以N2＝0.001f3为间隔滑动地将i1*中的数据iq*(z)输入训练好的神经网络的输入层，得到变压器励磁电流的直流分量i2*(q)dc、最大值i2*(q)max、最小值i2*(q)min以及总谐波畸变率i2*(q)THD 4类特征量；其中z＝1，2，…，N1，为每一个数据窗内数据的采样点序号；q为数据窗的滑动次数序号，q＝1，2，…。
2.根据权利要求1所述的一种变压器励磁电流特征量在线获取方法，其特征在于：步骤A中空载实验所用的变压器与步骤C中实际工程的变压器型号、结构参数均一致。
3.根据权利要求1所述的一种变压器励磁电流特征量在线获取方法，其特征在于：步骤B中用于神经网络训练的训练样本数n不小于500。
4.根据权利要求1所述的一种变压器励磁电流特征量在线获取方法，其特征在于：步骤A1中注入变压器中性点的直流电流与实际工程中变压器中性点电流直流分量的幅值变化范围一致，在-100A～100A之间变化。
5.根据权利要求1所述的一种变压器励磁电流特征量在线获取方法，其特征在于：步骤A1中注入变压器中性点的直流电流信号的注入频率f1、变压器励磁电流i2的采样频率f2与步骤C中实际工程的变压器中性点电流的采样频率f3相等。
一种变压器励磁电流特征量在线获取方法
技术领域
[0001] 本发明属于电力系统检测技术领域，具体涉及一种变压器励磁电流特征量在线获取方法。
背景技术
[0002] 在城市轨道交通运行、高压直流输电系统单极运行或者发生地磁暴现象时，变压器中性点会窜入直流电流，造成变压器励磁电流畸变，即变压器产生直流偏磁现象。实际运行案例表明，变压器的直流偏磁主要具有以下危害：
[0003] (1)直流偏磁会使变压器工作于过饱和状态，从而造成变压器铁芯的形变，引起变压器振动产生噪声。
[0004] (2)直流偏磁会引起变压器输出电流发生畸变，进而引起继电保护的误动作或拒动作。
[0005] (3)直流偏磁会使变压器漏磁增加，造成变压器的涡流损耗，进而产生非正常发热，损坏变压器部件，降低变压器寿命。
[0006] 现有研究指出，获取变压器的励磁电流或励磁电流的直流分量、最大值、最小值以及总谐波畸变率4类特征量将有助于分析变压器直流偏磁的严重程度，进而可为分析和抑制直流偏磁提供数据支持；分析励磁电流尤其是励磁电流特征量与变压器中性点直流电流的关系，将有助于从源头上解决变压器直流偏磁造成的危害。
[0007] 现有研究或技术存在对变压器励磁特性分析和励磁电流的获取工作，在励磁特性分析方面，申请号为201510214689.2的中国专利提出了一种分析变压器在直流偏磁影响下的励磁特性变化方法，该方法基于磁耦合原理和傅里叶变换得到变压器在直流偏磁下的励磁特性，但是该方法并不能在线获取变压器的励磁电流或励磁电流特征量，更不能获取励磁电流或励磁电流特征量与变压器中心点直流电流之间的关系。申请号为201510184067.X的中国专利提出了直流偏磁状态下变压器磁滞特性及损耗特性确定方法，该方法主要通过建立变压器叠片铁芯的有限元模型确定变压器的磁滞特性和损耗特性，但该方法亦不能在线获取变压器励磁电流或励磁电流特征量。在励磁电流获取方面，申请号为2015103125304的中国专利提出了一种基于J-A磁滞模型的变压器励磁电流仿真方法，以及文献“基于J-A模型对直流偏磁条件下变压器励磁电流的模拟及实验研究(白保东赵晓旋陈德志王佳音李宝鹏，电工技术学报2013年S2期)”提出了基于J-A模型的变压器励磁电流实验方法，但这两种方法只能通过仿真或实验得到变压器励磁电流，均不能对实际工程中变压器励磁电流或其特征量进行在线获取，且其未涉及变压器励磁电流或励磁电流特征量与变压器中性点直流电流之间关系的获取。申请号为2016108556946的中国专利提出了一种特高压变压器空载直流偏磁励磁电流实时计算方法，但其仅能够获取变压器空载实验时直流偏磁情况下的励磁电流，仍不能够对实际工程中变压器励磁电流或其特征量进行在线获取。
[0008] 综上所述，现有研究或技术在变压器励磁电流或其特征量的获取与研究方面，主要存在两大问题，一是变压器的励磁电流仅能在变压器做空载实验时获取，即在变压器接入电力系统运行时，励磁电流无法获取；二是现有研究或技术在变压器励磁电流特征量与变压器中性点直流电流的关系方面却还处于空白阶段。
发明内容
[0009] 本发明要解决的技术问题是：提供一种变压器励磁电流特征量在线获取方法，以解决现有技术中存在的问题。
[0010] 本发明采取的技术方案为：一种变压器励磁电流特征量在线获取方法，该方法包括以下步骤：
[0011] A、变压器中性点直流电流与励磁电流特征量样本数据的实验获取：
[0012] A1、对变压器做空载实验，向变压器中性点注入随时间变化的直流电流i1，持续时间为t秒；实时获取实验时变压器励磁电流i2；其中直流电流的注入频率为f1，变压器励磁电流i2的采样频率为f2；
[0013] A2、将i1按每0.04秒包含的数据量m1＝0.04f1为间隔进行分段，得到n段变压器中性点电流样本数据分别为i1(k)、i2(k)、…、in(k)；其中k＝1，2，…，m1，为每一段数据的采样点序号；
[0014] A3、将i2按每0.04秒包含的数据量m2＝0.04f2为间隔进行分段，得到n段变压器励磁电流样本数据；分别计算每段变压器励磁电流样本数据的直流分量，得到励磁电流直流分量样本数据分别为i2(1)dc、i2(2)dc、…、i2(n)dc；分别计算每段变压器励磁电流样本数据的最大值，得到励磁电流最大值样本数据分别为i2(1)max、i2(2)max、…、i2(n)max；分别计算每段变压器励磁电流样本数据的最小值，得到励磁电流最小值样本数据分别为i2(1)min、i2(2)min、…、i2(n)min；分别计算每段变压器励磁电流样本数据的总谐波畸变率，得到励磁电流总谐波畸变率样本数据分别为i2(1)THD、i2(2)THD、…、i2(n)THD；
[0015] B、神经网络的训练：
[0016] B1、将同一个0.04秒时间段内的变压器中性点电流样本数据和变压器励磁电流的直流分量样本数据、最大值样本数据、最小值样本数据、总谐波畸变率样本数据作为神经网络的一个训练样本Train(j)＝[ij(1)，ij(2)，…，ij(k)，i2(j)dc，i2(j)max，i2(j)min，i2(j)THD]，其中j＝1，2，…，n；n段时段内的n个训练样本构成神经网络的训练样本集Train＝[Train(1)；Train(2)；…；Train(n)]；
[0017] B2、设置神经网络的输入层的节点数p1等于一段变压器中性点电流样本数据量，即p1＝m＝0.04f1；设置输出层的节点数p2等于变压器励磁电流特征量的类型数，即p2＝4；设置隐含层数为1，隐含层节点数为 设置激励函数为sigmoid函数；
[0018] B3、将训练样本集Train导入至神经网络，利用反向传播算法对神经网络进行训练，当训练误差小于0.001或者训练的迭代次数大于50000次时结束训练，并保存训练好的神经网络；
[0019] C、变压器励磁电流特征量的在线获取：
[0020] 按采样频率f3实时地测量实际工程中变压器中性点电流，并提取其直流分量为i1*，按数据窗N1＝0.04f3以N2＝0.001f3为间隔滑动地将i1*中的数据iq*(z)输入训练好的神经网络的输入层，得到变压器励磁电流的直流分量i2*(q)dc、最大值i2*(q)max、最小值i2*(q)min以及总谐波畸变率i2*(q)THD 4类特征量；其中z＝1，2，…，N1，为每一个数据窗内数据的采样点序号；q为数据窗的滑动次数序号，q＝1，2，…。
[0021] 步骤A中空载实验所用的变压器与步骤C中实际工程的变压器型号、结构参数均一致。
[0022] 步骤B中用于神经网络训练的训练样本数n不小于500。
[0023] 步骤A1中注入变压器中性点的直流电流与实际工程中变压器中性点电流直流分量的幅值变化范围一致，在-100A～100A之间变化。
[0024] 步骤A1中注入变压器中性点的直流电流信号的注入频率f1、变压器励磁电流i2的采样频率f2与步骤C中实际工程的变压器中性点电流的采样频率f3相等。
[0025] 本发明的有益效果：与现有技术相比，本发明的效果如下：
[0026] (1)本发明通过在线测量变压器中性点电流的直流分量，利用神经网络算法拟合计算变压器励磁电流直流分量、最大值、最小值和总谐波畸变率四类特征量，可得到清晰的变压器励磁电流特征量与其中性点直流电流的关系，进而可为变压器直流偏磁的分析和抑制提供数据支持和指导，具有较高的工程意义；
[0027] (2)仅需采集变压器中性点电流，通过训练好的神经网络模型拟合获取变压器励磁电流特征量，所需采集的电气量较少，而且对变压器励磁电流特征量的拟合计算较为简单，易于实施。
附图说明
[0028] 图1为本发明的工作流程图。
具体实施方式
[0029] 下面结合附图及具体的实施例对本发明进行进一步介绍。
[0030] 实施例1：如图1所示，本发明采取的技术方案为：一种变压器励磁电流特征量在线获取方法，该方法包括以下步骤：
[0031] A、变压器中性点直流电流与励磁电流特征量样本数据的实验获取：
[0032] A1、对变压器做空载实验，向变压器中性点注入随时间变化的直流电流i1，持续时间为t秒；实时获取实验时变压器励磁电流i2；其中直流电流的注入频率为f1，变压器励磁电流i2的采样频率为f2；
[0033] A2、将i1按每0.04秒包含的数据量m1＝0.04f1为间隔进行分段，得到n段变压器中性点电流样本数据分别为i1(k)、i2(k)、…、in(k)；其中k＝1，2，…，m1，为每一段数据的采样点序号；
[0034] A3、将i2按每0.04秒包含的数据量m2＝0.04f2为间隔进行分段，得到n段变压器励磁电流样本数据；分别计算每段变压器励磁电流样本数据的直流分量，得到励磁电流直流分量样本数据分别为i2(1)dc、i2(2)dc、…、i2(n)dc；分别计算每段变压器励磁电流样本数据的最大值，得到励磁电流最大值样本数据分别为i2(1)max、i2(2)max、…、i2(n)max；分别计算每段变压器励磁电流样本数据的最小值，得到励磁电流最小值样本数据分别为i2(1)min、i2(2)min、…、i2(n)min；分别计算每段变压器励磁电流样本数据的总谐波畸变率，得到励磁电流总谐波畸变率样本数据分别为i2(1)THD、i2(2)THD、…、i2(n)THD；
[0035] B、神经网络的训练：
[0036] B1、将同一个0.04秒时间段内的变压器中性点电流样本数据和变压器励磁电流的直流分量样本数据、最大值样本数据、最小值样本数据、总谐波畸变率样本数据作为神经网络的一个训练样本Train(j)＝[ij(1)，ij(2)，…，ij(k)，i2(j)dc，i2(j)max，i2(j)min，i2(j)THD]，其中j＝1，2，…，n；n段时段内的n个训练样本构成神经网络的训练样本集Train＝[Train(1)；Train(2)；…；Train(n)]；
[0037] B2、设置神经网络的输入层的节点数p1等于一段变压器中性点电流样本数据量，即p1＝m＝0.04f1；设置输出层的节点数p2等于变压器励磁电流特征量的类型数，即p2＝4；设置隐含层数为1，隐含层节点数为 设置激励函数为sigmoid函数；
[0038] B3、将训练样本集Train导入至神经网络，利用反向传播算法对神经网络进行训练，当训练误差小于0.001或者训练的迭代次数大于50000次时结束训练，并保存训练好的神经网络；
[0039] C、变压器励磁电流特征量的在线获取：
[0040] 按采样频率f3实时地测量实际工程中变压器中性点电流，并提取其直流分量为i1*，按数据窗N1＝0.04f3以N2＝0.001f3为间隔滑动地将i1*中的数据iq*(z)输入训练好的神经网络的输入层，得到变压器励磁电流的直流分量i2*(q)dc、最大值i2*(q)max、最小值i2*(q)min以及总谐波畸变率i2*(q)THD 4类特征量；其中z＝1，2，…，N1，为每一个数据窗内数据的采样点序号；q为数据窗的滑动次数序号，q＝1，2，…。
[0041] 步骤A中空载实验所用的变压器与步骤C中实际工程的变压器型号、结构参数均一致。
[0042] 步骤B中用于神经网络训练的训练样本数n不小于500。
[0043] 步骤A1中注入变压器中性点的直流电流与实际工程中变压器中性点电流直流分量的幅值变化范围一致，在-100A～100A之间变化。
[0044] 步骤A1中注入变压器中性点的直流电流信号的注入频率f1、变压器励磁电流i2的采样频率f2与步骤C中实际工程的变压器中性点电流的采样频率f3相等。
[0045] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。
