一种基于电流指纹特征的变压器绕组健康状态评估方法及系统与流程

本发明涉及电力系统，具体涉及一种基于电流指纹特征的变压器绕组健康状态评估方法及系统。

背景技术：

1、电力变压器作为电网系统的核心枢纽设备，承担着电磁能量转换与电压等级变换的关键功能，其运行状态直接关系到电网的安全稳定与供电可靠性。变压器绕组作为实现电磁感应的核心部件，在长期运行过程中不可避免地承受着热老化、机械振动、短路电动力等多重应力作用，绕组结构逐渐发生松动、垫块弹性下降、绝缘材料劣化乃至匝间短路等渐进性损伤，严重威胁变压器的可靠运行。如何对变压器绕组的健康状态进行实时、准确、有效的监测与评估，已成为电力系统运维领域亟待解决的关键技术难题。

2、目前，变压器绕组状态监测技术已发展出多种方法，主要包括油中溶解气体分析、频率响应分析、红外热像检测以及振动法在线监测等。

3、油中溶解气体分析方法通过分析绝缘油中特征气体的含量变化判断内部故障。然而，该方法对绕组机械松动、垫块压缩等缓慢劣化过程缺乏敏感性，且存在气体积累滞后性，导致其无法实现早期预警。

4、频率响应分析方法通过施加低电压脉冲激励测量绕组传递函数的频率响应特征，但需要变压器退出运行，对匝间短路等动态故障检测能力不足，且现场操作复杂、难以实现在线监测。

5、红外热像检测方法通过检测变压器外壳表面温度分布间接判断内部热点，但仅能识别已形成稳定热点的故障，对于接触电阻逐渐增大但尚未形成热点的早期劣化无能为力。

6、振动法监测方法通过采集绕组振动信号判断垫块紧固程度，但振动信号受运行环境噪声影响显著，传感器安装位置对监测结果影响较大。

7、上述现有监测方法均依赖外部激励信号或间接物理量，存在信号获取间接、预警提前量不足、多维度特征融合缺失的共性缺陷，无法实时、准确、经济地评估绕组机械紧固状态与绝缘老化程度，导致变压器故障多以事后抢修方式处置，严重影响电网的安全可靠运行，亟需一种能够直接感知绕组电气特征变化、具备早期预警能力且可实现多维度特征融合的新型监测评估方法。

技术实现思路

1、本发明的目的在于提供一种基于电流指纹特征的变压器绕组健康状态评估方法及系统，旨在解决现有变压器绕组健康状态监测方法信号获取间接、预警提前量不足、多维度特征融合缺失的技术问题，实现变压器绕组健康状态的在线、实时、精准评估。

2、为实现上述目的，根据本发明的一个方面，提供了一种基于电流指纹特征的变压器绕组健康状态评估方法，包括以下步骤：

3、步骤1：采集变压器运行中产生的瞬态电流波形数据：在变压器高压侧或低压侧套管电流互感器的二次回路中串联宽频带罗氏线圈电流传感器，采集变压器励磁涌流波形或短路冲击电流波形，采集模块在检测到励磁涌流事件或短路冲击电流事件时触发高速采集窗口，持续记录预设时长的瞬态电流波形数据。区别于频率响应分析法需主动注入扫频信号，本步骤通过被动采集设备自身运行中产生的励磁涌流或短路冲击电流，实现了无需额外激励源的非侵入式监测。

4、步骤2：对所述瞬态电流波形数据进行信号预处理：采用抗混叠滤波器对采集信号进行滤波处理，去除高频噪声干扰，去除信号中的直流分量，进行小波阈值去噪处理，消除随机噪声，进行零点校正，消除采集通道的零点偏移，得到预处理后的电流波形数据。

5、步骤3：从所述预处理后的电流波形数据中提取多维度特征参数：进行时域特征提取，包括峰值电流、上升沿时间、振荡衰减系数和波形持续时间；进行频域特征提取，通过快速傅里叶变换提取基波至预设次数谐波幅值，计算总谐波失真度和主谐波频率；进行时频域特征提取，通过小波包分解提取各频带能量分布，计算高频能量占比，提取励磁涌流与系统电压的相位夹角作为相位特征。区别于现有技术中依赖单一维度特征提取的方法，本步骤构建了时域、频域和时频域相结合的多维度特征参数体系。

6、步骤4：将所述多维度特征参数输入预先训练好的深度神经网络模型进行健康状态评估：采用一维卷积神经网络提取电流波形的局部时域特征，采用双向长短期记忆网络建模波形序列的时序依赖关系，引入注意力机制对关键特征维度进行加权融合，模型输出绕组松动等级、绝缘老化指数和剩余寿命预估三个评估指标。区别于现有技术中阈值判断和传统机器学习的评估方式，本步骤通过深度学习模型实现了端到端的自动评估。

7、优选地，所述步骤1中，所述励磁涌流事件的触发条件为电流有效值骤增至额定电流的150%以上；所述短路冲击电流事件的触发条件为检测到电流峰值超过额定电流的8倍且持续时间小于200毫秒。触发检测采用双阈值比较逻辑，首先计算实时电流有效值并与第一阈值（额定电流的150%）进行比较，当有效值超过第一阈值时进入触发判定状态，然后检测电流峰值的最大包络是否超过第二阈值（额定电流的8倍）且持续时间是否小于200毫秒，满足上述条件时确认触发事件并启动高速采集窗口。采集窗口时长设置为不低于500ms，优选为800ms，其中预触发时长设置为100ms，用于记录触发事件发生前的波形数据。采样率设置为100ks/s，采集窗口内的采样点总数为80000个，数据格式为32bit浮点数。

8、优选地，所述罗氏线圈电流传感器的带宽为10hz至10khz，采样率不低于50ks/s，优选采样率为100ks/s。采集模块内置抗混叠滤波器和16bit模数转换器，量化精度满足瞬态电流波形的高保真采集需求。所述抗混叠滤波器的截止频率为15khz。

9、优选地，所述信号调理电路包括差分放大器、低通滤波器和程控增益放大器，差分放大器将罗氏线圈输出的单端信号转换为差分信号，低通滤波器的截止频率设置为15khz，程控增益放大器根据输入信号的幅值范围自动调整放大倍数。

10、优选地，所述步骤2中，所述信号预处理包括：计算采样序列的算术平均值作为直流偏移量并从各采样点中减去以消除零点漂移影响；所述小波阈值去噪处理采用软阈值函数，小波分解层数设置为5层，小波基函数选用db8小波，阈值选取采用无偏似然估计准则，对每层小波分解的高频系数分别计算最优阈值；识别波形起始段前50ms的平稳区间计算零点偏移量进行基线校正；将去噪后的信号重采样至标准采样率50ks/s以统一后续特征提取的输入格式，重采样采用抗混叠低通滤波器与抽取/插值相结合的算法。

11、优选地，所述步骤3中，所述上升沿时间定义为从10%峰值上升至90%峰值所经历的时间；所述振荡衰减系数通过拟合波形包络线的指数衰减特性获得，波形包络线的指数衰减模型表示为，振荡衰减系数取值为，其中为单位时间间隔，无量纲，取值范围（0,1）。上升沿时间的增加反映绕组电感参数变化（绕组松动导致漏磁变化），振荡衰减系数的减小反映绕组机械结构阻尼特性变化（垫块松动、压紧力下降）。所述总谐波失真度定义为各次谐波幅值的平方和开根号后与基波幅值的比值；所述主谐波频率定义为谐波幅值谱中幅值最大的谐波分量所对应的频率位置。

12、优选地，所述步骤3中，所述时频域特征提取采用小波包分解算法，采用db10小波基，分解层数设置为5层，将信号分解为32个频带，每个频带的带宽为781.25hz，计算各频带的能量占比，高频能量占比定义为高频频带（频率≥2khz，对应频带序号为16至31）能量与信号总能量的比值。高频能量占比的增加反映绕组松动引起的机械振动对电流波形高频分量的调制效应增强。

13、优选地，所述步骤3中，所述相位特征提取针对励磁涌流事件，提取励磁涌流与系统电压的相位夹角。在电流指纹采集的同时，采集模块同步采集母线电压作为参考相位信号，相位夹角的计算方法为首先检测电压过零点的时刻，然后检测励磁涌流峰值对应的时刻，计算两个时刻之间的时间差，相位夹角为，其中t为电网周期20ms。

14、优选地，所述步骤4中，所述一维卷积神经网络包含3层卷积层，第一层卷积包含64个卷积核，卷积核长度为16个采样点，步长为1，填充方式为same，激活函数采用修正线性单元；第二层卷积包含128个卷积核，卷积核长度为8个采样点，步长为2，激活函数采用修正线性单元；第三层卷积包含256个卷积核，卷积核长度为4个采样点，步长为2，激活函数采用修正线性单元；每个卷积层后设置批量归一化层和最大池化层，最大池化层的池化窗口长度为2。

15、优选地，所述步骤4中，所述双向长短期记忆网络包含2层长短期记忆层，每层包含256个隐藏单元，正向和反向长短期记忆单元分别独立处理序列数据，输出层对正向和反向的隐状态进行拼接融合，融合特征向量的维度为512。

16、优选地，所述步骤4中，所述注意力机制采用缩放点积注意力机制，首先通过全连接层将融合特征向量映射为查询向量和键向量，查询向量和键向量的维度均为64，然后计算查询向量与键向量的点积并除以√64进行缩放，缩放后的点积结果经softmax函数归一化得到注意力权重，最后将注意力权重与值向量进行加权求和得到注意力加权特征向量。

17、优选地，所述步骤4中，所述绕组松动等级为1至5级的分级输出，其中1级表示正常状态，2级表示轻微松动，3级表示中等松动，4级表示严重松动，5级表示极度松动；所述绝缘老化指数为0至1的回归输出，其中0表示绝缘状态全新，1表示绝缘完全老化；所述剩余寿命预估为回归输出，单位为年。模型训练采用多任务学习框架，损失函数为分类任务的交叉熵损失与回归任务的均方误差损失的加权求和。

18、另一方面，本发明提供一种基于电流指纹特征的变压器绕组健康状态评估系统，包括：

19、电流指纹采集子系统，用于采集变压器运行中产生的瞬态电流波形数据，所述电流指纹采集子系统包括串联设置于变压器套管电流互感器二次回路中的宽频带罗氏线圈电流传感器、信号调理电路和模数转换模块；

20、信号预处理模块，用于对所述瞬态电流波形数据进行抗混叠滤波处理、直流分量去除、小波阈值去噪处理和零点校正，输出预处理后的电流波形数据；

21、特征提取模块，用于从所述预处理后的电流波形数据中提取多维度特征参数，所述多维度特征参数包括时域特征、频域特征和时频域特征；

22、深度神经网络评估模块，包括一维卷积神经网络子模块、双向长短期记忆网络子模块和注意力机制子模块，用于根据所述多维度特征参数评估变压器绕组的健康状态；

23、输出模块，用于输出所述深度神经网络评估模块生成的健康状态评估结果。

24、优选地，所述系统还包括云边协同架构：边缘计算终端部署于台区智能融合终端，用于完成本地数据预处理与轻量化模型推理，在2秒的响应时间阈值内完成从原始波形采集到评估结果输出的全部处理流程；云平台用于汇聚多台变压器的数据、执行全局模型训练与参数更新；所述边缘计算终端与所述云平台之间设置有数据同步通道，用于实现模型参数的周期性同步，所述周期性同步的周期为24小时。

25、优选地，所述边缘推理引擎基于云端训练好的深度神经网络模型进行优化裁剪，采用知识蒸馏技术将云端大规模模型压缩为轻量化版本，裁剪策略包括网络权重量化、层间连接剪枝和特征维度压缩，量化精度从32bit浮点数压缩至8bit定点数。

26、优选地，所述系统还包括基准指纹库模块，用于存储同型号变压器出厂试验的基准电流指纹特征，所述基准电流指纹特征包括基准时域特征参数、基准频域特征参数和基准时频域特征参数，所述基准指纹库模块支持评估结果与基准值的比对分析，通过偏差率计算识别绕组状态的渐进性变化趋势，偏差率的计算方法为实测值与基准值之差除以基准值的百分比。

27、优选地，所述系统还包括告警管理模块，用于根据所述健康状态评估结果自动生成告警工单。告警触发条件包括：绕组松动等级达到3级及以上，或绝缘老化指数超过0.6，或剩余寿命预估低于10年。告警等级划分为三个级别：黄色告警对应绕组松动等级3级或绝缘老化指数0.6至0.7，要求在30天内完成现场检查；橙色告警对应绕组松动等级4级或绝缘老化指数0.7至0.85，要求在15天内完成检修处理；红色告警对应绕组松动等级5级或绝缘老化指数超过0.85或剩余寿命预估低于5年，要求立即启动变压器更换或大修流程。

28、优选地，所述云平台包括数据汇聚模块、全局模型训练模块和参数同步模块；数据汇聚模块负责接收管辖区域内所有边缘终端上报的特征数据和评估结果，建立区域变压器健康管理数据库；全局模型训练模块采用分布式gpu集群进行深度学习模型的训练更新，训练采用数据并行策略；参数同步模块将更新后的模型参数下发至各边缘终端。

29、与现有技术相比，本发明的有益效果在于：

30、本发明通过事件触发式采集机制，能够在变压器每次经历励磁涌流或短路冲击时自动捕获瞬态电流波形；通过提取高频能量占比等对绕组状态变化高度敏感的特征参数，能够在绕组松动、垫块压缩等机械状态的缓慢劣化早期即捕捉到电流指纹的细微变化；本发明中的深度学习模型通过对多维度特征的融合分析，能够在故障发展初期即发出预警。上述技术特征的协同作用，使得本发明能够在故障发生前实现早期预警，为预防性维护提供充足时间窗口，有效避免变压器故障发展为突发性事故；

31、本发明构建了时域、频域和时频域相结合的多维度特征参数体系，其中上升沿时间与绕组电感参数直接相关、振荡衰减系数与绕组机械阻尼特性直接相关、高频能量占比与绕组机械振动调制效应直接相关，各特征参数均具有明确的物理意义；还通过一维卷积神经网络提取局部时域特征、双向长短期记忆网络建模时序依赖关系、注意力机制对关键特征维度进行加权融合，实现了对电流指纹特征的深度挖掘和精准识别。相比于现有技术中依赖单一维度特征和传统阈值判断的方法，本发明的评估结果更加准确可靠；

32、本发明通过采用宽频带罗氏线圈电流传感器串联于变压器套管电流互感器二次回路，无需改动变压器一次设备，安装过程简单便捷。相比于频率响应分析法需要变压器退出运行、振动法需要在箱体表面安装传感器等方案，本发明适合存量变压器的改造升级，有效降低监测系统的部署成本；

33、本发明根据输出的绕组松动等级、绝缘老化指数和剩余寿命预估三个评估指标，为运维人员提供了全面的设备健康画像；通过告警管理模块的分级告警机制和差异化维护策略，实现了从定期检修到状态检修的转变。基于实时评估结果制定维护计划，避免“到期必修”带来的过度检修和“到期未修”带来的安全隐患，减少不必要的人力物力投入，降低全生命周期运维成本；

34、本发明通过云边协同架构，云平台汇聚多源数据训练全局模型，通过迁移学习技术适应不同型号、不同运行工况的变压器；边缘终端与云端协同更新机制确保模型始终保持最优性能，支持跨型号跨区域的模型迁移应用。