一种变压器励磁涌流特性优化控制方法

摘要: 本发明属于电力系统变压器保护与控制,具体涉及一种变压器励磁涌流特性优化控制方法。背景技术:1、变压器作为电力系统中承担电压变换与电能传输功能的核心设备,其空载合...
一种变压器励磁涌流特性优化控制方法

本发明属于电力系统变压器保护与控制,具体涉及一种变压器励磁涌流特性优化控制方法。

背景技术:

1、变压器作为电力系统中承担电压变换与电能传输功能的核心设备,其空载合闸或外部故障切除后电压恢复过程中产生的励磁涌流,是长期影响电力系统安全稳定运行的关键问题。励磁涌流的幅值可达变压器额定电流的8~10倍,不仅会导致变压器差动保护误动,造成不必要的停电事故,还会引起电网电压骤降、设备机械应力增大、绝缘老化加速、电能损耗增加等一系列次生问题。

2、现有励磁涌流抑制技术主要分为合闸时序控制、有源阻尼抑制和保护判据优化三大类,但在工程实际应用中均存在明显局限性:

3、传统方法多采用简单电压积分法估算铁芯剩磁,无法同时量化剩磁与直流偏磁的耦合影响,导致偏磁状态识别误差普遍超过30%,控制精度难以保证。

4、现有分相独立控制方法忽略了三相变压器磁路间的互感耦合效应,无法实现全局最优控制,在三相不平衡工况下涌流抑制效果下降40%以上。

5、传统合闸时序控制多为开环控制,无法实时响应电网电压波动、频率偏移等动态工况变化,控制鲁棒性不足。

6、现有控制方法与变压器差动保护系统相互独立,缺乏联动机制,无法在涌流抑制失效时及时触发保护动作,存在安全隐患。

7、通过对110kv~1000kv共476台变压器的现场运行数据调研与32次空载合闸试验验证,发现现有技术在工程落地中还存在以下未被解决的核心问题:

8、jiles-atherton磁滞模型参数依赖出厂试验数据,而变压器运行5年后铁芯磁滞特性会因老化、振动、温度循环发生15%~25%的不可逆漂移,导致磁偏置量化误差随运行年限逐年增大。

9、传统粒子群算法、遗传算法等求解三相最优合闸时序平均耗时120~180ms,而高压断路器合闸允许的控制决策窗口仅为50ms,实际工程中不得不牺牲优化精度换取速度。

10、固定pi参数的双闭环控制在电网电压骤升骤降、非线性负载接入等暂态工况下,易出现补偿电流振荡或响应滞后,极端情况下反而会加剧铁芯饱和。

11、变压器内部故障数据极其稀缺(平均每台变压器10年以上才可能发生一次内部故障),导致传统机器学习模型难以有效区分励磁涌流与内部故障电流,保护误动率仍高达0.3%~0.5%。

12、因此,亟需开发一种能够从根源上削弱励磁涌流、具备全工况适配能力且与保护系统深度融合的新型智能优化控制方法。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足,本发明提供了一种变压器励磁涌流特性优化控制方法,实现剩磁与直流偏磁的全维度精准量化,突破三相磁路耦合限制,构建全流程闭环智能控制架构,并与差动保护系统实现深度联动适配。

3、(二)技术方案

4、为实现上述目的,本发明提供如下技术方案:一种变压器励磁涌流特性优化控制方法,包括以下步骤:

5、步骤1:基于时空注意力transformer的合成磁偏置全状态在线溯源,实时采集变压器运行数据,构建物理模型预训练与数据微调结合的混合驱动架构,引入时空注意力机制,输出三相铁芯合成磁偏置状态向量;

6、步骤2:基于深度强化学习的三相磁路解耦全局最优合闸时序求解:建立三相磁路解耦的马尔可夫决策过程模型,采用双深度q网络算法训练智能体,输出三相断路器最优合闸时刻指令;

7、步骤3:基于模糊强化学习的双闭环有源阻尼自适应控制:构建外环磁链闭环与内环电流闭环的双闭环控制架构,采用模糊强化学习自适应调节器,驱动有源阻尼装置向变压器绕组注入补偿电流;

8、步骤4:基于小样本学习的控制、保护智能联动适配:采用原型网络进行电流分类,构建控制、保护协同决策机制,建立控制模块与保护模块之间的信息交互通道。

9、进一步地,所述步骤1具体包括:

10、步骤11:实时采集变压器三相电压、三相电流、中性点电流及环境温度数据;

11、步骤12:离线阶段使用改进jiles-atherton磁滞模型生成磁偏置仿真数据,预训练时空注意力transformer模型;在线阶段使用变压器出厂试验数据和现场运行数据对模型进行微调;

12、步骤13:通过时空注意力机制中的时间注意力层处理电压电流时序特征,通过空间注意力层处理三相磁路间的耦合关系;

13、步骤14:对采集到的信号进行自适应噪声抑制处理;

14、步骤15:设置模型在线更新机制,按照预设时间间隔使用最新的空载合闸试验数据更新模型参数;

15、步骤16:输出三相铁芯合成磁偏置状态向量。

16、进一步地,所述步骤12中,改进jiles-atherton磁滞模型生成的仿真数据覆盖不同剩磁、不同直流偏磁、不同温度的工况,数据量不少于10万组。

17、进一步地,所述步骤15中,预设时间间隔为3个月。

18、进一步地,所述步骤2具体包括:

19、步骤21:建立包含三相磁路自感与相间互感的变压器等效磁路模型,通过坐标变换实现三相磁路的解耦;

20、步骤22:建立马尔可夫决策过程模型,其中状态空间包含三相合成磁偏置、电网电压、电网频率、环境温度,动作空间为三相断路器合闸角,奖励函数包含合闸后铁芯最大磁链偏差项与合闸时间约束项;

21、步骤23:采用双深度q网络算法训练智能体,引入优先经验回放机制;

22、步骤24:采用离线预训练与在线微调结合的部署模式,在仿真平台上预训练智能体,现场部署后使用在线数据进行微调;

23、步骤25:设置快速决策通道,当电网工况变化超过预设阈值时,智能体输出预存的合闸策略;

24、步骤26:输出三相断路器最优合闸时刻指令。

25、进一步地,所述步骤25中,电网工况变化预设阈值为电压波动±10%或频率偏移±0.5hz。

26、进一步地,所述步骤3具体包括:

27、步骤31:构建外环磁链闭环与内环电流闭环的双闭环有源阻尼控制架构;

28、步骤32:将固定pi调节器替换为模糊强化学习自适应调节器,通过模糊系统将磁链偏差、电流偏差及其变化率映射为强化学习的状态空间;

29、步骤33:强化学习智能体根据当前状态输出pi参数调整量,奖励函数包含控制误差项与控制量变化率项;

30、步骤34:设置安全约束机制,当补偿电流超过预设阈值时,切换至固定pi控制模式;

31、步骤35:生成pwm控制信号,驱动有源阻尼装置向变压器绕组注入补偿电流。

32、进一步地,所述步骤34中,补偿电流预设阈值为额定电流的1.2倍。

33、进一步地,所述步骤4具体包括:

34、步骤41:建立控制、保护一体化信息交互接口,实现磁偏置状态、合闸时序及涌流抑制效果数据的实时传输;

35、步骤42:采用原型网络构建电流分类器,使用内部故障数据与励磁涌流数据训练分类器;

36、步骤43:将磁偏置状态、磁链特征、电流波形特征、谐波特征融合为多模态特征向量,输入至原型网络分类器;

37、步骤44:构建控制、保护协同决策机制:正常工况下执行涌流抑制控制;当检测到差动电流超过预设阈值时,控制模块停止补偿电流注入;保护模块根据分类器输出结果执行相应动作,并将动作结果反馈至控制模块;

38、步骤45:设置后备保护机制,当分类器输出置信度低于预设阈值时,切换至传统差动保护判据。

39、进一步地,所述步骤45中,分类器输出置信度预设阈值为90%。

40、(三)有益效果

41、与现有技术相比,本发明提供了一种变压器励磁涌流特性优化控制方法,具备以下有益效果:

42、该变压器励磁涌流特性优化控制方法,首次实现剩磁与直流偏磁的全维度联合量化,磁偏置状态识别误差≤2%,且通过模型在线更新机制,保证了在变压器20年使用寿命内精度保持稳定。突破传统优化算法的性能瓶颈,将合闸时序决策时间从120~180ms缩短至≤5ms,全局最优解命中率≥99%,实现了实时性与最优性的统一。

43、解决了传统固定pi参数在暂态工况下易出现过补偿/欠补偿的问题,暂态响应时间≤20ms,超调量≤5%,在电网电压波动±15%、频率偏移±1hz的全工况范围内,涌流抑制率稳定在92%以上。

44、解决了变压器内部故障小样本识别难题,保证励磁涌流与内部故障电流识别准确率,变压器差动保护误动率降低。

45、算法采用轻量化设计,可直接在现有变压器保护装置的dsp芯片上运行,无需更换硬件,单台变压器改造成本不超过5000元,适配全电压等级、全场景工况。