一种牵引变压器过流诊断保护装置及方法与流程

1.本发明涉及轨道交通装备领域，更具体的说，涉及一种牵引变压器过流诊断保护装置及方法。


背景技术：

2.我国高速铁路的建设以前所未有的速度向前推进，机车车辆技术日新月异，机车结构越来越复杂，技术要求也越来越高。
3.在列车的保护功能中，牵引变压器过流保护是其中很重要的一种保护功能。导致牵引变压器过流的故障源很多，常见的有牵引变压器故障、牵引变流器故障、弓网接触不良、合闸或短时网压中断引起的励磁涌流等。
4.不同异常原因造成的故障影响不同，而目前工程应用中仅采用超限检测方式，出现过流后无法识别出具体的故障源，采用的均为最高级别的保护动作，如封锁所有脉冲，断开主断路器，连续出现多次后隔离等，此类保护方式容易造成动力损失，影响机车可用性。
5.中国发明专利cn201510450019.0公开了一种牵引变压器过流保护方法，此方法基于原边电流信号的正负半波的相似性来判断是否为励磁涌流，并根据判断结果来决策是否进行保护动作。
6.上述专利方法未对导致牵引变压器过流的各类故障源进行识别。
7.中国发明专利cn201110392098.6公开了一种变压器过流保护装置，通过各种硬件电路来实现鉴别励磁涌流和短路电流，以选择是否对变压器进行保护的目的。
8.上述专利方法同样也只能识别励磁涌流，无法实现各类故障源识别并采取差异化的保护策略。


技术实现要素：

9.本发明的目的是提供一种牵引变压器过流诊断保护装置及方法，解决现有技术的牵引变压器过流的故障源难以精确识别及差异化保护的技术问题。
10.为了实现上述目的，本发明提供了一种牵引变压器过流诊断保护装置，包括离线学习模块和在线诊断保护模块：
11.所述离线学习模块，对历史故障数据进行数据预处理和相关信号故障特征向量提取，基于决策树方法，对不同类型原边过流故障数据进行统计学习建模，生成决策树诊断模型；
12.所述在线诊断保护模块，与离线学习模块连接，包括故障检测单元和故障分类单元，
13.所述故障检测单元，实时采样相关信号，与设定阀值进行比较，生成故障分类使能标志至故障分类单元；
14.所述故障分类单元，与故障检测单元连接，接收故障检测单元的故障分类使能标志，基于采集信号提取相关信号故障特征向量，结合决策树诊断模型进行故障判决，得到故
障诊断结果，根据故障诊断结果执行对应的保护隔离策略。
15.在一实施例中，所述信号故障特征信号，包括：
16.牵引变压器原边电流周期最大峰值；
17.原边电流周期最小峰值；
18.原边电压周期低幅值持续时间；
19.原边电压周期最小峰值变化率；
20.原边电流周期低幅值持续时间；
21.原边电流周期高幅值持续时间。
22.在一实施例中，所述离线学习模块，对不同类型原边过流故障数据进行统计学习建模，进一步包括：
23.对不同类型原边过流故障数据，进行随机排序后选取其中设定比例的数据进行训练，计算得到对应的信号故障特征向量，剩余数据进行模型分类准确性计算，得到牵引变压器过流故障的决策树诊断模型。
24.在一实施例中，所述决策树诊断模型，采用决策树算法分类，建立故障类型与信号故障特征向量之间的对应数值关系模型。
25.在一实施例中，所述故障分类单元，采用固定周期滑动窗口，对滑窗内信号故障特征向量进行分类判别，统计获得故障类型数量，取数值最大的故障类型作为最终故障诊断结果并输出。
26.在一实施例中，所述保护隔离策略包括：
27.牵引变压器故障时，断开主断路器，故障一次禁止高压；
28.牵引变流器故障时，断开主断路器，不隔离；
29.弓网接触不良时，封锁所有脉冲，不隔离；
30.励磁涌流时，不保护，仅显示故障。
31.为了实现上述目的，本发明提供了一种牵引变压器过流诊断保护方法，包括离线学习流程和在线诊断保护流程，
32.所述离线学习流程包括以下步骤：
33.对历史故障数据进行数据预处理和相关信号故障特征向量提取；
34.基于决策树方法，对不同类型原边过流故障数据进行统计学习建模，生成决策树诊断模型；
35.所述在线诊断保护流程包括故障检测步骤和故障分类步骤：
36.故障检测步骤，实时采样相关信号，与设定阀值进行比较，生成故障分类使能标志；
37.故障分类步骤，根据故障分类使能标志，基于采集信号提取相关信号故障特征向量，结合决策树诊断模型进行故障判决，得到故障诊断结果，根据故障诊断结果执行对应的保护隔离策略。
38.在一实施例中，所述信号故障特征向量，包括：
39.牵引变压器原边电流周期最大峰值；
40.原边电流周期最小峰值；
41.原边电压周期低幅值持续时间；
42.原边电压周期最小峰值变化率；
43.原边电流周期低幅值持续时间；
44.原边电流周期高幅值持续时间。
45.在一实施例中，所述对不同类型原边过流故障数据进行统计学习建模，进一步包括：
46.对不同类型原边过流故障数据，进行随机排序后选取其中设定比例的数据进行训练，计算得到对应的信号故障特征向量，剩余数据进行模型分类准确性计算，得到牵引变压器过流故障的决策树诊断模型。
47.在一实施例中，所述决策树诊断模型，采用决策树算法分类，建立故障类型与信号故障特征向量之间的对应数值关系模型。
48.在一实施例中，所述故障分类步骤，进一步包括：
49.采用固定周期滑动窗口，对滑窗内信号故障特征向量进行分类判别；
50.统计获得故障类型数量，取数值最大的故障类型作为最终故障诊断结果并输出。
51.在一实施例中，所述保护隔离策略包括：
52.牵引变压器故障时，断开主断路器，故障一次禁止高压；
53.牵引变流器故障时，断开主断路器，不隔离；
54.弓网接触不良时，封锁所有脉冲，不隔离；
55.励磁涌流时，不保护，仅显示故障。
56.针对当前轨道交通车辆对牵引变压器过流保护动作单一，不能识别具体故障源并执行差异化保护动作的缺点，本发明提出了一种牵引变压器过流诊断保护装置及方法，利用现有车载牵引控制系统，对造成牵引变压器过流的故障源进行在线识别诊断并基于识别结果来执行差异化的保护动作，有效提高设备可用性，提升列车运用效率，在各种故障情况下，均实现了故障定位，得出了准确诊断结果。
57.本发明提出了一种牵引变压器过流诊断保护装置及方法，实现牵引变压器过流的故障源精确识别并基于不同故障源进行差异化保护，具体具有以下有益效果：
58.1)实现牵引变压器过流的各类故障源在线精确定位；
59.2)基于具体故障点执行差异化保护隔离动作，提升列车可用性；
60.3)不需要改变现有硬件，工程实现简单。
附图说明
61.本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：
62.图1揭示了根据本发明一实施例的牵引变压器过流诊断保护装置原理图；
63.图2揭示了根据本发明一实施例的牵引变压器过流诊断保护方法流程图；
64.图3揭示了根据本发明一实施例的故障分类与保护隔离策略优化原理图。
具体实施方式
65.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用
于限定发明。
66.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连同。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
67.机车、动车典型牵引系统主回路，主要由牵引变压器，牵引变流器(包括充电回路、四象限整流器、接地检测回路、中间直流环节、逆变器等)和牵引电机三大部分组成。单相ac 25kv交流电经过受电弓、主断路和牵引变压器原边进入车体，由牵引变压器次边绕组向变流电路提供交流电。交流电流在四象限整流器的作用下变换成直流电，经中间直流环节滤波后，利用逆变器转换成频率和幅值可变的三相交流电驱动牵引电机，从而控制机车以不同速度和牵引力前进。
68.本发明提出了一种牵引变压器过流诊断保护方法及装置，可实现牵引变压器过流的故障源精确识别并基于不同故障源进行差异化保护策略。
69.图1揭示了根据本发明一实施例的牵引变压器过流诊断保护装置原理图，如图1所示，考虑引起牵引变压器的常见故障源的自动识别并采取差异化的保护动作，本发明提出一种牵引变压器过流诊断保护装置，包括离线学习模块100和在线诊断保护模块200：
70.所述离线学习模块100，对历史故障数据进行数据预处理和相关信号故障特征向量提取，基于决策树方法，对不同类型原边过流故障数据进行统计学习建模，生成决策树诊断模型；
71.所述在线诊断保护模块200，与离线学习模块100连接，包括故障检测单元201和故障分类单元202。
72.所述故障检测单元201，实时采样相关模拟量信号，与设定阀值进行比较，生成故障分类使能标志至故障分类单元，在图1所示的实施例中，模拟量信号包括原边电压up和原边电流ip。
73.所述故障分类单元202，与故障检测单元201连接，接收故障检测单元201的故障分类使能标志，基于采集的相关模拟量信号提取相关信号故障特征向量，结合决策树诊断模型进行故障判决，得到故障诊断结果，根据故障诊断结果执行对应的保护隔离策略，实现机车的最优保护与隔离。
74.牵引变压器的常见故障源包括牵引变压器故障c1、牵引变流器故障c2、弓网接触不良c3和励磁涌流c4。
75.图2揭示了根据本发明一实施例的牵引变压器过流诊断保护方法流程图，如图2所示，本发明提出一种牵引变压器过流诊断保护方法，包括离线学习流程和在线诊断保护流程，
76.所述离线学习流程包括以下步骤：
77.对历史故障数据进行数据预处理和相关信号故障特征向量提取；
78.基于决策树方法，对不同类型原边过流故障数据进行统计学习建模，生成决策树诊断模型；
79.所述在线诊断保护流程包括故障检测步骤和故障分类步骤。
80.在图1-2所示的实施例中，故障检测步骤在故障检测单元201中实现，故障分类步骤在故障分类单元202中实现。
81.故障检测步骤，实时采样相关模拟量信号，与设定阀值进行比较，如果超过设定阀值，生成故障分类使能标志，如果没有超过设定阀值，则认为未发生故障。模拟量信号包括原边电压up和原边电流ip。
82.故障分类步骤，根据故障分类使能标志，基于采集信号提取相关信号故障特征向量f1～f6，结合决策树诊断模型进行故障判决，得到故障诊断结果，根据故障诊断结果执行对应的保护隔离策略。
83.下面结合图1和图2，分别介绍本发明中的信号故障特征向量的提取，决策树诊断模型的建模以及故障分类与保护隔离策略。
84.首先说明离线学习模块的信号故障特征向量的提取。
85.特征提取是各种故障源分类识别的核心，一般情形下，牵引系统正常工作时原边电流不会超过其过流保护阀值门槛。
86.当出现牵引变压器过流故障时，其相关的传感器采集信号将出现瞬时异常，关联度最大的为原边电压信号与原边电流信号，现场出现的最多的四类原边过流故障的故障原因有：
87.牵引变压器故障c1；
88.牵引变流器故障c2；
89.弓网接触不良c3；
90.励磁涌流c4。
91.本发明采用周期滑动窗口内最大峰值x
pmax
、最小峰值x
pmin
、高幅值持续时间t
gt
、低幅值持续时间t
lt
、最小峰值变化率等来描述周期滑动窗口内信号的波形峰值特征以及时间信息，其定义如下式所示：
92.x
max
(i)＝max(x(i),x(i-1),
…
,x(i-n 1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
93.x
min
(i)＝min(x(i),x(i-1),
…
,x(i-n 1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
94.x
pmax
(i)＝max(|x
max
(i)|,|x
min
(i)|)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
95.x
pmin
(i)＝min(|x
max
(i)|,|x
min
(i)|)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0096][0097][0098][0099]
式中，n＝tc/ts为采样数，tc为滑动窗口周期长度，ts为采样周期，th为设定的阀值门槛，x(i)表示第i个采样时刻的数值，max表示求数列的最大值，min表示求数列的最小值，tc和ts是可以设置的参数。
[0100]
根据故障信号特点，本发明提取的相关信号故障特征向量包括以下6个时域形态上的特征向量：
[0101]
牵引变压器原边电流周期最大峰值x
pmax
_ip；
[0102]
原边电流周期最小峰值x
pmin
_ip；
[0103]
原边电压周期低幅值持续时间t
lt
_up；
[0104]
原边电压周期最小峰值变化率k
xpmin
_up；
[0105]
原边电流周期低幅值持续时间t
lt
_ip；
[0106]
原边电流周期高幅值持续时间t
gt
_ip。
[0107]
上述6个时域形态上的信号故障特征向量依次记为f1～f6，将公式(1)-(7)中的x(i)替换为对应的原边电压up和原边电流ip，从而实现信号故障特征向量的如下定义：
[0108]
特征向量f1：x
pmax
_ip(i)＝max(|x
max
_ip(i)|,|x
min
_ip(i)|)；
[0109]
其中，x
max
_ip(i)＝max(ip(i),ip(i-1),
…
,ip(i-n 1))；
[0110]
特征向量f2：x
pmin
_ip(i)＝min(|x
max
_ip(i)|,|x
min
_ip(i)|)；
[0111]
其中，x
min
_ip(i)＝min(ip(i),ip(i-1),
…
,ip(i-n 1))；
[0112]
特征向量f3：
[0113]
特征向量f4：
[0114]
特征向量f5：
[0115]
特征向量f6：
[0116]
因此，本发明用以上6维的信号故障特征向量来表征原边过流的故障信号。
[0117]
其次，说明基于信号故障特征向量的决策树诊断模型的建模。
[0118]
基于现场故障案例数据，利用决策树分类方法进行故障分类建模。
[0119]
决策树(decision tree)是数据挖掘中十分常用的一种分类方法，它在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。
[0120]
由于这种决策分支画成图形很像一棵树的枝干，故称决策树。
[0121]
在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。
[0122]
决策树以信息熵和信息增益为衡量标准，从而实现对数据的归纳分类。信息熵(entropy)是用来衡量一个随机变量出现的期望值。如果信息的不确定性越大，熵的值也就越大，出现的各种情况也就越多。
[0123]
在本实施例中，离线学习模块，对不同类型原边过流故障数据，计算得到对应的6个信号故障特征向量，对其进行随机排序后选取其中80％进行训练，剩余20％进行模型分类准确性计算，得到牵引变压器过流故障的决策树诊断模型。
[0124]
更进一步的，决策树诊断模型，采用决策树算法分类，建立故障类型与信号故障特征向量之间的对应数值关系。
[0125]
在本实施例中，决策树诊断模型通过以下方式建立：
[0126]
对不同类型原边过流故障数据作为样本特征数据随机选取80％后，计算每个样本的信号故障特征向量f1～f6，再根据现场故障案例实际结果对其进行故障类型的标注。
[0127]
在本实施例中，故障类型包括c1～c4，依次为牵引变压器故障、牵引变流器故障、
弓网接触不良和励磁涌流。
[0128]
从而，本发明的离线学习模块，采用决策树算法进行分类，建立故障类型c1～c4与信号故障特征向量f1～f6之间的对应数值关系模型。
[0129]
最后，说明在线诊断保护模块的故障分类与保护隔离策略。
[0130]
图3揭示了根据本发明一实施例的故障分类与保护隔离策略优化原理图，如图3所示，本发明的在线诊断保护模块，结合建立的决策树诊断模型，采用if-else的条件判断规则，实现在线故障诊断和保护。
[0131]
在一实施例中，所述if-else的条件判断规则为通过采集的原边电压和原边电流，结合故障分类使能标志，提取相关的信号故障特征向量f1～f6，根据建立的决策树诊断模型，判断对应的故障诊断结果。
[0132]
为了保证分类结果的可靠性，本发明的故障分类单元，采用固定周期滑动窗口，对滑窗内信号故障特征向量进行分类判别，检测对应的故障类型，将每个滑动窗口的分类判别结果数据汇总，得到共有n＝tc/ts个分类判别结果，统计分类判别结果中分别为故障类型c1～c4的个数。
[0133]
假设结果为c1～c4的数量依次为n1～n4，则最终故障决策结果为数值最大的故障类型。
[0134]
上述分类方法为重心法，通过上述故障分类方法，实现最终故障诊断结果的决策输出。
[0135]
更进一步的，本发明根据故障诊断结果执行对应的保护隔离策略，保护隔离策略包括：
[0136]
当故障诊断结果为牵引变压器故障c1时，断开主断路器，故障一次禁止高压；
[0137]
当故障诊断结果为牵引变流器故障c2时，断开主断路器，不隔离；
[0138]
当故障诊断结果为弓网接触不良c3时，封锁所有脉冲，不隔离；
[0139]
当故障诊断结果为励磁涌流c4时，不保护，仅显示故障。
[0140]
针对当前轨道交通车辆对牵引变压器过流保护动作单一，不能识别具体故障源并执行差异化保护动作的缺点，本发明提出了一种牵引变压器过流诊断保护装置及方法，利用现有车载牵引控制系统，对造成牵引变压器过流的故障源进行在线识别诊断并基于识别结果来执行差异化的保护动作，有效提高设备可用性，提升列车运用效率，在各种故障情况下，均实现了故障定位，得出了准确诊断结果。
[0141]
本发明提出了一种牵引变压器过流诊断保护装置及方法，实现牵引变压器过流的故障源精确识别并基于不同故障源进行差异化保护，具体具有以下有益效果：
[0142]
1)实现牵引变压器过流的各类故障源在线精确定位；
[0143]
2)基于具体故障点执行差异化保护隔离动作，提升列车可用性；
[0144]
3)不需要改变现有硬件，工程实现简单。
[0145]
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
[0146]
如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一
种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0147]
上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。