[发明专利]一种基于逻辑斯蒂回归的变压器涌流识别方法

说明书

本发明涉及一种基于逻辑斯蒂回归的变压器涌流识别方法，包括如下步骤：1.采集变压器发生涌流和内部故障时的三相差动电流录波数据；2.对采集的录波数据进行离散小波变换预处理；3.在小波域内对采集的录波数据进行奇异熵、灰度矩和分形维数特征抽取，构建表征涌流和内部故障特性的样本集；4.将构建的样本集输入至逻辑斯蒂回归分类器中进行模型训练，得到识别涌流和内部故障工况的决策函数；5.当产生新的录波数据时，结合当前决策函数判别结果与真实结果的一致性，采用自学习框架模式对当前决策函数进行再学习与更新。本发明具有原理简单、硬件要求低、抗干扰性强、适用范围广的优点，可用于变压器差动保护技术研究和工程实践中。

技术领域

本发明属于电力系统继电保护技术领域，具体涉及一种基于逻辑斯蒂回归的变压器涌流识别方法。

背景技术

近年来，随着超高压、大电网的建设，越来越多的大容量变压器投入使用。在空载合闸、区外故障切除恢复及多组变压器并列情况下，可能出现涌流问题，严重时会造成变压器保护装置异常，给电力系统的安全稳定运行造成不利影响。据统计，2005年以前，220kV及以上电力变压器保护的正确动作率仅70％～80％,远远低于发电机组保护和线路保护的正确动作率(约99％),之后，国内外学者及工程人员相继在此方面开展了大量理论和仿真实验研究，并取得了一定进步，使得变压器保护误动、拒动的次数显著降低，如2009年我国220kV以上变压器差动保护正确动作率达到97.83％。尽管如此，变压器保护仍然处于一个相对较低的水平，因此，作为影响其动作性能的关键——快速可靠识别涌流与内部故障就显得尤为重要。

区分变压器涌流和内部故障的方法很多，其中具有代表性的有：二次谐波制动识别、间断角识别、波形对称法识别、等值电路法识别、电压谐波制动识别、功率差动法识别及人工神经网络法识别。每一种方法都有其独到的优点，但同时也存在一定的局限性，如：二次谐波制动原理简单易于实现，但在变压器空投于内部故障或发生严重区内故障、直流偏磁等情况下，二次谐波含量非常大，较长时间闭锁差动保护可能导致保护延迟动作甚至拒动，此外，现阶段采用新结构和新工艺的变压器铁芯材料磁饱和点降低，使得涌流中二次谐波含量降低，可能导致保护误动；间断角识别可分相制动，但其受电流互感器饱和、非周期分量影响较大，易造成保护误动或拒动，且对设备硬件要求高，投资成本大；波形对称法可采用分相制动，但因波形受到多种因素影响，较大的不确定性可能导致保护误动或拒动；等值电路法避免了差动电流带来的影响，但受到变压器暂态模型、漏感等参数的制约；电压谐波制动动作快，但受电源阻抗影响大，整定起来较复杂；功率差动法不受涌流影响，避免了涌流产生的保护误动，但在反映区内故障时存在死区，此时需与其他方法配合使用；人工神经网络法容错能力强，但大量训练样本获取的困难限制了其应用扩展。因此，寻找一种适用性强的智能方法很有必要。

发明内容

一种基于逻辑斯蒂回归的变压器涌流识别方法，该方法包括如下步骤：

(1)采集变压器发生涌流和内部故障时的三相差动电流录波数据；

(2)对三相差动电流录波数据进行离散小波变换，并在小波域内提取奇异熵、灰度矩和分形维数指标，构建表征涌流与故障特征的样本集；

(3)将构建的特征样本集输入至逻辑斯蒂回归分类器中进行训练，获得分类器决策函数；

(4)将上述决策函数作为变压器涌流与内部故障判别模型进行保存并进行变压器涌流识别。

上述方法还可以包括分类器自学习步骤，对于新产生的录波数据，采用自学习框架模式进行判别模型的更新与保存，当新产生的录波数据采用已保存判别模型预测的类别与真实类别相符，且达到限定的模型更新时间时，或者当采用已保存判别模型预测的类别与真实类别不符时，更新特征样本集进行逻辑斯蒂回归分类器的再学习，并将获得的分类器决策函数作为新的变压器涌流与内部故障判别模型进行保存。

其中，表征涌流与故障特征的样本集构建具体包括：