（广西大学电气学院 530000）
摘要：本文基于小波包分解和支持向量机，提出了变压器差动保护中励磁涌流和内部故障电流鉴别的新方法。首先，采用离散小波变换来分解电流信号得到不同的频率分量，并计算这些频率分量的能量构成能量向量作为励磁涌流识别的特征参量。然后，将特征向量随机分为训练样本和测试样本。其中，将训练样本输入到支持向量机分类器中，得到能量特征参量与电流类型之间的映射关系，然后基于映射关系对测试样本进行分类，从而识别出电流的类型。为了研究该算法的准确性，利用matlab的simulink工具对励磁涌流和内部故障电流进行了波形仿真，作为实验的样本集。仿真结果表明，该方法能够准确地识别出变压器保护距离内的涌流和故障电流而且该方法相对与人工判断具有灵敏度高、可靠性高的优点，因此可以考虑将其应用到实际工程领域。
关键词：励磁涌流识别；内部故障电流；变压器；差动保护
引言
电力变压器是电力系统的基础和昂贵的设备。电力系统各设备的保护方案对其功能起着至关重要的作用。差动保护是电力变压器的主要保护，因此，差动保护的合理设计至关重要，直接影响到电力变压器的质量和可靠运行。差动保护的基本操作是基于比较流入和流出变压器保护区的电流。超过所定义的阈值的差动电流信号表明电力变压器中发生干扰。为了减轻变压器的损坏，减少电力系统中的干扰，故障检测必须准确、快速。然而，在差动保护运行中存在一些挑战，使得简单的故障电流检测不足。变压器过励磁、励磁涌流、电流互感器饱和、变压器分接头动作等情况是造成差动继电器误动作的主要原因。变压器端子电压的任何突然变化都会导致暂态电流进入电力变压器，称为励磁涌流[1]。励磁涌流电流是导致差动继电器不必要动作的重要原因之一。
通常，励磁涌流中含有大量的偶次谐波分量，尤其是二次谐波分量，而不是内部故障电流。因此，在励磁涌流的情况下，许多基于谐波抑制的技术被提出用于阻塞变压器[2]。但是，这些方法除了在谐波计算方面存在不足之外，还存在其他缺点，例如在某些情况下的内部故障与非线性问题[3]。
本文首先对小波分析的原理进行了介绍，阐述了能量特征向量的计算过程；然后，构建了基于支持向量机的电流分类模型对变压器励磁涌流进行识别。最后，基于matlab 的simulink工具对励磁涌流和两种内部故障电流进行了仿真，然后，应用本文励磁涌流识别模型对不通故障电流波形的能量特征向量进行训练和测试，最终验证本文方法的可靠性。
1 电流波形采集
本文选用Matlab中的Simulink电力系统仿真模块库对励磁涌流进行三项双绕组变压器的仿真模型如下图所示：
设置电源电压 35k V，频率 50Hz，A相初相角为0°。设置电源 Source2电压 35k V，频率 50Hz，A相初相角为0°。变压器内原副两侧的绕组电压分别为35k V（Vrms）、35k V（Vrms），额定容量为50MVA，频率为50Hz，绕组的接线方式为 Ygd11，选择饱和铁芯，变压器饱和特性取（i1，phi1；i2，phi2；i3，phi3；...）为 [0，0；0.0024，1.2；1.0，1.52]，三相剩磁取 Br=[0.6 0.6 -0.6]，仿真算法采用Ode23t。
2 小波分析与能量特征向量
小波变换（wavelet transform，WT）理论是基于快速傅里叶变换（FFT）技术发展起来的一种新型数字信号处理理论，它能够克服FFT的一些不足之处。例如，WT函数的形状可以发生改变，通过改变时间窗和频率窗来分析时频局部的特征。由于连续WT是对信号进行连续的积分计算，因此计算量十分庞大。在实际工程中，为了提高计算效率，通常使用离散小波变换（Discrete Wavelet Transformation，DWT）来对信号进行离散处理。
Mallat算法也称为小波快速算法，该算法基于多分辨分析理论对信号进行快速的分解和重构，即采用不同的低通函数对信号逐步依此进行分解，来获取不同尺度下的局部信号特征，以便对信号进行分析。通过Mallat算法，初始信号被低通滤波和高通滤波器分解为低频（近似）和高频（细节）部分。经过不断的分解，源信号便可以被分解为不同频段的子信号。对第三层重构系数八个频率成分的能量值进行计算：
其中，核函数K（xi，xj）用来实现SVM的非线性变换，它必须是满足Mercer定理的正定函数。
废了取得较好的分类效果，本文采用遗传算法（GA）对SVM进行了参数优化，构建基于遗传算法优化支持向量机（GA-SVM）的励磁涌流分类模型。
4 结果
本文的总体技术路线主要包括：“基于Matlab Simulink的励磁涌流和故障电流仿真”，“电流信号的能量特征分解”和“基于遗传算法优化支持向量机的电流分类模型”三个过程。首先，采用Matlab Simulin对变压器励磁涌流和每部故障电流进行仿真模拟，获取励磁涌流和3种常见的内部故障电流信号样本。然后，采用基于小波分析技术的信号能量分解方案对不同类型的电流信号样本进行分解，并从分解得到的分解树结构中选取八种频段的能量，将其作为电流识别模型的特征向量。最后，将八种特征向量归一化处理，并将其随机分为训练样本和测试样本。将训练样本输入到基于遗传算法优化支持向量机的电流信号分类识别模型中，然后输入测试样本计算电流分类是别的准确率。
表1 分类准确率
将仿真获得的 50 组励磁涌流样本与 100 组内部故障电流样本，作为训练 BP 的输入样本。另外的30 组励磁涌流样本和 60 组内部故障电流样本当作测试该网络的样本。将样本输入到GA-SVM分类模型中，可以得到各种电流的识别结果。分类准确率如下表所示。
从上表可知，虽然三种内部故障电流的识别准确率偏低，不过励磁涌流识别精度较高，测试样本的准确率达到了83.7%，可以验证本文方法的正确性和准确性。
参考文献：
[1]林湘宁，刘沛，程时杰． 基于小波包变换的变压器励磁涌流识别新方法［J］．中国电机工程学报，1999，8（19）：15-19．
[2]张晓，张建文，潘磊落． 基于小波变换的变压器励磁涌流和故障电流识别研究［J］． 电测与仪表，2012，10（49）：73-77．
[3]李永丽，贺家李． 电力变压器新型微机保护原理的研究［J］． 电力系统自动化，1995，7（19）：15-19.
论文作者:曾静,郑艺文,周汝翰
论文发表刊物:《河南电力》2018年12期
论文发表时间:2018/12/4
标签：电流论文; 样本论文; 向量论文; 励磁论文; 变压器论文; 故障论文; 信号论文; 《河南电力》2018年12期论文;