一种基于局部均值分解与支持向量机的变压器绕组松动识别方法与流程

1.本发明属于电力变压器机械故障诊断技术领域，尤其涉及一种基于局部均值分解与支持向量机的变压器绕组松动识别方法。


背景技术：

2.变压器在电力系统中，结构复杂，价格高，对电力系统的安全稳定运行具有关键性作用，一旦变压器出现故障造成停电，将会导致重大的经济损失。所以对变压器运行情况进行监测及故障诊断，提前发现故障隐患并消除，提高变压器可靠性，对于保证变压器可靠运行具有重要意义。
3.变压器由于运行时间长，容易出现各种故障，比如铁芯松动、绕组变形、变形等。目前对电力变压器绕组、铁芯等机械故障状态监测方法有：短路阻抗法、低压脉冲法、频率响应分析法。短路阻抗法试验时间长，精度不高，需要投入大量的分析验证工作。频率响应法存在诊断滞后，对变压器机械故障无法有效诊断等缺陷。其中，近年来，振动分析法成为变压器机械故障诊断的热点。相比其他方法，振动法与变压器无电气连接，具有较强的抗干扰能力、可靠的监测变压器状态。因此，本发明利用变压器合闸瞬间的振动信号，提出了一种基于局部均值分解与支持向量机的变压器绕组松动识别方法。


技术实现要素：

4.针对上述问题，本发明提供了一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，解决了现有技术中诊断方法误判的问题。
5.为了解决上述技术问题，本发明提出的技术方案是：一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，包括以下步骤：步骤1：分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号；步骤2：对采集的振动信号进行局部均值分解，得到各pf分量；对电力变压器合闸瞬间的振动信号分解成n个pf分量与一个残差函数r之和，即：；步骤3：计算各pf分量的能量值与奇异值以及重构信号的排列熵与奇异谱熵值；步骤4：通过fisher
‑
score法选出精度较高的特征来构成特征向量组；定义fisher score为：
；式中：为样本第i个特征的均值；为样本第i各特征在第k类的均值；h为样本总数；为第k类样本个数；为第i个特征在第j个样本的值；越小，特征更能识别故障；步骤5：将振动信号分为训练样本集和测试样本集，利用训练样本集对模拟退火优化的支持向量机模型进行训练；步骤6：用得到的支持向量机模型作为分类器对测试样本集进行分类识别，实现故障诊断。
6.上述方案的进一步改进在于：所述步骤2中，所述分解是指从复杂的原始信号中分离出纯调频信号和包络信号，将纯调频信号和包络信号相乘便可以得到一个瞬时频率具有物理意义的pf函数分量。
7.上述方案的进一步改进在于：所述步骤3中，对局部均值分解后的各pf分量时间序列离散化，计算各pf分量的能量e
i
构成能量特征向量；将k个pf分量组成分量矩阵作为初始矩阵，并对其作奇异值分解，得到不同频率的特征奇异值；对局部均值分解的各pf分量加以筛选，重新构造信号。利用构造信号计算排列熵和奇异谱熵。
8.上述方案的进一步改进在于：所述步骤三中， pf分量能量值e
i
求解如下：；式中：n为各采样点；m为采样点总数。
9.对pf分量能量值进行归一化处理如下：；则可得到能量特征向量为：；（2）pf分量奇异值求解如下：把pf分量组成特征向量矩阵，对u进行奇异值分解，得到能反应变压器绕组状态的特征值。
10.（3）重构信号的排列熵求解如下:设定一个阈值，把经过局部均值分解后的各pf分量加以筛选，与原信号相关度不高的分量剔除，剩下的分量重组构成信号。
11.排列熵定义为：；
式中：为嵌入维数；p
i
为第i中不同序列的概率。
12.（4）重构信号的奇异谱熵反映了信号的能量分布，能量分布越集中，熵越大；能量分布越离散，熵越小；即可以来表征变压器绕组不同状态。
13.上述方案的进一步改进在于：所述步骤4中，利用fisher
‑
score法选择一个具有鉴别力的特征量，所述特征量应与同一类别样本间的方差应尽可能小上述方案的进一步改进在于：所述步骤五具体如下：步骤5.1：设置metropolis初始值数目、惩罚因子及核函数参数上下限；步骤5.2：在核函数和参数的搜索范围内生成随机数，构成支持向量机的原始结构，用训练样本集来训练这一个初始的支持向量机，然后用该向量机模型对检测样本集分类，并计算精确度；步骤5.3：在该核函数和参数的范围生成一个随机的扰动，更新核函数和参数，再用样本集对其训练，得出新的支持向量机参数对应的模型，并对样本集分类，并计算精确度；步骤5.4：根据metropolis准则，接受或放弃新核函数和参数；步骤5.5：重复步骤5.3、步骤5.4、步骤5.5，完成迭代过程；步骤5.6：判断最优值是否符合要求，如果不满足，逐渐减小退火温度，重复步骤5.3、步骤5.4、步骤5.5，直到满足条件；否则，输出惩罚因子和核函数参数，及支持向量机模型与分类结果。
14.本发明的有益结果是：电力变压器合闸而产生励磁涌流的时刻，利用加速度传感器采集变压器合闸瞬间的振动信号，诊断样本充足且具备早期预警等优势。另外，励磁涌流波形复杂，冲击绕组后振动信号的信息丰富，利于故障分析，防止电力变压器在故障状态下继续运行；本发明用局部均值分解能将变压器合闸瞬间的非线性、非平稳的复杂信号高效的分解，同基于集合经验模态分解算法相比，其能够避免产生模态混叠现象，准确率更高。各pf分量的能量与奇异值，以及重构信号的排列熵与奇异谱熵蕴含变压器的故障特征，利用fisher
‑
score法能从这些特征向量中选出最能反映故障的特征，提高故障诊断能力；本发明利用模拟退火算法自动寻找最优的核函数及其参数，应用到变压器合闸瞬间的绕组松动识别问题，在一定程度上降低了人为选择参数的难度，提高了计算效率。
附图说明
15.图1为本发明实施例的流程图。
16.图2为本发明实施例的电抗器匝间短路等效电路模型图。
具体实施方式
17.以下将结合附图，对本发明的技术方案进行详细说明。
18.本发明提供了一种基于局部均值分解与支持向量机的变压器绕组松动故障识别方法，具体流程见图1，所述方法包括以下步骤：步骤1：分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号。
19.步骤2：对采集的振动信号进行局部均值分解，得到各pf分量。
20.对电力变压器合闸瞬间的振动信号分解成n个pf分量与一个残差函数r之和，即：；步骤3：计算各pf分量的能量值与奇异值以及重构信号的排列熵与奇异谱熵值。
21.所述步骤三中， pf分量能量值e
i
求解如下：；式中：n为各采样点；m为采样点总数。
22.对pf分量能量值进行归一化处理如下：；则可得到能量特征向量为：；（2）pf分量奇异值求解如下：把pf分量组成特征向量矩阵，对u进行奇异值分解，得到能反应变压器绕组状态的特征值。
23.（3）重构信号的排列熵求解如下:设定一个阈值，把经过局部均值分解后的各pf分量加以筛选，与原信号相关度不高的分量剔除，剩下的分量重组构成信号。
24.排列熵定义为：；式中：为嵌入维数；p
i
为第i中不同序列的概率。
25.（4）重构信号的奇异谱熵反映了信号的能量分布，能量分布越集中，熵越大；能量分布越离散，熵越小；即可以来表征变压器绕组不同状态。
26.步骤4：通过fisher
‑
score法选出精度较高的特征来构成特征向量组。
27.定义fisher score为：；式中：为样本第i个特征的均值；为样本第i各特征在第k类的均值；h为样本总数；为第k类样本个数；为第i个特征在第j个样本的值；越小，特征更能识别故障；步骤5：将振动信号分为训练样本集和测试样本集，利用训练样本集对模拟退火优
化的支持向量机模型进行训练；步骤五具体如下：步骤5.1：设置metropolis初始值数目、惩罚因子及核函数参数上下限；步骤5.2：在核函数和参数的搜索范围内生成随机数，构成支持向量机的原始结构，用训练样本集来训练这一个初始的支持向量机，然后用该向量机模型对检测样本集分类，并计算精确度；步骤5.3：在该核函数和参数的范围生成一个随机的扰动，更新核函数和参数，再用样本集对其训练，得出新的支持向量机参数对应的模型，并对样本集分类，并计算精确度；步骤5.4：根据metropolis准则，接受或放弃新核函数和参数；步骤5.5：重复步骤5.3、步骤5.4、步骤5.5，完成迭代过程；步骤5.6：判断最优值是否符合要求，如果不满足，逐渐减小退火温度，重复步骤5.3、步骤5.4、步骤5.5，直到满足条件；否则，输出惩罚因子和核函数参数，及支持向量机模型与分类结果。
28.步骤6：用得到的支持向量机模型作为分类器对测试样本集进行分类识别，实现故障诊断。
29.实验变压器为sfz10
‑
31500/110油浸式电力变压器，采用jf
‑
2020压电式加速度传感器测量变压器正上方的振动信号，设置采样频率为10khz。实验过程中，为减小合闸瞬间产生的励磁涌流对结果所造成的影响，设置变压器绕组不完全松动、完全松动两种故障，分别测量五次信号。
30.将数据分为训练样本集和测试样本集，训练样本集用于支持向量机的训练，测试样本集用于模型的测试。采用基于模拟退火优化的支持向量机进行训练，如图2所示，取得的最优分类模型是：惩罚因子为0.25，核函数参数为4。为了验证本方法的效果，分别在变压器两种故障状态下进行集合经验模态分解，利用得到的模态分量计算其能量与奇异值以及重构信号的排列熵和奇异值熵，并用fisher
‑
score法对上述特性进行选择，取得最优的特征，出入到模拟退火优化的支持向量机训练，并测试该方法的故障诊断情况。此外，为了比较特征选择的有效性，将变压器空载合闸振动信号局部均值分解后的计算得到的全部特征输入到支持向量机训练与测试。结果表明，相比后两种方法，本发明的诊断精确度更好。
31.以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。