CN103398769B - 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 - Google Patents
基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 Download PDFInfo
- Publication number
- CN103398769B CN103398769B CN201310337342.8A CN201310337342A CN103398769B CN 103398769 B CN103398769 B CN 103398769B CN 201310337342 A CN201310337342 A CN 201310337342A CN 103398769 B CN103398769 B CN 103398769B
- Authority
- CN
- China
- Prior art keywords
- transformer
- ggd
- parameter
- layer
- unbalanced
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 title claims abstract description 38
- 238000012706 support-vector machine Methods 0.000 title abstract description 8
- 210000003746 feather Anatomy 0.000 title abstract 5
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 38
- 230000001133 acceleration Effects 0.000 claims description 13
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000003068 static effect Effects 0.000 abstract 1
- 238000000354 decomposition reaction Methods 0.000 description 24
- 238000003745 diagnosis Methods 0.000 description 11
- 238000004804 winding Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002828 fuel tank Substances 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法,属于变压器故障检测领域,本发明为解决现有将小波分析应用到变压器故障检测中进行特征提取时所存在的缺陷。本发明方法包括:一、采集变压器振动信号;二、进行低通滤波处理,去除高频噪声信息,获取降噪振动信号,三、对降噪振动信号按时间序列进行分段处理,并利用Daubechies小波系列的db20小波进行五层静态小波分析,提取各层小波变换的GGD参数,五层GGD参数组合一起作为故障检测特征数据;分别作为训练样本和测试样本;四、利用训练样本对SVM检测器进行训练;五、将测试样本输入到训练好的SVM检测器中,实现变压器的在线故障检测。
Description
技术领域
本发明涉及基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法,属于变压器故障检测领域。
背景技术
变压器作为电力系统的枢纽设备,其能否安全可靠运行是整个电网安全运行的关键。要使主变压器安全运行,提高供电可靠率,就必须提高主变压器的运行、维护和检修水平。其中对它进行有效的故障监测,对保证其安全运行和提高电力系统的可靠性都有着十分重要的作用。因此开展变压器运行状态监测是一项颇具现实意义的工作。
长期的理论研究与工程实践中,在变压器的故障监测方面已经实现了一些有效的技术手段与方法,也获得了很多研究成果。目前对电力变压器的故障监测方法主要分为3类:(1)绝缘状态监测;(2)机械故障检测;(3)电气故障监测。但由于各种原因的限制,目前尚无一种十分完善且切实可行的方法应用到实际当中,因此解决已有方法的不足和开展新方法的研究是非常必要的。近年来,基于振动信号测试的变压器故障诊断法逐渐成形并已经成为常规方法的有力补充。该方法简单可靠,仅通过吸附于变压器器身的振动加速度传感器采集信号,监测系统与变压器之间没有电气连接,对电网没有任何影响,且能克服传统方法只能离线检测的不足,可以对变压器机械故障进行实时在线监测,因此已成为当前电力系统变压器故障诊断领域一个新的研究热点。
基于振动信号测试的变压器故障诊断系统是通过对采集到的振动信号进行分析并提取特征,并根据此特征对变压器铁心和绕组的机械状况进行评估。该系统成功的关键在于如何从振动信号中提取有效的特征信息并建立振动信号特征与故障的对应关系。实验表明当变压器出现故障时,其振动信号呈现非平稳特性。小波分析作为一种新的时频分析方法具有自由调整时频带宽的优点,在变压器故障诊断领域得到了初步应用。然而目前基于小波分析的变压器振动信号故障诊断方法都是在小波分解的系数满足高斯分布这一假设的基础上进行的,而在实际情况中,传统的高斯分布假设是与小波变换的压缩特性相冲突的。
SVM算法因其良好的非线性区分能力已广泛应用于变压器故障诊断领域。需要说明的是,传统的SVM方法是一种基于训练样本均衡假设条件下的有监督分类方法。然而在变压器故障诊断领域,故障样本不易收集,导致训练样本不均衡,严重影响SVM算法的泛化性能,进而使传统SVM方法难以在实际变压器故障诊断领域中应用。
发明内容
本发明目的是为了解决现有将小波分析应用到变压器故障检测中进行特征提取时所存在的缺陷以及SVM算法在变压器故障诊断领域无法实际应用这一不足,提供了一种基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法。
本发明所述基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法,该方法包括以下步骤:
步骤一、利用安装在变压器机箱上的振动加速传感器来采集变压器振动信号;
步骤二、对步骤一获取的变压器振动信号进行低通滤波处理,去除高频噪声信息,获取降噪振动信号,
步骤三、对步骤二获取的降噪振动信号按时间序列进行分段处理,并对分段后的时间序列利用Daubechies小波系列的db20小波进行五层静态小波分析,提取各层小波变换的GGD参数,五层GGD参数组合一起作为故障检测特征数据;
将得到的多组故障检测特征数据的一部分作为训练样本,另一部分作为测试样本;
步骤四、利用步骤三获取的训练样本对不均衡K-均值下采样集成SVM检测器进行训练,选择高斯核函数,其中惩罚参数设置和高斯核宽度参数设置由grid Search方法确定;
步骤五、将步骤三获取的测试样本输入到步骤四训练好的不均衡K-均值下采样集成SVM检测器中,分析检测器输出的结果,得到变压器的工作状态,实现变压器的在线故障检测。
本发明的优点:本发明提出了基于小波系数广义高斯分布参数为特征的变压器故障检测方法,该方法能有效克服以小波分解系数确定的小波能量谱和能量谱熵为特征的方法须依赖高斯分布这一前提假设的不足,从而提高了基于SVM变压器故障在线检测器的检测性能。在本发明SVM算法中,为了能够将传统SVM算法应用在实际的变压器故障诊断领域,首先通过K-均值聚类下采样将训练样本均衡化。另外为了能进一步提高SVM算法性能,结合样本均衡化方法随机性的特点,通过将每次得到的不均衡SVM基分类器进行集成,设计出一个不均衡K-均值下采样集成SVM分类器方法用于后期的变压器实际故障诊断。
附图说明
图1是本发明所述基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法的流程图;
图2是变压器振动信号传递示意图;
图3是四种状态下的振动信号时域图;
图4是正常状态下变压器振动信号五层db20小波分解图;
图5是不同状态下经db20小波分解后第一层小波系数GGD中的正常信号的统计特征概率图;
图6是不同状态下经db20小波分解后第一层小波系数GGD中的轻微故障信号的统计特征概率图;
图7是不同状态下经db20小波分解后第一层小波系数GGD中的中度故障信号的统计特征概率图;
图8是不同状态下经db20小波分解后第一层小波系数GGD中的严重故障信号的统计特征概率图;
图9是不同状态下经db20小波分解后第二层小波系数GGD中的正常信号的统计特征概率图;
图10是不同状态下经db20小波分解后第二层小波系数GGD中的轻微故障信号的统计特征概率图;
图11是不同状态下经db20小波分解后第二层小波系数GGD中的中度故障信号的统计特征概率图;
图12是不同状态下经db20小波分解后第二层小波系数GGD中的严重故障信号的统计特征概率图;
图13是不同状态振动信号db20小波分解后第一层小波变换GGD均值μ1的均值对比图;图中横坐标中:1表示正常,2表示轻微故障,3表示中度故障,4表示严重故障;
图14是不同状态振动信号db20小波分解后第一层小波变换尺度参数α1的均值对比图;
图15是不同状态振动信号db20小波分解后第一层小波变换形状参数β1的均值对比图;
图16是不同状态振动信号db20小波分解后第二层小波变换GGD均值μ2的均值对比图;
图17是不同状态振动信号db20小波分解后第二层小波变换尺度参数α2的均值对比图;
图18是不同状态振动信号db20小波分解后第二层小波变换形状参数β2的均值对比图;
图19是不同特征提取方法分类性能的实验对比结果图;
图20是正常与轻度故障分类性能的实验对比结果图;
图21是正常与中度故障分类性能的实验对比结果图;
图22是正常与严重故障分类性能的实验对比结果图。
具体实施方式
具体实施方式一:下面结合图1至图4说明本实施方式,本实施方式所述基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法,该方法包括以下步骤:
步骤一、利用安装在变压器机箱上的振动加速传感器来采集变压器振动信号;
步骤二、对步骤一获取的变压器振动信号进行低通滤波处理,去除高频噪声信息,获取降噪振动信号,
步骤三、对步骤二获取的降噪振动信号按时间序列进行分段处理,并对分段后的时间序列利用Daubechies小波系列的db20小波进行五层静态小波分析,提取各层小波变换的GGD参数,五层GGD参数组合一起作为故障检测特征数据;
将得到的多组故障检测特征数据的一部分作为训练样本,另一部分作为测试样本;
步骤四、利用步骤三获取的训练样本对不均衡K-均值下采样集成SVM检测器进行训练,选择高斯核函数,其中惩罚参数设置和高斯核宽度参数设置由grid Search方法确定;
步骤五、将步骤三获取的测试样本输入到步骤四训练好的不均衡K-均值下采样集成SVM检测器中,分析检测器输出的结果,得到变压器的工作状态,实现变压器的在线故障检测。
本实施方式针对背景技术中目前小波分析应用到变压器故障检测器中进行特征提取存在的缺陷,提出一种基于小波域广义高斯密度特征的支持向量机算法(SVM)变压器故障检测方法。本发明将首先对信号进行小波分解,然后根据各个频域的信息进行广义高斯估计,并利用得到的广义高斯模型参数作为信号特征,并利用SVM进行变压器故障的检测。
步骤一中的变压器振动信号的来源为铁心振动或绕组振动。
国内外的研究和试验证明,变压器本体的振动主要取决于铁心和绕组的振动,并经变压器冷却系统以及其它辅助构件传递到油箱表面,其中包含着丰富的信息,我们能够从这其中挖掘出反映变压器状态的特征量,振动信号传递过程如图2所示。
利用安装在变压器机箱上的振动加速传感器来收集几种变压器常见运行状态的振动信号:(1)正常状态;(2)轻微故障;(3)中度故障;(4)严重故障。其中采样频率为5KHz。图3给出了四种状态下的振动信号时域图。
铁芯振动是由磁致伸缩和磁力引起的,且磁致伸缩的变化周期为电源电流周期的一半。由于我国电网的电流频率为50Hz,因此磁致收缩力的频率是其2倍,即基频为100Hz。由于磁致伸缩现象具有非线性的特点,所以铁芯所受磁致伸缩力的频率还存在着以100Hz为基频的高阶谐波分量。绕组的振动是在漏感的影响下由线圈中的电流相互作用产生电动力引起的。而电动力正比于电流的平方,故绕组振动的主要谐波分量为负载电流频率的2倍,即100Hz。
因此,变压器箱体振动信号的频率分布是以l00Hz为基频,伴随有其它高次谐波分量,并在1500Hz左右己经基本衰减为零。相关文献表明,冷却系统的振动频率主要集中在100HZ以下,这使变压器冷却系统振动与本体的振动特性明显不同,故比较容易将其与变压器箱体振动信号区分开。
假设振动信号的最高频率为1280Hz,为了能区分出低于100Hz和高于100Hz的频率及其高阶谐波频率成分,这里采用五层小波分解,步骤三中五层静态小波分析时,当振动信号最高频率为1280Hz时,则频域分辨率区间分别为[0,80],[80,160],[160,320],[320,640],[640,1280]。如图实例中一个正常变压器振动信号的小波分解图,如图4所示。
步骤三中五层GGD参数组合一起作为故障检测特征数据为:
T=(μ1,α1,β1;μ2,α2,β2;μ3,α3,β3;μ4,α4,β4;μ5,α5,β5),
其中:μ1,α1,β1为第一层小波变换GGD参数,μ1为第一层小波变换GGD均值,α1为第一层小波变换尺度参数,β1为第一层小波变换形状参数;
μ2,α2,β2为第二层小波变换GGD参数,μ2为第二层小波变换GGD均值,α2为第二层小波变换尺度参数,β2为第二层小波变换形状参数;
μ3,α3,β3为第三层小波变换GGD参数,μ3为第三层小波变换GGD均值,α3为第三层小波变换尺度参数,β3为第三层小波变换形状参数;
μ4,α4,β4为第四层小波变换GGD参数,μ4为第四层小波变换GGD均值,α4为第四层小波变换尺度参数,β4为第四层小波变换形状参数;
μ5,α5,β5为第五层小波变换GGD参数,μ5为第五层小波变换GGD均值,α5为第五层小波变换尺度参数,β5为第五层小波变换形状参数。
步骤四中不均衡K-均值下采样集成SVM分类器的实现方法如下:首先利用K-均值算法对正常样本聚类,其中聚类个数与故障样本数目相同,然后在每个聚类中随机采样一个正常样本,实现训练样本间的均衡,再将采样后的正常样本同故障样本结合训练SVM分类器,得到每个不均衡基分类器,最后利用投票策略对这些基分类器进行集成,得到最终的不均衡K-均值下采样集成SVM检测器。
步骤四中惩罚参数设置和高斯核宽度参数g设置由grid Search方法确定,具体选取原则:使惩罚参数c和g在[0.1,200]范围内取值,对于取定的c和g,利用3-CV方法得到在此组c和g下训练集验证分类的准确率,最终取使得训练集验证分类准确率最高的那组c和g作为最佳参数;
如果有多组的c和g对应于最高的验证分类准确率,这里就选取能够达到最高验证分类准确率中参数c最小的那组c和g作为最佳参数;如果对应最小的c有多组g,就选取搜索到的第一组c和g作为最佳参数。
这样选取是因为过高的c会导致过学习状态的发生,即训练集分类准确率很高而测试集分类准确率很低(分类器的泛化能力降低),所以在能够达到最高验证分类准确率的所有成对的c和g中认为惩罚参数c较小的是更佳的选择对象。
最后将优化得到的参数作为最终的模型参数,然后利用训练得到的SVM模型作为最终的变压器故障检测器。
步骤四中对SVM检测器进行训练:
由于SVM算法事先需要数目相同的不同类别样本进行训练,才能获得最终具有良好泛化能力的检测模型。而在实际的变压器故障检测领域,故障样本是很难收集的,即使得到了故障样本,其数量相对于正常样本而言也是相当少的。SVM算法在这种不均衡样本情况下进行训练,会导致分类边界向样本数量少的一类(即故障样本)方向偏移,从而增加故障样本的错分几率,即漏检率增大。然而在故障诊断领域中,漏检率的危害要远远大于误检率,因此如何提高在不均衡故障数据下支持向量机的检测性能一直是学者关注的重点。针对SVM算法在变压器故障诊断领域无法实际应用这一不足,本发明提出基于K-均值下采样集成SVM方法,首先利用K-均值算法对正常样本聚类,然后在每个聚类中随机采样正常样本,再将采样后的正常样本同故障样本结合训练SVM分类器,得到每个不均衡基分类器,最后利用投票策略对这些基分类器进行集成,得到最终的不均衡K-均值下采样集成SVM检测器。具体步骤如下:
步骤1、首先设定正常样本的聚类个数,这里将其设置为与故障样本数目相同kn,同时设定基分类器的个数R,以及其他SVM算法的参数,循环变量i=0;
步骤2、利用K-均值对正常样本集合进行聚类得到A1,…,Akn,
步骤3、随机选择每一个聚类Aj的一个正常样本
S={sj,sj∈Aj,j=1,2,…,kn,|S|=kn}
步骤4、将采样得到的正常样本子集Si同故障样本F结合作为训练样本进行训练,得到不均衡基分类器Li;
步骤5、计算Li的训练错误ei;大于0.5则返回步骤3,否则如果ei≠0,计算权重为 否则αi=5;
步骤6、循环次数i=i+1,如果大于R则循环结束,否则返回步骤3;
步骤7、输出基分类器Li以及其权重αi;
最终不均衡K-均值下采样集成SVM分类器的判决函数为:
具体实施方式二:下面结合图1至图22说明本实施方式,本实施方式中给出一个具体实施例。
首先进行故障样本收集:为了反映箱体振动特征,并能最大限度避免绕组和铁芯振动的衰减,需要选择多个振动传感器。本实施例中选择6个振动加速度传感器,分别固定在变压器油箱侧面和上下端部,其中油箱侧面布置4个振动加速度传感器,油箱上下端部各布置1个振动加速度传感器,位于上下端面的正中间。振动加速度传感器通过永磁体牢固地吸附于变压器绕组对应侧面的1/2处,且永磁体表面涂有一层绝缘漆,保证了振动加速度传感器外壳的“浮地”,因此具有较好的抗电磁干扰能力。
通过改变绕组间垫块的厚度,从而改变变压器绕组的压紧状况,使变压器绕组出现轻微的几何尺寸变化(变形故障),以测量变压器绕组在不同状态下的振动加速度信号。在人为设置绕组故障并使变压器工作一段时间后,利用振动加速度传感器从变压器箱体上采集箱体振动信号。信号采样频率为3kHz,采样点数16000个,并将振动数据送至PC机上进行处理。为了消除随机影响,各状态下连续进行试验10次,得到变压器高压侧的振动数据。图3给出了一组各种状态下的变压器振动信号。从原始信号的时域波形图中可以看出,故障前后的振动加速度信号没有明显的差异,仅从时域图上并不能确定绕组是否故障以及故障严重程度,需对信号作进一步分解处理,以提取更详细的反映故障的特征向量。
根据上述步骤,本发明采用的是实验室模拟故障得到的变压器四种运行状态数据,该数据的故障检测特征是由正常样本、轻微故障样本、中度故障样本和严重故障样本四种13维矢量组成,为保证检测器的通用性,将实验数据样本分为正常样本和故障样本,实验数据分为训练数据和测试数据。
检测性能指标:检测性能指标为分类准确率,即在相同样本下,比较利用各种算法分类后分类正确的样本个数占总样本数的比例。
具体数据:选择前面生成的1000个正常样本、1000个轻微故障数据、1000个中度故障数据和1000个严重故障数据组成训练集合,每一段信号长度为1024。首先对不同状态下的振动信号进行db20静态小波分解,图4为正常状态下振动信号的小波分解结果。接下来利用GGD概率密度对不同状态下的五层小波系数进行统计特征估计并拟合,第一层结果如图5至图8所示,设定变压器振动信号的频率最高为1500Hz,因此第一层分解后的信息代表的频率范围为[725,1500],其值分别为正常信号:μ1=1.6480e-017,α1=1.0366,β1=2.0820;轻微故障信号:μ1=3.9031e-018,α1=2.8464,β1=1.8198;中度故障信号:μ1=3.9031e-017,α1=8.3634,β1=1.9623;严重故障信号:μ1=8.9772e-017,α1=8.6147,β1=2.0128。对不同状态下的第二层小波系数进行统计特征估计,其频率范围大约在[362,725],并利用GGD概率密度对该层小波系数进行拟合,结果如图7所示。其值分别为正常信号:μ2=-1.8215e-017,α2=4.0759,β2=3.7186;轻微故障信号:μ2=-6.9931e-018,α2=4.7313,β2=2.5444;中度故障信号:μ2=1.7347e-018,α2=9.1263,β2=2.0861;严重故障信号:μ2=7.3726e-017,α2=13.7224,β2=2.6831。从实验结果可以看出,各种不同状态下的变压器振动信号在不同层分解系数的统计特征不同。因此,可以说本专利提出的特征提取方法是可行的。为了说明各种不同状态下振动信号GGD特征参数的统计对比,实验中分别选择1000个不同状态的样本组成测试样本集合,分别计算GGD特征参数并计算其均值,图13至图15是第一层小波系数GGD特征的均值对比结果,图16至图18是第二层小波系数GGD特征的均值对比结果。从结果中不难看出,在统计意义下该特征也具有明显的区分能力。
为了验证本专利建议的基于GGD统计特征的变压器故障检测方法的性能,实验中将本文方法同基于能量谱以及能量谱熵的检测方法进行比较,实验迭代次数为20次,取20次实验的平均值作为最终的结果。其中SVM的核函数为高斯函数,采用本文建议的gridSearch方法选择出的最佳核宽度为0.35,惩罚因子为C=1000,实验结果如图19所示。从这些实验结果可以看出,针对不同状态下的故障检测(正常:轻微;正常:中度;正常:严重),本文算法的检测性能大多要优于其他两种算法,这是由于本文算法充分考虑到了每层小波系数的统计特征,采取的密度函数更适合小波分解的特点,因此以该函数参数为特征的故障检测性能会大大提高。
为了验证本发明所述的不均衡K均值下采样集成SVM变压器故障检测方法的性能,实验中将本发明方法同传统SVM算法进行比较,故障特征为上述GGD小波统计特征。实验参数为:基分类器个数R=20,按照2:1,5:1,10:1,20:1,50:1,100:1的不均衡比例来选取轻微,中度和严重的故障样本。对比指标采用兼顾漏检率和误检率的几何平均正确率(G-MEAN)性能指标,由于性能指标G-MEAN综合考虑了少数类和多数类两类样本的分类性能,如果分类器分类偏向于其中一类会影响另一类的分类正确率,则G-MEAN值会很小。实验结果如图20~22所示,可以看出本发明方法的分类性能在不同不均衡比例下都明显优于传统SVM方法。这是由于传统SVM算法在不均衡样本训练情况下分类界面会向故障样本方向偏移,导致漏检率增大,进而使G-MEAN性能指标下降。
Claims (5)
1.基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法,其特征在于,该方法包括以下步骤:
步骤一、利用安装在变压器机箱上的振动加速传感器来采集变压器振动信号;
步骤二、对步骤一获取的变压器振动信号进行低通滤波处理,去除高频噪声信息,获取降噪振动信号,
步骤三、对步骤二获取的降噪振动信号按时间序列进行分段处理,并对分段后的时间序列利用Daubechies小波系列的db20小波进行五层静态小波分析,提取各层小波变换的GGD参数,五层GGD参数组合一起作为故障检测特征数据;
将得到的多组故障检测特征数据的一部分作为训练样本,另一部分作为测试样本;
步骤四、利用步骤三获取的训练样本对不均衡K-均值下采样集成SVM检测器进行训练,选择高斯核函数,其中惩罚参数设置和高斯核宽度参数设置由grid Search方法确定;
步骤五、将步骤三获取的测试样本输入到步骤四训练好的不均衡K-均值下采样集成SVM检测器中,分析检测器输出的结果,得到变压器的工作状态,实现变压器的在线故障检测。
2.根据权利要求1所述基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法,其特征在于,步骤三中五层GGD参数组合一起作为故障检测特征数据为:
T=(μ1,α1,β1;μ2,α2,β2;μ3,α3,β3;μ4,α4,β4;μ5,α5,β5),
其中:μ1,α1,β1为第一层小波变换GGD参数,μ1为第一层小波变换GGD均值,α1为第一层小波变换尺度参数,β1为第一层小波变换形状参数;
μ2,α2,β2为第二层小波变换GGD参数,μ2为第二层小波变换GGD均值,α2为第二层小波变换尺度参数,β2为第二层小波变换形状参数;
μ3,α3,β3为第三层小波变换GGD参数,μ3为第三层小波变换GGD均值,α3为第三层小波变换尺度参数,β3为第三层小波变换形状参数;
μ4,α4,β4为第四层小波变换GGD参数,μ4为第四层小波变换GGD均值,α4为第四层小波变换尺度参数,β4为第四层小波变换形状参数;
μ5,α5,β5为第五层小波变换GGD参数,μ5为第五层小波变换GGD均值,α5为第五层小波变换尺度参数,β5为第五层小波变换形状参数。
3.根据权利要求1所述基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法,其特征在于,步骤三中五层静态小波分析时,当振动信号最高频率为1280Hz时,则频域分辨率区间分别为[0,80],[80,160],[160,320],[320,640],[640,1280]。
4.根据权利要求1所述基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法,其特征在于,步骤四中不均衡K-均值下采样集成SVM检测器的实现方法如下:首先利用K-均值算法对正常样本聚类,其中聚类个数与故障样本数目相同,然后在每个聚类中随机采样一个正常样本,实现训练样本间的均衡,再将采样后的正常样本同故障样本结合训练SVM检测器,得到每个不均衡基分类器,最后利用投票策略对这些基分类器进行集成,得到最终的不均衡K-均值下采样集成SVM检测器。
5.根据权利要求1所述基于小波GGD特征和不均衡K-均值下采样集成SVM的变压器在线故障检测方法,其特征在于,步骤一中的变压器振动信号的来源为铁心振动或绕组振动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310337342.8A CN103398769B (zh) | 2013-08-05 | 2013-08-05 | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310337342.8A CN103398769B (zh) | 2013-08-05 | 2013-08-05 | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103398769A CN103398769A (zh) | 2013-11-20 |
CN103398769B true CN103398769B (zh) | 2014-12-31 |
Family
ID=49562438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310337342.8A Active CN103398769B (zh) | 2013-08-05 | 2013-08-05 | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103398769B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI617108B (zh) * | 2016-12-08 | 2018-03-01 | Judgment system for transformer operation status in power supply network |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645249B (zh) * | 2013-11-27 | 2017-05-10 | 国网黑龙江省电力有限公司 | 基于精简集下采样不均衡svm变压器在线故障检测方法 |
CN104809328A (zh) * | 2014-10-09 | 2015-07-29 | 许继电气股份有限公司 | 一种基于信息瓶颈的变压器故障诊断方法 |
CN104237713B (zh) * | 2014-10-17 | 2016-08-31 | 国家电网公司 | 基于离散小波变换的变压器绕组形变诊断方法 |
CN104678223A (zh) * | 2015-03-06 | 2015-06-03 | 云南电网有限责任公司电力科学研究院 | 一种变压器绕组故障智能识别方法 |
CN107392259B (zh) * | 2017-08-16 | 2021-12-07 | 北京京东尚科信息技术有限公司 | 构建不均衡样本分类模型的方法和装置 |
CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
CN108593095A (zh) * | 2018-04-26 | 2018-09-28 | 盐城博鸣信息科技有限公司 | 一种换流变压器分接开关的振动故障信号采集处理方法 |
CN109581055A (zh) * | 2018-12-28 | 2019-04-05 | 广东电网有限责任公司 | 一种基于多分辨率分解法的变压器绕组故障类型检测方法 |
CN110320433A (zh) * | 2019-06-19 | 2019-10-11 | 广东石油化工学院 | 变压器异常状态振声检测的信号滤波方法和装置 |
CN110221155A (zh) * | 2019-06-24 | 2019-09-10 | 广东石油化工学院 | 一种基于振声的变压器异常状态的检测方法和装置 |
CN110286287B (zh) * | 2019-06-28 | 2021-07-09 | 广东石油化工学院 | 一种基于小波变换的变压器运行状态振声检测信号滤波方法和系统 |
CN110286289B (zh) * | 2019-06-30 | 2021-06-11 | 广东石油化工学院 | 一种变压器振声检测信号滤波方法 |
CN110320435A (zh) * | 2019-07-11 | 2019-10-11 | 广东石油化工学院 | 一种利用数据正则化的变压器运行状态振声检测信号重构方法和系统 |
CN110703148A (zh) * | 2019-09-23 | 2020-01-17 | 广东石油化工学院 | 一种利用海斯矩阵的变压器振声信号重构方法和系统 |
CN113326857B (zh) * | 2020-02-28 | 2022-09-23 | 合肥美亚光电技术股份有限公司 | 模型训练方法及装置 |
CN111382790B (zh) * | 2020-03-07 | 2023-09-29 | 北京工业大学 | 一种基于小波变换的高压直流故障分类方法 |
CN112326283A (zh) * | 2020-10-16 | 2021-02-05 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种基于小波分析的浓密机底流堵塞故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110116841A (ko) * | 2010-04-20 | 2011-10-26 | 목포대학교산학협력단 | 웨이블릿 변환을 이용한 적조 영상 분석 시스템 |
CN102510044A (zh) * | 2011-11-04 | 2012-06-20 | 上海电力学院 | 基于小波变换和概率神经网络的励磁涌流鉴别方法 |
CN102570392A (zh) * | 2012-01-17 | 2012-07-11 | 上海电力学院 | 基于改进概率神经网络的变压器励磁涌流鉴别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5582063B2 (ja) * | 2011-02-21 | 2014-09-03 | Jfeスチール株式会社 | 電力変換器の故障診断方法、及び故障診断装置 |
-
2013
- 2013-08-05 CN CN201310337342.8A patent/CN103398769B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110116841A (ko) * | 2010-04-20 | 2011-10-26 | 목포대학교산학협력단 | 웨이블릿 변환을 이용한 적조 영상 분석 시스템 |
CN102510044A (zh) * | 2011-11-04 | 2012-06-20 | 上海电力学院 | 基于小波变换和概率神经网络的励磁涌流鉴别方法 |
CN102570392A (zh) * | 2012-01-17 | 2012-07-11 | 上海电力学院 | 基于改进概率神经网络的变压器励磁涌流鉴别方法 |
Non-Patent Citations (2)
Title |
---|
JP特开2012-175794A 2012.09.10 * |
应用支持向量机的变压器故障组合预测;赵文清等;《中国电机工程学报》;20080905;第28卷(第25期);14-19 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI617108B (zh) * | 2016-12-08 | 2018-03-01 | Judgment system for transformer operation status in power supply network |
Also Published As
Publication number | Publication date |
---|---|
CN103398769A (zh) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103398769B (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
Pan et al. | Deep feature generating network: A new method for intelligent fault detection of mechanical systems under class imbalance | |
CN103645249B (zh) | 基于精简集下采样不均衡svm变压器在线故障检测方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN103033567B (zh) | 一种基于导波的管道缺陷信号识别方法 | |
CN105547465A (zh) | 一种变压器振动信号绕组状态特征提取方法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN110879254A (zh) | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 | |
CN109472288A (zh) | 一种抽水蓄能机组振动混合特征提取与分类方法 | |
CN102510044A (zh) | 基于小波变换和概率神经网络的励磁涌流鉴别方法 | |
CN104318305B (zh) | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 | |
CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
CN113866684B (zh) | 一种基于混合采样和代价敏感的配电变压器故障诊断方法 | |
CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
CN106932184A (zh) | 一种基于改进层次聚类的变压器故障诊断方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
Chen et al. | An adversarial learning framework for zero-shot fault recognition of mechanical systems | |
Deng et al. | Adaptive parametric dictionary design of sparse representation based on fault impulse matching for rotating machinery weak fault detection | |
Wei et al. | Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze transform | |
Li et al. | The Application of AE Signal in Early Cracked Rotor Fault Diagnosis with PWVD and SVM. | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
Song et al. | State Diagnosis of Elevator Control Transformer over Vibration Signal Based on MEA‐BP Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |