CN109029960A - 一种断路器机械状态检测方法 - Google Patents

Abstract

本发明公开了一种断路器机械状态检测方法，其包括下列步骤：采集正常工况下高压断路器分合闸振动信号；使用变分模式分解将振动信号分解为若干个固有模式函数分量，并使用粒子群算法对变分模式分解参数寻优；使用Hilbert变换计算振动信号的时频分布并作三维时频谱图；以1kHz为带宽对12kHz频带以内三维时频谱作频带划分，并使用数值积分方法计算每一个三维时频块与时频面围成的体积，将体积作为振动信号特征向量并作归一化处理；通过定义特征向量之间的相似度并比较待检信号与正常工况信号的形似度来确定待检断路器是否存在机械故障。实现本发明，为高压断路器机械状态检测提供了定量判据，可得到更为准确的状态检测结果。

Description

一种断路器机械状态检测方法

技术领域

本发明涉及电力设备状态检测方法，尤其是涉及一种基于振动信号分析的高压断路器状态检测方法。

背景技术

随着城市用电量的增长，电网规模扩大以及结构更趋复杂化，对电网可靠性的要求越来越高，配电网设备数量急剧增加，设备检修的工作耗费大量的人力财力，因此，转变电网设备检修模式，开展设备在线监测研究，提高检修效率迫在眉睫。

高压断路器是电网关键设备之一，广泛应用于发电厂、变电站以及线路上，数量庞大，起着保护电路和控制电能传输的双重作用，对电网的安全稳定运行具有重要意义。国际大电网会议对高压断路器故障原因进行过三次世界范围调查，结果表明，机械缺陷为断路器故障主要原因。因此，开展高压断路器机械状态检测研究，对及早发现断路器机械缺陷，提高断路器运行可靠性具有重要意义。

目前，针对高压断路器故障带电检测已有较多研究，如红外检测、局放检测、分合闸线圈电流检测等，这些方法在高压断路器在线监测方面各有优势，受到较多关注。但红外检测和局放检测主要针对电接触缺陷和绝缘缺陷，无法对机械故障进行有效诊断，而分合闸线圈电流往往采集波形不够理想，且随机性较大，在高压断路器机械状态检测方面还面临很多挑战。近年来，振动法检测断路器机械状态逐渐受到关注，断路器振动信号明显，且传播过程中衰减小，当断路器机械状态发生改变时，振动信号也会相应发生改变，因此可根据振动信号对高压断路器整体包括机构和箱体的机械状态进行诊断，且振动传感器非接触式信号采集方式不会对其正常工作造成影响，因此具有极好的应用前景。

振动法对断路器机械状态评估，重点在于对振动信号的分析处理，早期研究通常从振动信号时域和频域进行特征提取。由于断路器振动信号是典型的非平稳强时变信号，且具有宽频带特性，时域和频域特征往往不够准确，易对断路器机械状态产生误判。近年来，非平稳信号分析方法快速发展，兼顾时域和频域特征的时频谱分析方法在振动信号处理领域取得了很多成果，如Hilbert-Huang变换、小波分析法以及一些改进算法都成功运用到断路器振动信号处理上，但这些算法也存在自适应性不够、时频分解结果不够准确等缺点。

发明内容

本发明所要解决的技术问题是提供一种高压断路器机械状态检测方法，利用采集到的断路器分合闸振动信号，将待检信号与正常信号进行时频分析对比，从而对待检断路器机械状态进行准确检测。

为解决上述技术问题，本发明的实施例提供了一种断路器机械状态检测方法，其包括下列步骤：

步骤1、利用振动传感器采集一段正常工况下断路器分闸振动信号x(t)，采样频率为f，截取信号从振动开始至结束，共N个采样点；

步骤2、使用粒子群优化的变分模式分解算法将所述振动信号分解为若干个固有模式函数分量；

步骤3、使用Hilbert变换计算获得所述振动信号的三维时频图；

步骤4、对振动信号三维时频图进行分析，得到归一化特征向量Vol₁；

步骤5、对待检断路器相同位置处安装振动传感器，采集其分闸振动信号，采样频率仍为f，截取信号长度仍为N；重复步骤2-步骤4，获得待检断路器的振动信号的特征向量Vol₂；

步骤6、计算所述特征向量Vol₁与Vol₂之间的相似度d：

步骤7、将所述相似度d与一预定阈值进行比较，确定所述待检断路器的机械状态是否正常。

优选地，所述的步骤2具体包括如下步骤：

步骤21、初始化粒子群算法参数，设定惯性权重W、学习因子c1，c2、粒子群大小M、终止条件；

步骤22、初始化粒子群每一个粒子为一个解决方案，包含变分模式分解所需的参数K和α，分别对应模式分量数和惩罚因子；

步骤23、对每一个粒子所含的K和α参数，使用变分模式分解算法对振动信号x(t)处理，具体步骤如下：

步骤23a、初始化变分模式分解参数：

式中，u_k为固有模式函数分量，ω_k为中心频率，λ为拉格朗日乘子；

步骤23b、使n＝n+1；

步骤23c、对于k＝1:K，更新模式分量u_k，为

步骤23d、对于k＝1:K，更新中心频率ω_k，为

步骤23e、更新拉格朗日乘子λ，为

式中，τ为更新因子。

步骤23f、判断是否满足收敛条件：

式中，∈为收敛阈值，若收敛条件满足，则算法结束，否则返回步骤3b；

经过上述步骤，将最初的振动信号x(t)分解为若干个固有模式函数分量之和，其表达式为

优选地，所述的步骤4具体包括如下步骤：

步骤41、将三维时频谱进行频带划分，每个频带带宽为1kHz，共得到12个时频块；

步骤42、用数值积分方法计算每一个时频块与时频面所围成的体积；

步骤43、将12个时频块体积组成一个向量，并归一化处理，形成振动信号的特征向量。

优选地，在所述步骤7中，所述预定阈值为0.9；若所述相似度d大于或等于0.9，则判定所述待检断路器的机械状态为正常；若所述相似度d小于0.9，则判定所述待检断路器的机械状态为异常。

实施本发明实施例，具有如下有益效果：

本发明通过求取断路器分合闸振动信号的时频谱，通过优化的变分模式分解和Hilbert变换结合，可以准确计算振动信号的时频分布，从三维时频谱的几何特征计算特征向量，可以有效反应时频谱分布的差异，同时定义了特征向量的相似度，为高压断路器机械状态检测提供了定量判据，可得到更为准确的状态检测结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明提供的一种断路器机械状态检测方法的主流程示意图；

图2是本实施例中正常状态下振动信号的三维时频图。

图3是本实施例中故障状态下振动信号的三维时频图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

如图1所示，是本发明提供的一种断路器机械状态检测方法的主流程示意图；同时一并结合图2和图3所示。在本发明实施例中，以ABB OHB型断路器为研究对象，本发明的检测方法包括如下步骤：

步骤S1，采集正常工况下高压断路器分闸振动信号x(t)，采样频率为f，记录振动传感器安装位置，截取振动信号从开始至结束共N个采样点；例如在一个例子中，f＝50kHz，N＝7500。

步骤S2，使用变分模式分解将振动信号x(t)分解为一系列具有紧支撑中心频率的固有模式函数分量，并使用粒子群算法对分解参数寻优，具体步骤如下:

步骤S21，初始化粒子群算法参数，设定惯性权重W、学习因子c1和c2、粒子群大小M、终止条件；在此例子中，W＝0.7，c1＝c2＝2，M＝20，最大迭代次数为40；

步骤S22，初始化粒子群每一个粒子为一个解决方案，包含变分模式分解所需的参数K和α，分别对应模式分量数和惩罚因子；

步骤S23，对每一个粒子所含的K和α参数，使用变分模式分解算法对振动信号x(t)处理，具体步骤如下：

步骤S23a.初始化变分模式分解参数：

式中，u_k为固有模式函数分量，ω_k为中心频率，λ为拉格朗日乘子。

步骤S23b，取n＝n+1；

步骤S23c，对于k＝1:K，更新模式分量u_k，为

步骤S23d，对于k＝1:K，更新中心频率ω_k，为

步骤S23，更新拉格朗日乘子λ，为

式中，τ为更新因子。

步骤S23f，判断是否满足收敛条件：

式中，ε为收敛阈值。若满足收敛条件，则算法结束，否则返回步骤3b。

可以理解的是，本实施例中，采用粒子群算法优化了分解参数的选择，信号分解所得结果，模式分量之间，正交性良好，避免了分解子信号出现模态混叠和重复模态的情况，提高了振动信号分解的准确度。

步骤S24，计算变分模式分解所得模式分量整体正交系数P，计算公式如下：

式中：T为信号时域长度；N为信号采样点总数；j、k是模式分量的序号，i是采样点的序号。当参数K和α选取不合适，将使所得模式分量出现模态混叠或模式重复，影响模式分量之间的正交性，导致分解结果准确性不足。理想情况下，模式分量之间相互正交，整体正交系数为0，因此，P越小，代表分解结果越优；可以理解的是，整体正交系数概念为信号处理领域技术人员所公知，因此在此不再进行详细描述。

步骤S25，记录每个粒子所代表参数变分模式分解所得模式分量的整体正交系数P，寻找每个粒子在目前为止的运动过程中所经历的最优位置，称作个体极值，记作pbest，寻找整个粒子群在目前为止的运动过程中所经历的最优位置，称作全局极值，记作gbest。

步骤S26，粒子群算法是否满足迭代收敛条件，若满足，则输出最优粒子所代表的参数K和α，分解所得模式分量以及模式分量之间的整体正交系数；若不满足，则按下式更新粒子群，返回步骤S23。

X_i+1 ^k+1＝X_i ^k+V_i+1 ^k+1。

步骤S3，对分解所得模式分量u_k(t)进行希尔伯特(Hilbert)变换，计算振动信号的Hilbert时频谱，即将原始振动信号幅值表示为时间和瞬时频率的函数H(ω,t)，关注振动信号频域12kHz以内的时频幅值，作为振动信号三维Hilbert时频谱图；可以理解的是，Hilbert变换概念为信号处理领域技术人员所公知，因此在此不再进行详细描述。

步骤S4，用三维时频谱图几何特征作为振动信号时频分布的特征量，具体地，包括：

步骤S41，将三维时频谱作频带划分，每个频带带宽为1kHz，共得到12个时频块；

步骤S42，用数值积分方法计算每一个时频块与时频面所围成的体积；

步骤S43，将12个时频块体积组成一个向量，并归一化，作为振动信号的特征向量。

可以理解的是，当振动信号时频分布发生变化，在三维时频图上即体现为时频峰值大小、峰位置分布、峰形状差异，从而导致根据体积计算得到的特征向量发生改变。

步骤S5，对同型号待检断路器在同位置处采集振动信号，振动信号采样频率仍为f，截取信号长度仍为N，重复步骤(2)-(4)；具体地，如图2和图3分别示出了本实施例中正常状态下和故障状态下振动信号的三维时频图。

步骤S6，记正常工况下振动信号特征向量为Vol1，待检振动信号特征向量为Vol2，计算相似度指标d如下式：

步骤S7、将所述相似度d与一预定阈值进行比较，确定所述待检断路器的机械状态是否正常。在一个例子中，所述预定阈值为0.9；若所述相似度d大于或等于0.9，则判定所述待检断路器的机械状态为正常；若所述相似度d小于0.9，则判定所述待检断路器的机械状态为异常。

在此实施例中，最终计算出d＝0.65，即判断待检断路器存在机械故障，而通过实际检修，发现该断路器存在轴销松脱的故障，从而验证了本方法的有效性和准确性。

可以理解的是，并提取时频块体积特征量，将待检信号时频特征量与正常信号对比，从而检测断路器的机械状态；

本发明使用粒子群算法对变分模式分解参数寻优，改进了以往根据经验选择参数的不足，提高了算法对于不同信号的自适应性；

本发明使用变分模式分解算法，将非平稳信号分解为具有紧支撑中心频率的模式分量，避免了模态混叠，提高了信号分解准确性；

本发明从三维时频谱的几何特性出发计算时频特征，较好地描述了信号特征，从而得到更为准确的时频分布差异对比；

本发明定义相似度指标为高压断路器机械状态检测提供了定量的判断依据，从而能更准确判断高压断路器机械状态。

实施本发明实施例，具有如下有益效果：

本发明通过求取断路器分合闸振动信号的时频谱，通过优化的变分模式分解和Hilbert变换结合，可以准确计算振动信号的时频分布，从三维时频谱的几何特征计算特征向量，可以有效反应时频谱分布的差异，同时定义了特征向量的相似度，为高压断路器机械状态检测提供了定量判据，可得到更为准确的状态检测结果。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (4)

1.一种断路器机械状态检测方法，其特征在于，包括下列步骤：

步骤1、利用振动传感器采集一段正常工况下断路器分闸振动信号x(t)，采样频率为f，截取信号从振动开始至结束，共N个采样点；

步骤2、使用粒子群优化的变分模式分解算法将所述振动信号分解为若干个固有模式函数分量；

步骤3、使用Hilbert变换计算获得所述振动信号的三维时频图；

步骤4、对振动信号三维时频图进行分析，得到归一化特征向量Vol₁；

步骤5、对待检断路器相同位置处安装振动传感器，采集其分闸振动信号，采样频率仍为f，截取信号长度仍为N；重复步骤2-步骤4，获得待检断路器的振动信号的特征向量Vol₂；

步骤6、计算所述特征向量Vol₁与Vol₂之间的相似度d：

步骤7、将所述相似度d与一预定阈值进行比较，确定所述待检断路器的机械状态是否正常。

2.根据权利要求1所述的方法，其特征在于，所述的步骤2具体包括如下步骤：

步骤21、初始化粒子群算法参数，设定惯性权重W、学习因子c1，c2、粒子群大小M、终止条件；

步骤22、初始化粒子群每一个粒子为一个解决方案，包含变分模式分解所需的参数K和α，分别对应模式分量数和惩罚因子；

步骤23、对每一个粒子所含的K和α参数，使用变分模式分解算法对振动信号x(t)处理，具体步骤如下：

步骤23a、初始化变分模式分解参数：

式中，u_k为固有模式函数分量，ω_k为中心频率，λ为拉格朗日乘子；

步骤23b、使n＝n+1；

步骤23c、对于k＝1:K，更新模式分量u_k，为

步骤23d、对于k＝1:K，更新中心频率ω_k，为

步骤23e、更新拉格朗日乘子λ，为

式中，τ为更新因子。

步骤23f、判断是否满足收敛条件：

式中，∈为收敛阈值，若收敛条件满足，则算法结束，否则返回步骤3b；

经过上述步骤，将最初的振动信号x(t)分解为若干个固有模式函数分量之和，其表达式为

3.根据权利要求2所述的方法，其特征在于，所述的步骤4具体包括如下步骤：

步骤41、将三维时频谱进行频带划分，每个频带带宽为1kHz，共得到12个时频块；

步骤42、用数值积分方法计算每一个时频块与时频面所围成的体积；

步骤43、将12个时频块体积组成一个向量，并归一化处理，形成振动信号的特征向量。

4.如权利要求1至3任一项所述的方法，其特征在于，在所述步骤7中，若所述相似度d大于或等于预定阈值，则判定所述待检断路器的机械状态为正常；若所述相似度d小于预定阈值，则判定所述待检断路器的机械状态为异常；所述预定阈值为0.9。