CN109813420A - 一种基于Fuzzy-ART的并联电抗器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于Fuzzy‑ART的并联电抗器故障诊断方法，步骤1：根据电抗器结构，布置振动传感器的位置，采集不同预紧力状态下并联电抗器振动信号X(t)；步骤2：采用多尺度排列熵算法提取振动信号特征量；步骤3：根据步骤2中提取的信号特征量构造特征向量H；步骤4：将步骤3得到的特征向量H分为测试样本集与训练样本集，将训练样本集输入到Fuzzy‑ART网络中，对Fuzzy‑ART进行训练，将训练样本集输入到训练好的Fuzzy‑ART网络中进行测试，从而判断并联电抗器绕组压紧状态。本发明提供的一种基于Fuzzy‑ART的并联电抗器故障诊断方法，识别效果更好,性能更加优越。

Description

一种基于Fuzzy-ART的并联电抗器故障诊断方法

技术领域

本发明涉及一种基于Fuzzy-ART的并联电抗器故障诊断方法，属于电力设备状态监测与故障诊断技术领域。

背景技术

目前，大型的油浸式并联电抗器工作过程中常出现绝缘层失效、铁心漏磁发热、振动、噪声、油箱渗漏油等多种问题。其中，电抗器因铁心、绕组受磁场与电动力的作用以及自身结构等特点，振动问题尤为突出，并且随着电抗器的容量越来越大，带来的振动问题也越来越严重，如果电抗器对振动不加以规避与控制继续长期运行，容易造成元件链接的松动、磨损以及运行电阻的增大，进而造成铁心和绕组故障、设备的过度产热。电抗器的振动问题不仅降低了设备的使用寿命，而且极大增加了电网事故发生的概率。

排列熵(PE)是Bandt等提出的一种检测时间序列复杂程度和动力学突变的方法，具有算法简单，抗噪声能力强，计算速度快等优点。模糊ART网络将模糊理论与自适应共振网络相结合，是一种自组织模拟神经网络，较传统神经网络性能有了很大提高。基于此，本发明综合利用多尺度排列熵和模糊自适应共振神经网络对并联电抗器绕组松动程度进行识别。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于Fuzzy-ART的并联电抗器故障诊断方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：一种基于Fuzzy-ART的并联电抗器故障诊断方法，包括以下步骤：

步骤1：根据电抗器结构，合理布置振动传感器的位置，采集不同预紧力状态下并联电抗器振动信号X(t)；

步骤2：采用多尺度排列熵算法提取振动信号特征量；

步骤3：根据步骤2中提取的信号特征量构造特征向量H；

步骤4：将步骤3得到的特征向量H分为测试样本集与训练样本集，将训练样本集输入到Fuzzy-ART网络中，对Fuzzy-ART进行训练，将训练样本集输入到训练好的Fuzzy-ART网络中进行测试，从而判断并联电抗器绕组压紧状态。

作为优选方案，所述振动传感器采用压电式振动加速度传感器，振动传感器通过磁座吸附布置在并联电抗器油箱表面。

作为优选方案，所述步骤2，具体步骤如下：

步骤2.1：假设一组时间序列{x_i|i＝1，2，…，N}，对其进行相空间重构，得到重构的时间序列X_i：

X_i＝[x_i，x_i+τ，…，x_i+(m-1)τ] (1)

其中，m为嵌入维数，τ为延迟时间，x_i为时间序列X_i中第i个数据点，x_i+τ为时间序列X_i中第i+τ个数据点，x_i+(m-1)τ为时间序列X_i中第i+(m-1)τ个数据点；

步骤2.2：将时间序列中的m个数据点按升序排列，即r表示重构序列X_i中数据点的位置，为重构序列中数据点按升序排列后第2个数据点，同理为重构序列中数据点按升序排列后第m个数据点；当存在时，数据点按r_j、r_k的大小进行排列，即若r_j＜r_k，则认为表示重构序列X_i中第r_j个数据点，r_j、r_k表示重构序列X_i中数据点所在位置，表示重构序列X_i中第r_k个数据点；

步骤2.3：时间序列X_i有m！种排列方式，对任一种排列方式ω，T(ω)表示其出现的次数，则其出现的概率为：

因此，时间序列X_i的排列熵H_PE可定义为：

H_PE＝-∑P(ω)ln P(ω) (3)

归一化后得到归一化后的排列熵PE：

利用多尺度排列熵进行特征提取时，嵌入维数m、延迟时间τ和尺度因子s会直接影响计算结果：根据经验原则嵌入维数m取3～7；延迟时间τ对序列的计算影响较小，延迟时间τ＝2；尺度因子s取11。

作为优选方案，所述步骤3具体包括：以s＝1,s＝2振动信号所对应的排列熵Z₁，Z₂构建特征向量H＝[Z₁,Z₂,]。

作为优选方案，所述的模糊自适应共振神经网络(Fuzzy-ART)由预处理层,比较层,识别层构成。

预处理层F₀，对原始输入的特征向量H进行补码处理；

比较层F₁，接受来自F₀层自底向上的输入和F₂层自顶向下的输入；

识别层F₂，表示输入模式所属类别。

模糊自适应共振神经网络(Fuzzy-ART)识别过程具体如下：

(1)预处理：输入外部向量H，在F₀层对外部向量H做补码处理，得到向量N，

(2)网络初始化：进行权值W、选择参数α、学习速率β和警戒阈值ρ的初始化；

(3)模式选择：根据输入向量N和F₂的节点j(j＝1,2,…,N)计算选择函数T_j，通过T_J＝max(T₁,T₂,…,T_N)，选择函数T_j取最大值的节点J即为所求。其中，(N∧w_j)_i＝min(Z_i,w_ij)，

(4)模式匹配：计算输入向量N与节点J的匹配程度M_J，将M_J与警戒阈值ρ进行比较；

(5)若M_J≥ρ，则发生共振，将该输入向量归为节点J所属模式类，并进行权值调整：节点J权值调整为：w_ij＝β(I∧w_ij)+(1-β)w_ij，其他节点权值不变。否则回到(3)重新选择下一个节点进行模式匹配，直到匹配成功。

将压紧力不同的特征向量H输入到Fuzzy-ART中，从而判断并联电抗器绕组压紧程度。

有益效果：本发明提供的一种基于Fuzzy-ART的并联电抗器故障诊断方法，多尺度排列熵(MPE)算法具有灵敏度高，抗噪声能力强，计算速度快等优点，MPE值可以反映时间序列的局部细微变换。Fuzzy-ART样本训练时间短，训练样本较传统的BP神经网络少，并联电抗器振动信号的故障诊断是典型的小样本数据分类问题。Fuzzy-ART网络克服传统分类算法可能会陷入局部最小点的缺陷，识别效果更好,性能更加优越。

附图说明

图1为本发明的流程图。

图2为并联电抗器实验平台。

图3为不同状态下电抗器振动信号，图3-1为正常状态下电抗器振动信号，图3-2为50％预紧力状态下电抗器振动信号，图3-3为25％预紧力状态下电抗器振动信号，图3-4为完全松动状态下电抗器振动信号。

图4为不同状态下绕组振动信号对应的多尺度排列熵曲线。

图5为本发明所述Fuzzy-ART分类器结构图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于Fuzzy-ART的并联电抗器故障诊断方法，包括如下步骤：

步骤1：根据电抗器结构，合理布置振动传感器的位置，采集不同预紧力状态下并联电抗器振动信号X(t)；

步骤2：采用多尺度排列熵算法提取振动信号特征量；

步骤3：根据步骤2中提取的信号特征量构造特征向量H；

步骤4：将步骤3得到的特征向量H分为测试样本集与训练样本集，将训练样本集输入到Fuzzy-ART网络中，对Fuzzy-ART进行训练，将测试样本集输入到训练好的Fuzzy-ART网络中进行测试，从而判断并联电抗器绕组压紧状态。

实施例：

采用型号为JF2020的振动加速度传感器，使用磁座将传感器吸附固定在电抗器油箱表面。传感器安装位置如图2所示，数据采集仪选用Nicolet采集仪，采样频率设置为16kHz。

实验设置4种绕组松动状态。分别为100％预紧力，50％预紧力，25％预紧力，完全松动四种状态。振动信号如图3所示。

对电抗器的绕组4种状态(100％预紧力，50％预紧力，25％预紧力，完全松动四种状态)进行MPE特征提取。如图4中一组数据的多尺度排列熵曲线，不难看出不同状态下绕组振动信号对应的排列熵值有明显的差异。

选取尺度因子为1和2时候的排列熵值构造特征向量H。

构建模糊自适应共振神经网络，其网络结构如图5所示，由3层构成。设输入向量H＝(z₁,z₂…,z_n)，其中z_i∈[0,1](i＝1,2,…,n)。

①预处理层F₀：由2m个节点构成，对原始输入向量进行补码处理，原始输入向量H可以直接通过F₀层输入到网络中，其中

②比较层F₁：由2m(令M＝2m)个节点构成，接受来自F₀层自底向上的输入E和F₂层自顶向下的输入W。

③识别层F₂：由n个节点构成，Y＝(y₁,y₂,…,y_N)，每个节点表示输入模式所属类别编号。

选取并联电抗器每种状态40组数据作为样本数据，对网络进行选择参数α、学习速率β和警戒阈值ρ等网络参数的识别，使之达到满意的精度。当选择参数α＝0.05，学习速率β＝2(快速学习)，警戒阈值ρ＝0.90时，网络性能达到最佳。将网络参数设置为最佳值，对网络进行测试。另取共400组测试数据对网络进行测试，测试结果如表1所示。表2为传统BP神经网络的分类结果。

表1 Fuzzy-ART网络识别结果

表2传统BP神经网络识别结果

从表1、表2可以看出，对于网络中已存储的绕组状态，Fuzzy-ART分类器识别率保持在90％以上，明显优于传统BP神经网络，可以快速准确地进行绕组状态识别。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于Fuzzy-ART的并联电抗器故障诊断方法，其特征在于：包括如下步骤：

步骤1：根据电抗器结构，布置振动传感器的位置，采集不同预紧力状态下并联电抗器振动信号X(t)；

步骤2：采用多尺度排列熵算法提取振动信号特征量；

步骤3：根据步骤2中提取的信号特征量构造特征向量H；

步骤4：将步骤3得到的特征向量H分为测试样本集与训练样本集，将训练样本集输入到Fuzzy-ART网络中，对Fuzzy-ART进行训练，将训练样本集输入到训练好的Fuzzy-ART网络中进行测试，从而判断并联电抗器绕组压紧状态。

2.根据权利要求1所述的一种基于Fuzzy-ART的并联电抗器故障诊断方法，其特征在于：所述振动传感器采用压电式振动加速度传感器，振动传感器通过磁座吸附布置在并联电抗器油箱表面。

3.根据权利要求1所述的一种基于Fuzzy-ART的并联电抗器故障诊断方法，其特征在于：所述步骤2，具体步骤如下：

步骤2.1：假设一组时间序列{x_i|i＝1,2,…,N}，对其进行相空间重构，得到重构的时间序列X_i：

X_i＝[x_i,x_i+τ,…,x_i+(m-1)τ] (1)

其中，m为嵌入维数，τ为延迟时间，x_i为时间序列X_i中第i个数据点，x_i+τ为时间序列X_i中第i+τ个数据点，x_i+(m-1)τ为时间序列X_i中第i+(m-1)τ个数据点；

步骤2.2：将时间序列中的m个数据点按升序排列，即r表示重构序列X_i中数据点的位置，为重构序列中数据点按升序排列后第2个数据点，同理为重构序列中数据点按升序排列后第m个数据点；当存在时，数据点按r_j、r_k的大小进行排列，即若r_j＜r_k，则认为 表示重构序列X_i中第r_j个数据点，r_j、r_k表示重构序列X_i中数据点所在位置，表示重构序列X_i中第r_k个数据点；

步骤2.2：时间序列X_i有m！种排列方式，对任一种排列方式ω，T(ω)表示其出现的次数，则其出现的概率为：

因此，时间序列X_i的排列熵H_PE可定义为：

H_PE＝-∑P(ω)lnP(ω) (3)

归一化后得到归一化后的排列熵PE：

利用多尺度排列熵进行特征提取时，嵌入维数m、延迟时间τ和尺度因子s。

4.根据权利要求3所述的一种基于Fuzzy-ART的并联电抗器故障诊断方法，其特征在于：所述嵌入维数m取3～7，延迟时间τ＝2，尺度因子s取11。

5.根据权利要求1所述的一种基于Fuzzy-ART的并联电抗器故障诊断方法，其特征在于：所述步骤3具体包括：以s＝1,s＝2振动信号所对应的排列熵Z₁，Z₂构建特征向量H＝[Z₁,Z₂,]。

6.根据权利要求1所述的一种基于Fuzzy-ART的并联电抗器故障诊断方法，其特征在于：所述Fuzzy-ART网络由预处理层,比较层,识别层构成；

预处理层F₀，对原始输入的特征向量H进行补码处理；

比较层F₁，接受来自F₀层自底向上的输入和F₂层自顶向下的输入；

识别层F₂，表示输入模式所属类别。

7.根据权利要求6所述的一种基于Fuzzy-ART的并联电抗器故障诊断方法，其特征在于：所述Fuzzy-ART网络识别过程具体如下：

(1)预处理：输入外部向量H，在F₀层对外部向量H做补码处理，得到向量N，

(2)网络初始化：进行权值W、选择参数α、学习速率β和警戒阈值ρ的初始化；

(3)模式选择：根据输入向量N和F₂的节点j(j＝1,2,…,N)计算选择函数T_j，通过T_J＝max(T₁,T₂,…,T_N)，选择函数T_j取最大值的节点J即为所求。其中，(N∧w_j)_i＝min(Z_i,w_ij)，

(4)模式匹配：计算输入向量N与节点J的匹配程度M_J，将M_J与警戒阈值ρ进行比较；

(5)若M_J≥ρ，则发生共振，将该输入向量归为节点J所属模式类，并进行权值调整：节点J权值调整为：w_ij＝β(I∧w_ij)+(1-β)w_ij，其他节点权值不变；否则回到(3)重新选择下一个节点进行模式匹配，直到匹配成功。