CN109856530B - 一种有载分接开关在线监测故障诊断方法 - Google Patents
一种有载分接开关在线监测故障诊断方法 Download PDFInfo
- Publication number
- CN109856530B CN109856530B CN201811587620.4A CN201811587620A CN109856530B CN 109856530 B CN109856530 B CN 109856530B CN 201811587620 A CN201811587620 A CN 201811587620A CN 109856530 B CN109856530 B CN 109856530B
- Authority
- CN
- China
- Prior art keywords
- changer
- value
- contact
- load tap
- fault diagnosis
- 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 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 23
- 239000002245 particle Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011549 displacement method Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005311 autocorrelation function Methods 0.000 claims 1
- 230000007423 decrease Effects 0.000 claims 1
- 230000000739 chaotic effect Effects 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 abstract 2
- 230000007547 defect Effects 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种有载分接开关在线监测故障诊断方法，从混沌动力学的角度去观察OLTC的机械振动模式变化，并研究能反应OLTC操作时不同振动模式变化的动力学特征参数，为实现OLTC机械状态的在线监测与故障诊断提供依据。通过相空间重构和改进的K均值聚类的方法对有载分接开关故障进行监测和诊断，应用相空间重构方法和改进的K均值聚类的方法得出振动信号的簇中心四种工况在相空间的分布图，定量地描述出开关操作时不同振动模式簇中心四种工况在相空间的分布图几何特征的变化，从混沌动力学角度为机械状态监测与故障诊断提供一种新的判断方法。
Description
技术领域
本发明涉及一种有载分接开关在线监测故障诊断方法，尤其是一种基于相空间与改进K均值聚类的有载分接开关在线监测故障诊断方法，属于电力变压器的状态监测与故障诊断领域。
背景技术
有载分接开关是有载调压变压器的关键组成部分，在电力系统中发挥着稳定负荷电压中心、调节无功潮流和增加电网灵活性的作用。依靠有载分接开关准确及时的动作，不仅可以减少和避免电压的大幅度波动，而且可以强制分配负荷潮流，挖掘设备无功和有功出力，保证电力系统安全可靠运行，增加电网的灵活性。有载分接开关的制造质量和运行、检修技术水平直接关系到有载调压变压器的运行安全。
有载分接开关(OLTC)由选择器、切换开关和电动机组成，其性能包括电气性能和机械性能两个方面。电气性能主要指接触头接触电阻，当触头接触电阻增大时，会引起触头过热，甚至烧毁。机械性能是指OLTC操作过程中选择开关和切换开关等部件的动作顺序和时间配合，以及切换过程中是否存在卡涩和触头切换不到位等。
由于机械振动容易受各种随机因素的影响，往往表现为一定的混沌特性，实际工程中很多非线性系统的振动，都采用混沌理论解释。本发明从混沌动力学的角度去观察OLTC的机械振动模式变化，并研究能反应OLTC操作时不同振动模式变化的动力学特征参数，为实现OLTC机械状态的在线监测与故障诊断提供依据。通过相空间重构和改进的K均值聚类的方法对分接开关故障进行监测和诊断，应用相空间重构方法和改进的K均值聚类的方法得出振动信号的相轨图几何特征，定量地描述出开关操作时不同振动模式相轨图几何特征的变化，从混沌动力学角度为机械状态监测与故障诊断提供一种新的判断方法。
但是由于传统的K均值算法存在两个固有的缺点：(1)对于随机的初始值选取可能会导致不同的聚类结果，甚至存在着无解的情况；(2)该算法是基于梯度下降的算法，因此不可避免地常常陷入局部极优，这两大缺陷大大限制了它的应用范围，基于此缺陷本专利采用粒子群Kmeans进行改进，并在有载分接开关当中应用。
发明内容
一种有载分接开关在线监测故障诊断方法，尤其是一种基于相空间重构与改进K均值聚类的OLTC在线监测故障诊断方法，该方法包括如下步骤：
步骤1：输入有载分接开关(OLTC)振动测量数据，计算延迟时间τ。
其中，按设定的采样频率和采样时间整周期截取振动信号，采用混沌原理利用互信息延迟法计算延迟时间τ，还可以使用自关联函数法和平均位移法。
步骤2：计算嵌入维数n。
采用G-P算法计算嵌入维数n，依据G-P原理，当曲线的线性部分不再变化，就可以得出嵌入维数n，计算嵌入维数n还可以使用Cao算法。
步骤3：将相空间处理后得到的预处理数据，也就是步骤1和步骤2中得到的延迟时间τ和嵌入维数n，加入到PSO算法中进行优化，设置初始聚类中心；
具体的设置为：设置PSO算法中粒子群的最大迭代数，种群规模，以及初始簇中心的个数。
步骤4：利用随机初始化方法初始粒子群初始种群数；
步骤5：计算初始每个粒子适应度，找出当前全局的最优解作为目标位置适应度，并找出当前全局最优解的位置作为目标位置；
步骤6：将每个粒子的适应度和全局经历过的最好位置进行比较，若较好，则将其作为当前的最好的位置，对最好位置进行更换；
步骤7：设N为迭代次数，如果达到最大迭代次数(Max_iter)，结束输出最优解，得到全局最优目标，如果不是返回步骤4；
步骤8：将步骤7中的全局最优目标，即粒子群优化得到的初始聚类中心，赋值给K均值聚类算法(Kmeans)，Kmeans对全局最优目标进行聚类；
步骤9：利用Kmeans得到的簇中心，得到四种工况下OLTC振动信号的簇中心在相空间的位置；
OLTC四种工况包括：触头正常、触头脱落、触头松动、以及弹簧性能下降。
步骤10：在获得四种工况簇中心三维坐标的基础上，计算簇中心矢量和的模与矢量夹角，从而识别故障。
故障识别的依据为：根据簇中心矢量和的模(MSCCV)的值的大小，簇中心矢量夹角(ACCV)的值的大小，或者二者的联合，从而确定不同工况。
该方法的有益效果在于：基于Kmeans陷入局部最优的缺陷而言，本方法能更好的实现全局最优，并且能较好的识别不同工况下的OLTC故障。
附图说明
图1为本方法流程图；
图2为根据互信息法所得的延迟时间τ；
图3为根据G-P算法所得的嵌入维数n；
图4为四种工况下簇中心位置。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明采用M型有载分接开关，传感器的类型为传统压电式传感器与电荷放大器集于一体的LC0151型传感器。切换过程中的触头在不同状态下的振动信号，信号采样频率为50kHz，触头切换时间约为100ms，频率集中在20kHz以内，采样取6873个点，切换时间集中在0～41ms，将LC0151型传感器安装在离振源比较近的地方，综合考虑安装在有载分接开关顶上，并通过数据采集卡将振动信号转化为数字信号存储在计算机上。测试时考虑OLTC的工况为四种：触头正常、触头脱落、触头松动、以及弹簧性能下降。
一种基于相空间重构与改进K均值聚类的OLTC在线监测故障诊断方法，该方法流程图如图1所示，包括如下步骤：
步骤1：输入OLTC振动测量数据，计算延迟时间τ。
其中，按设定的采样频率和采样时间整周期截取振动信号，采用混沌原理利用互信息延迟法计算延迟时间τ，如图2所示，还可以使用自关联函数法和平均位移法。
步骤2：计算嵌入维数n。
采用G-P算法计算嵌入维数n，如图3所示，依据G-P原理，当曲线的线性部分不再变化，就可以得出嵌入维数n，计算嵌入维数n还可以使用Cao算法。
步骤3：将相空间处理后得到的预处理数据，也就是步骤1和步骤2中得到的延迟时间τ和嵌入维数n，加入到PSO算法中进行优化，设置初始聚类中心；
具体的设置为：设置PSO算法中粒子群的最大迭代数，种群规模，以及初始簇中心的个数。
步骤4：利用随机初始化方法初始粒子群初始种群数；
步骤5：计算初始每个粒子适应度，找出当前全局的最优解作为目标位置适应度，并找出当前全局最优解的位置作为目标位置；
步骤6：将每个粒子的适应度和全局经历过的最好位置进行比较，若较好，则将其作为当前的最好的位置，对最好位置进行更换；
步骤7：设N为迭代次数，如果达到最大迭代次数(Max_iter)，结束输出最优解，得到全局最优目标，如果不是返回步骤4；
步骤8：将步骤7中的全局最优目标，即粒子群优化得到的初始聚类中心，赋值给Kmeans，K均值聚类算法对全局最优目标进行聚类；
步骤9：利用Kmeans得到的簇中心，得到四种工况下OLTC振动信号的簇中心在相空间的位置，如图4所示；
步骤10：在获得四种工况簇中心三维坐标的基础上，计算簇中心矢量和的模与矢量夹角，从而识别故障。
故障识别的依据为：根据簇中心矢量和的模(MSCCV)的值的大小，簇中心矢量夹角(ACCV)的值的大小，或者二者的联合，从而确定不同工况。
簇中心矢量和的模(Modules of the Sum of Cluster Center Vectors，MSCCV)和簇中心矢量夹角(The Angle of Cluster Center Vector，ACCV)的计算步骤如下：
其中x,y,z分别代表了在直角坐标系中的位置，x,y,z的下角标1,2,3,4代表了同一个工况下四个簇中心点的直角坐标，a,b,c,d代表了同一工况下的四个簇中心点，用向量来表示，则：
簇中心矢量和的模(MSCCV)计算公式如下：
簇中心矢量的夹角(ACCV)计算公式如下：
利用式(1)和式(2)求出四种工况下簇中心矢量和的模与矢量夹角，如下表1所示。从表1中可以看出四种工况条件下MSCCV发生了明显的变化。簇中心矢量和的模值的变化与振动幅值的大小有关，能对四种工况下的状态进行判断识别。其中触头正常时，MSCCV的值为最大，触头脱落次之，触头松动为最小，弹簧性能下降时，MSCCV值是触头脱落时MSCCV值的一半。ACCV触头状态部分的结论与MSCCV相同，但是弹簧性能下降时，ACCV的数值与触头脱落时的数值大致相同，因此需要与MSCCV联合进行判断。
表1特征值表
| 特征量工况 | 触头正常 | 触头松动 | 触头脱落 | 弹簧性能下降 |
| MSCCV | 7.83 | 0.72 | 2.82 | 1.255 |
| ACCV | 0.76 | 0.375 | 0.48 | 0.47 |
以上所述仅为本发明的一种实施案例，应当指出，对于本技术领域的普通技术人员来说，在不脱离发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (8)
1.一种有载分接开关在线监测故障诊断方法，该方法包括如下步骤：
步骤1：将振动传感器的安装位置固定在OLTC的顶端，采集数据，然后，输入有载分接开关(OLTC)振动测量数据，计算延迟时间τ；
步骤2：计算嵌入维数n；
步骤3：将相空间处理后得到的预处理数据，也就是步骤1和步骤2中得到的延迟时间τ和嵌入维数n，加入到PSO算法中进行优化，设置初始聚类中心；
步骤4：利用随机初始化方法初始粒子群初始种群数；
步骤5：计算初始每个粒子适应度，找出当前全局的最优解作为目标位置适应度，并找出当前全局最优解的位置作为目标位置；
步骤6：将每个粒子的适应度和全局经历过的最好位置进行比较，若较好，则将其作为当前的最好的位置，对最好位置进行更换；
步骤7：设N为迭代次数，如果达到最大迭代次数(Max_iter)，结束输出最优解，得到全局最优目标，如果不是返回步骤4；
步骤8：将步骤7中的全局最优目标，即粒子群优化得到的初始聚类中心，赋值给K均值聚类算法(Kmeans)，Kmeans对全局最优目标进行聚类；
步骤9：利用Kmeans得到的簇中心，得到触头正常、触头脱落、触头松动以及弹簧性能下降这四种工况下OLTC振动信号的簇中心在相空间的位置；
步骤10：在获得四种工况簇中心三维坐标的基础上，计算簇中心矢量和的模与矢量夹角，从而识别故障；故障识别的依据为：根据MSCCV的值的大小，ACCV的值的大小，或者二者的联合，从而确定不同工况；具体包括：当MSCCV的值为最大时，判断为触头正常工况；当MSCCV的值下降时，判断为触头脱落工况；当MSCCV的值下降到触头脱落数值的一半左右时，判断为弹簧性能下降工况；当MSCCV的值为最小时，判断为触头松动工况；当ACCV的值为最大时，判断为触头正常工况；当ACCV的值下降时，判断为触头脱落工况或者弹簧性能下降工况；当ACCV的值为最小时，判断为触头松动工况；当ACCV的值下降，判断为触头脱落工况或者弹簧性能下降工况时，联合MSCCV数值大小，从而区分上述两种工况，具体区分依据为：当MSCCV的数值较大时，判断为触头脱落工况，当MSCCV的数值较小时，判断为弹簧性能下降工况；
MSCCV是指簇中心矢量和的模，ACCV是指簇中心矢量的夹角。
2.根据权利要求1所述的一种有载分接开关在线监测故障诊断方法，其特征在于：所述步骤1中，按设定的采样频率和采样时间整周期截取振动信号。
3.根据权利要求1所述的一种有载分接开关在线监测故障诊断方法，其特征在于：所述步骤1中，采用混沌原理利用互信息延迟法计算延迟时间τ。
4.根据权利要求1所述的一种有载分接开关在线监测故障诊断方法，其特征在于：在步骤2中，采用G-P算法计算嵌入维数n，依据G-P原理，当曲线的线性部分不再变化，就可以得出嵌入维数n。
5.根据权利要求3所述的一种有载分接开关在线监测故障诊断方法，其特征在于：在步骤1中，计算时间延迟τ还可以使用自关联函数法和平均位移法。
6.根据权利要求4所述的一种有载分接开关在线监测故障诊断方法，其特征在于：在步骤2中，计算嵌入维数n还可以使用Cao算法。
7.根据权利要求1所述的一种有载分接开关在线监测故障诊断方法，其特征在于：在步骤3中，具体的设置为：设置PSO算法中粒子群的最大迭代数，种群规模，以及初始簇中心的个数。
8.根据权利要求1所述的一种有载分接开关在线监测故障诊断方法，其特征在于：在步骤10中，
簇中心矢量和的模(MSCCV)计算公式如下：
簇中心矢量的夹角(ACCV)计算公式如下：
其中x,y,z分别代表了在直角坐标系中的位置，x,y,z的下角标1,2,3,4代表了同一个工况下四个簇中心点的直角坐标，a,b,c,d代表了同一工况下的四个簇中心点，用向量来表示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811587620.4A CN109856530B (zh) | 2018-12-25 | 2018-12-25 | 一种有载分接开关在线监测故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811587620.4A CN109856530B (zh) | 2018-12-25 | 2018-12-25 | 一种有载分接开关在线监测故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109856530A CN109856530A (zh) | 2019-06-07 |
| CN109856530B true CN109856530B (zh) | 2021-11-02 |
Family
ID=66892181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811587620.4A Active CN109856530B (zh) | 2018-12-25 | 2018-12-25 | 一种有载分接开关在线监测故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109856530B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110412452A (zh) * | 2019-04-29 | 2019-11-05 | 国网江苏省电力有限公司南京供电分公司 | 一种基于混沌理论与GA-Kmeans的OLTC触头类故障在线诊断方法 |
| CN110187268A (zh) * | 2019-06-14 | 2019-08-30 | 国网江苏省电力有限公司 | 变压器有载分接开关数据管理的方法、系统和终端设备 |
| CN110703086B (zh) * | 2019-11-12 | 2021-08-17 | 国网河南省电力公司南阳供电公司 | 存储有故障检测程序的计算机可读介质 |
| CN111397728A (zh) * | 2020-04-08 | 2020-07-10 | 河海大学 | 一种基于混沌理论和GOA-Kmeans的高压并联电抗器铁芯与绕组松动状态监测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894294A (zh) * | 2009-05-20 | 2010-11-24 | 中国科学院半导体研究所 | 一种基于特征分析的粒子群聚类方法 |
| CN103048036A (zh) * | 2012-12-07 | 2013-04-17 | 上海市电力公司 | 一种变压器有载分接开关运行状态的在线监测方法 |
| CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
| CN106324490A (zh) * | 2016-08-03 | 2017-01-11 | 国网天津市电力公司 | 变压器有载分接开关机械故障诊断方法 |
| CN108076060A (zh) * | 2017-12-18 | 2018-05-25 | 西安邮电大学 | 基于动态k-means聚类的神经网络态势预测方法 |
| CN108362488A (zh) * | 2018-02-28 | 2018-08-03 | 河海大学 | 基于mpe与svm的oltc机械故障诊断方法 |
| CN108489717A (zh) * | 2018-01-25 | 2018-09-04 | 国网浙江省电力有限公司电力科学研究院 | 变压器有载分接开关机械状态监测方法及系统 |
| CN108663202A (zh) * | 2018-05-03 | 2018-10-16 | 国家电网公司 | 基于混沌布谷鸟算法的gis机械故障诊断方法及系统 |
-
2018
- 2018-12-25 CN CN201811587620.4A patent/CN109856530B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894294A (zh) * | 2009-05-20 | 2010-11-24 | 中国科学院半导体研究所 | 一种基于特征分析的粒子群聚类方法 |
| CN103048036A (zh) * | 2012-12-07 | 2013-04-17 | 上海市电力公司 | 一种变压器有载分接开关运行状态的在线监测方法 |
| CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
| CN106324490A (zh) * | 2016-08-03 | 2017-01-11 | 国网天津市电力公司 | 变压器有载分接开关机械故障诊断方法 |
| CN108076060A (zh) * | 2017-12-18 | 2018-05-25 | 西安邮电大学 | 基于动态k-means聚类的神经网络态势预测方法 |
| CN108489717A (zh) * | 2018-01-25 | 2018-09-04 | 国网浙江省电力有限公司电力科学研究院 | 变压器有载分接开关机械状态监测方法及系统 |
| CN108362488A (zh) * | 2018-02-28 | 2018-08-03 | 河海大学 | 基于mpe与svm的oltc机械故障诊断方法 |
| CN108663202A (zh) * | 2018-05-03 | 2018-10-16 | 国家电网公司 | 基于混沌布谷鸟算法的gis机械故障诊断方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 一种基于改进PSO的K-means优化聚类算法;谢秀华，李陶深;《计算机技术与发展》;20140228;第24卷(第2期);第34-38页 * |
| 基于MPE和改进K-means算法的分接开关机械故障诊断方法;马宏忠，等;《高压电器》;20200816;第56卷(第8期);第198-204页 * |
| 基于混沌理论和K-means聚类的有载分接开关机械状态监测;周翔，等;《中国电机工程学报》;20150320;第35卷(第6期);第1541-1548页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109856530A (zh) | 2019-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109856530B (zh) | 一种有载分接开关在线监测故障诊断方法 | |
| CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
| Kang et al. | Condition monitoring of power transformer on-load tap-changers. Part 1: Automatic condition diagnostics | |
| CN108489717B (zh) | 变压器有载分接开关机械状态监测方法及系统 | |
| CN109271741A (zh) | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 | |
| GB2476246A (en) | Diagnosing an operation mode of a machine | |
| Arabaci et al. | A knowledge-based diagnosis algorithm for broken rotor bar fault classification using FFT, principal component analysis and support vector machines | |
| CN108490345A (zh) | 一种换流变压器分接开关的故障模拟诊断方法 | |
| CN109061462A (zh) | 一种高压断路器触头烧蚀故障评估方法 | |
| CN109389598B (zh) | 一种高效的晶圆连续失效芯片数量统计算法 | |
| CN110426624A (zh) | 断路器状态的评估方法及装置 | |
| CN112989587B (zh) | 一种电容式电压互感器劣化成因在线分析方法及系统 | |
| CN112149569B (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
| CN110412452A (zh) | 一种基于混沌理论与GA-Kmeans的OLTC触头类故障在线诊断方法 | |
| CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
| CN114731038A (zh) | 基于机器学习的用于在电力传输线路中干扰分类的方法和设备 | |
| CN110556254A (zh) | 诊断电气开关单元磨损的方法和设备及包括其的电气单元 | |
| CN103412230A (zh) | 一种高压容性设备绝缘故障检测方法 | |
| CN107451930B (zh) | 一种企业电力负荷自检及调节系统及方法 | |
| CN116125260A (zh) | 一种基于多元数据融合的断路器机电故障边缘诊断方法 | |
| JP2020137164A (ja) | 電力系統安定化システム | |
| CN110695766A (zh) | 刀具状态检测系统 | |
| Qui et al. | Feature fusion and degradation using self-organizing map | |
| Sree et al. | Estimation of Remaining Useful Life (RUL) of BLDC motor using machine learning approaches | |
| Boukra et al. | Identifying new prognostic features for remaining useful life prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |