CN109901030B - 一种电抗器匝间绝缘状态监测方法、系统及应用 - Google Patents
一种电抗器匝间绝缘状态监测方法、系统及应用 Download PDFInfo
- Publication number
- CN109901030B CN109901030B CN201910143706.6A CN201910143706A CN109901030B CN 109901030 B CN109901030 B CN 109901030B CN 201910143706 A CN201910143706 A CN 201910143706A CN 109901030 B CN109901030 B CN 109901030B
- Authority
- CN
- China
- Prior art keywords
- reactor
- turn
- coil
- insulation state
- reactor coil
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims abstract description 6
- 238000006073 displacement reaction Methods 0.000 claims abstract description 6
- 238000003909 pattern recognition Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000008878 coupling Effects 0.000 claims description 19
- 238000010168 coupling process Methods 0.000 claims description 19
- 238000005859 coupling reaction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000005315 distribution function Methods 0.000 claims description 8
- 230000005672 electromagnetic field Effects 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004804 winding Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明提供了一种电抗器匝间绝缘状态监测方法、系统及应用，建立电力电抗器线圈振动仿真模型，获取电抗器线圈振动信号，得到对应线圈应力、位移和加速度；采用变分模态分解将电抗器线圈不同状态下振动信号分解为多个有限带宽本征模态函数，完成信号频带的自适应分割；计算每个有限带宽本征模态函数分量与原始信号的相对熵，相对熵乘上权重系数，得到权重散度，表征电抗器线圈机械振动信号的时频分布特征；利用模式识别算法建立权重散度与电抗器线圈匝间绝缘状态之间的关系，对所述关系进行寻优求解，直到满足设定条件，输出此时的电抗器线圈匝间绝缘状态。
Description
技术领域
本发明涉及一种电抗器匝间绝缘状态监测方法、系统及应用。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来，多发生干式空心电抗器烧毁事故，分析其原因，匝间绝缘缺陷引发的匝间短路故障占主要部分。
然而，据发明人了解，目前的电抗器匝间绝缘缺陷检测方法主要有漏磁场检测法和雷电冲击试验法，其中，漏磁场检测法只适用于直接短路故障，不能检测出隐形匝间故障；雷电冲击试验法的过程中由于雷电冲击电压施加到被检测装置上，时间不长，所以检测的效果不太理想。
综上，现有的干式空心电抗器匝间绝缘状态确定过程存在着离线判断、诊断方法效率较低，诊断结果准确性欠佳等问题。
发明内容
本发明为了解决上述问题，提出了一种电抗器匝间绝缘状态监测方法、系统及应用，本发明基于振动分析法实现电抗器匝间绝缘状态监测。
根据一些实施例，本发明采用如下技术方案：
一种电抗器匝间绝缘状态监测方法，包括以下步骤：
建立电力电抗器线圈振动仿真模型，获取电抗器线圈振动信号；
采用变分模态分解将电抗器线圈不同状态下振动信号分解为多个有限带宽本征模态函数，完成信号频带的自适应分割；
计算每个有限带宽本征模态函数分量与原始信号的相对熵，相对熵乘上权重系数，得到权重散度，表征电抗器线圈机械振动信号的时频分布特征；
利用模式识别算法建立权重散度与电抗器线圈匝间绝缘状态之间的关系，对所述关系进行寻优求解，直到满足设定条件，输出此时的电抗器线圈匝间绝缘状态。
作为进一步的限定，建立电抗器线圈振动仿真模型，进行电路、磁场和结构力场的多场耦合仿真，在结构力场模块中，将电磁场耦合求解出的变量带入结构力场求解域方程中，实现电磁场与结构力场的耦合，通过耦合计算得到对应线圈应力、位移和加速度。
作为进一步的限定，进行信号频带的自适应分割过程中，具体包括：
将电抗器振动信号分解为多个本征模态函数，构造带约束条件的变分模型，搜寻模型的最优解来实现信号的自适应分离。
作为进一步的限定，电抗器振动信号的相对熵求解过程包括：
确定电抗器线圈原始振动信号和有限带宽本征模态函数分量的概率分布函数，基于两个概率分布函数，分别计算概率分布函数的核密度估计，进而计算两个信号的K-L距离，进而得到相对熵。
作为进一步的限定，权重系数为相应的有限带宽本征模态函数分量主频的1/104的倒数。
作为进一步的限定，利用相关向量机进行电抗器的匝间绝缘故障诊断。
作为进一步的限定，利用和声搜索算法，对相关向量机核函数参数选择进行优化，以选择最佳的核函数参数。
具体过程包括：
(1)定义适应度值函数与和声维数，优化目标是相关向量机的核函数参数，定义该模型的分类准确度的平均值为适应度值函数；
(2)参数初始化，设置和声记忆库容量、记忆库取值概率、音调微调概率、音调微调宽带和最大迭代次数；
(3)初始化和声库，产生多个和声，构成初始的和声库，调用相关向量机计算原始记忆库中的各个体适应度值；
(4)生成新和声，计算新和声对应的分类准确度，如果新解优于和声库内的最差解，则用新解替换该最差解，更新和声记忆库；
(5)若满足最大迭代次数则算法终止，获取最优的核函数参数，输出核函数参数下的运行结果；否则，算法转到步骤(4)继续执行。
一种电抗器匝间绝缘状态监测系统，运行于处理器或存储器上，被配置为执行以下指令：
建立电力电抗器线圈振动仿真模型，获取电抗器线圈振动信号；
采用变分模态分解将电抗器线圈不同状态下振动信号分解为多个有限带宽本征模态函数，完成信号频带的自适应分割；
计算每个有限带宽本征模态函数分量与原始信号的相对熵，相对熵乘上权重系数，得到权重散度，表征电抗器线圈机械振动信号的时频分布特征；
利用模式识别算法建立权重散度与电抗器线圈匝间绝缘状态之间的关系，对所述关系进行寻优求解，直到满足设定条件，输出此时的电抗器线圈匝间绝缘状态。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种电抗器匝间绝缘状态监测方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种电抗器匝间绝缘状态监测方法。
与现有技术相比，本发明的有益效果为：
本发明从电抗器机械及电气特性机理出发，建立电力电抗器线圈振动仿真模型，进行电路、磁场和结构力场的多场耦合仿真。从理论角度分析了电抗器稳态运行时线圈的受力情况，通过电抗器实际参量建立多种不同运行工况下的电抗器线圈振动仿真模型，获取大量电抗器线圈振动数据。
本发明在电抗器绕组振动特性理论研究基础上提出了基于变分模态分解与权重散度的电抗器线圈振动信号的特征提取方法，并应用于电抗器绕组振动信号分析中，引入相关向量机，构建电抗器线圈匝间绝缘故障分类模型；与电抗器无电气连接，且能够实时监测电抗器匝间绝缘状态，具有实时性。
建立了和声搜索优化相关向量机的模式识别模型，通过模式识别算法建立权重散度与电抗器线圈匝间绝缘状态之间的关系，能够准确有效区分电抗器匝间短路故障与正常工况下的机械振动信号，识别准确率较高，应用性良好。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本实施例中耦合仿真等效电路图；
图2是本实施例中电抗器线圈匝间绝缘故障分类模型；
图3是本实施例中故障分类算法流程图；
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所述的，电抗器匝间绝缘状态监测是电抗器状态检修管理机制的重要核心部分，当今的电抗器匝间绝缘状态诊断方法及导则存在着离线判断、诊断方法效率较低，诊断结果准确性欠佳等问题。为此，本实施例提出基于振动分析法实现电抗器匝间绝缘状态监测方法，具体包括以下部分：
(1)电抗器线圈振动特性分析。从电抗器机械及电气特性机理出发，采用COMSOL软件建立电力电抗器线圈振动仿真模型，进行电路、磁场和结构力场的多场耦合仿真。从理论角度分析了电抗器稳态运行时线圈的受力情况，通过电抗器实际参量建立多种不同运行工况下的电抗器线圈振动仿真模型，获取大量电抗器线圈振动数据。
(2)电抗器线圈振动信号特征提取算法。在电抗器绕组振动特性理论研究基础上提出了基于变分模态分解(Variational mode decomposition，VMD)与权重散度的电抗器线圈振动信号的特征提取方法，并应用于电抗器绕组振动信号分析中。
(3)电抗器线圈匝间绝缘状态监测算法。在电抗器线圈匝间绝缘状态特征提取算法基础之上，引入相关向量机，构建电抗器线圈匝间绝缘故障分类模型。建立了和声搜索优化相关向量机的模式识别模型，通过模式识别算法建立权重散度与电抗器线圈匝间绝缘状态之间的关系。
首先，电抗器振动特性理论与建模分析，电抗器运行时的振动主要是由线圈振动而引起，线圈上产生的力主要为电动力。线圈所受电磁力如式(1)所示：
式中，R为线圈圆环半径，ω为电网工频角频率，it为绕组中流过电流，I为稳态电流有效值，从公式可以得出电抗器线圈所受电磁力与电流平方成正比，其振动基频为电网频率的二倍，Bt是线圈所处位置漏磁密。
电抗器发生匝间绝缘故障时，短路电流远大于稳态运行时电流，线圈所受电磁力也远大于正常工况，对应的振动位移和加速度也会有较大变化，因此通过分析电抗器线圈振动信号可以反映其匝间绝缘状态，进而达到监测电抗器匝间短路故障的目的。
如图1所示，采用COMSOL软件建立电抗器线圈振动仿真模型，进行电路、磁场和结构力场的多场耦合仿真。在结构力场模块中，将电磁场耦合求解出的变量B、J、H带入结构力场求解域方程中，实现电磁场与结构力场的耦合。通过耦合计算可以得到对应线圈应力、位移和加速度。
利用电抗器线圈振动仿真模型分别在电抗器正常运行和匝间短路故障状态下对线圈所受应力分布进行分析即可以验证电抗器振动特性理论分析的正确性。
其次，基于变分模态分解的电抗器线圈振动信号特征提取过程：
当电抗器匝间绝缘状态发生改变时对应的机械振动会发生相应变化。为了使这种变化展现更加直观，区分不同机械状态的特性，在电抗器线圈振动特性研究分析基础之上，提出了基于变分模态分解的电抗器绕组振动信号的特征提取方法。
特征提取过程中，采用变分模态分解(Variational mode decomposition，VMD)将电抗器线圈不同状态下振动信号分解为一系列有限带宽本征模态函数(Intrinsic modefunction，IMF)。对信号进行VMD处理的过程是对变分问题进行求解的过程，首先构造带约束条件的变分模型，然后搜寻模型的最优解来实现信号的自适应分离。具体过程如下：
将电抗器振动信号分解为K个本征模态函数uk(t)，k＝1，2，…，K：
uk(t)＝Ak(t)cos(φk(t)) (2)
式中：Ak(t)为uk(t)的瞬时幅值，dφk(t)/dt＝ωk(t)，ωk(t)为uk(t)的瞬时频率。
带约束条件(①各模态之和等于输入信号；②本征模态函数的估计带宽之和最小)的变分问题如下：
引入二次惩罚因子α与拉格朗日乘法算子λ(t)，把上述问题转化为无约束条件的变分问题，如式(4)所示。
α为二次惩罚因子，λ(t)为拉格朗日乘法算子，λ为拉格朗日乘子。通过乘法算子交替方向法来求解上述变分问题，更新
和λn+1，寻找(4)式的鞍点，其中
的表达式为：
式中：ωk等同于
等同于
利用Parseval/Plancherel傅里叶等距变换将(5)式转换到频域，将中心频率的取值问题扩展到频域，获得中心频率的更新方法，同时完成λ的更新。频率ω对应的是时间t，更新表达式如下：
整理上述思路，将该变分问题的求解过程简化如下：
1)将
和n进行初始化。
2)对每一模态，根据式(6)(7)得到
和
3)根据(8)式更新拉格朗日乘子。
4)对于给定判别精度e>0，判断下式，若满足停止迭代，否则返回步骤2)。
通过上述的计算并进行迭代求解，把本征模态函数分量的中心频率及带宽在有约束条件的变分模型中不断交替，直至满足迭代停止条件式(9)，对于给定判别精度e>0，结束整个循环，最终根据电抗器振动信号的频域特性得到K个窄带IMF分量，完成信号频带的自适应分割，有效地防止发生模态混叠。
在VMD分解的基础之上，提出了权重散度法进一步的提取电抗器线圈振动信号的特征。首先计算每个IMF分量与原始信号的K-L散度，能够表征出各频率信号在原始信号中所占有的分量，再乘上权重系数(各IMF分量主频的1/100的倒数)即可得到权重散度，权重散度是检测电抗器匝间绝缘状态的重要判据，其揭示的是电抗器线圈机械振动信号的时频分布特征。
电抗器振动信号的K-L散度求解过程简述如下：
1)给定两个信号，电抗器线圈原始振动信号X＝{x1,x2，…，xn}和IMF分量Y＝{y1,y2，…,yn}，这里设两个信号的概率分布函数分别为p(x)、q(x)。
2)定义(10)为概率分布函数p(x)的核密度估计，同理q(x)亦可得。
式中：p(x)是x点处的核密度函数值，k[*]为高斯核函数；h为平滑参数。
3)通过式(11)计算两个信号的K-L距离。
4)最终通过式(12)得到K-L散度。
D(p,q)＝δ(p,q)+δ(q,p) (12)
上述IMF分量Y＝{y1，y2，…，yn}对应着一定的主频率，将IMF分量主频的1/104的倒数定义为权重系数，权重系数乘上K-L散度即可得到权重散度。
对于电抗器正常工况，低频信号是其主要成分，因此正常信号的权重散度较故障信号要小，而高频部分恰恰相反。相比正常信号而言，匝间绝缘故障信号包含着更多的高频信号，因此其权重散度在中高频部分低于正常信号。
基于优化相关向量机的电抗器线圈匝间绝缘状态监测过程：
电抗器线圈振动信号的权重散度结果较复杂，仅靠人为试验总结难以归纳出特征提取结果与电抗器线圈匝间绝缘状态之间的关系。因此引入了相关向量机((Relevancevector machine，RVM)，通过模式识别算法建立权重散度与电抗器线圈匝间绝缘状态之间的关系。
RVM属于二分类器，能够对二分类问题输出归属概率。将RVM应用于电抗器的匝间绝缘故障诊断中，图2为所建立的电抗器匝间绝缘故障分类模型，图2中分类器RVM1分离正常状态和故障状态，输出0为正常状态，1为故障状态；
利用和声搜索算法，对相关向量机核函数参数选择进行优化，即选择最佳的核函数参数，使得相关向量机故障分类准确率最高。在本实施例中，相关向量机选择了高斯核函数。具体实现过程简述如下，如图3所示为和声搜索优化相关向量机模型的算法流程。
(1)定义适应度值函数与和声维数。优化目标是RVM1的核函数参数，定义该模型的分类准确度的平均值为适应度值函数，在本实施例中，和声维数设置为3。
(2)参数初始化。需要进行设置的参数有：和声记忆库HM容量，记忆库取值概率HMCR，音调微调概率PAR，音调微调宽带bw，最大迭代次数Tmax。
(3)初始化和声库。产生HMS个和声，构成了初始的和声库。调用相关向量机计算原始记忆库(HM)中的各个体适应度值。
(4)生成新和声。如果满足rand1<HMCR，则根据下式从记忆库(HM)中随机选取一个个体。
根据(14)式对选取的个体进行微调；如果不满足rand1<HMCR，则在变量的取值范围里重新生成一个新解。
(5)更新和声记忆库。计算由步骤(3)所产生的新解的适应度值，并根据下式进行记忆库(HM)的更新。
(6)判断算法是否终止。若满足最大迭代次数则算法终止，获取最优的核函数参数，输出核函数参数下的运行结果。否则，算法转到步骤(3)继续执行。
当然，和声搜索算法首先把随机产生的HMS个初始解(和声)放入和声记忆库(HM)内，以概率(1-HMCR)在变量的允许范围内且以概率HMCR在HM内搜索新解，然后又以概率PAR对新解作局部扰动产生最终新解，并判断新解目标值是否优于HM内的最差解，若是，则用新解替换最差解，继续迭代，直至满足终止条件为止。
rand1和rand2均为随机数。
这些变量都是和声搜索算法中的已有知识，在此和声搜索优化相关向量机模型的算法流程中并没有赘述。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种电抗器匝间绝缘状态监测方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种电抗器匝间绝缘状态监测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种电抗器匝间绝缘状态监测方法，其特征是：包括以下步骤：
建立电力电抗器线圈振动仿真模型，获取电抗器线圈振动信号；具体为：
建立电抗器线圈振动仿真模型，进行电路、磁场和结构力场的多场耦合仿真，在结构力场模块中，将电磁场耦合求解出的变量带入结构力场求解域方程中，实现电磁场与结构力场的耦合，通过耦合计算得到对应线圈应力、位移和加速度；
采用变分模态分解将电抗器线圈不同状态下振动信号分解为多个有限带宽本征模态函数，完成信号频带的自适应分割；
计算每个有限带宽本征模态函数分量与原始信号的相对熵，相对熵乘上权重系数，得到权重散度，表征电抗器线圈机械振动信号的时频分布特征；
利用模式识别算法建立权重散度与电抗器线圈匝间绝缘状态之间的关系，对所述关系进行寻优求解，直到满足设定条件，输出此时的电抗器线圈匝间绝缘状态；引入相关向量机，构建电抗器线圈匝间绝缘故障分类模型，建立和声搜索优化相关向量机的模式识别模型，区分电抗器匝间短路故障与正常工况下的机械振动信号。
2.如权利要求1所述的一种电抗器匝间绝缘状态监测方法，其特征是：进行信号频带的自适应分割过程中，具体包括：
将电抗器振动信号分解为多个本征模态函数，构造带约束条件的变分模型，搜寻模型的最优解来实现信号的自适应分离。
3.如权利要求1所述的一种电抗器匝间绝缘状态监测方法，其特征是：电抗器振动信号的相对熵求解过程包括：
确定电抗器线圈原始振动信号和有限带宽本征模态函数分量的概率分布函数，基于两个概率分布函数，分别计算概率分布函数的核密度估计，进而计算两个信号的K-L距离，进而得到相对熵。
4.如权利要求1所述的一种电抗器匝间绝缘状态监测方法，其特征是：权重系数为相应的有限带宽本征模态函数分量主频的1/104的倒数。
5.如权利要求1所述的一种电抗器匝间绝缘状态监测方法，其特征是：利用相关向量机进行电抗器的匝间绝缘故障诊断。
6.如权利要求1所述的一种电抗器匝间绝缘状态监测方法，其特征是：利用和声搜索算法，对相关向量机核函数参数选择进行优化，以选择最佳的核函数参数；
具体过程包括：
(1)定义适应度值函数与和声维数，优化目标是相关向量机的核函数参数，定义该模型的分类准确度的平均值为适应度值函数；
(2)参数初始化，设置和声记忆库容量、记忆库取值概率、音调微调概率、音调微调宽带和最大迭代次数；
(3)初始化和声库，产生多个和声，构成初始的和声库，调用相关向量机计算原始记忆库中的各个体适应度值；
(4)生成新和声，计算新和声对应的分类准确度，如果新解优于和声库内的最差解，则用新解替换该最差解，更新和声记忆库；
(5)若满足最大迭代次数则算法终止，获取最优的核函数参数，输出核函数参数下的运行结果；否则，算法转到步骤(4)继续执行。
7.一种电抗器匝间绝缘状态监测系统，其特征是：运行于处理器或存储器上，被配置为执行以下指令：
建立电力电抗器线圈振动仿真模型，获取电抗器线圈振动信号；具体为：建立电抗器线圈振动仿真模型，进行电路、磁场和结构力场的多场耦合仿真，在结构力场模块中，将电磁场耦合求解出的变量带入结构力场求解域方程中，实现电磁场与结构力场的耦合，通过耦合计算得到对应线圈应力、位移和加速度；
采用变分模态分解将电抗器线圈不同状态下振动信号分解为多个有限带宽本征模态函数，完成信号频带的自适应分割；
计算每个有限带宽本征模态函数分量与原始信号的相对熵，相对熵乘上权重系数，得到权重散度，表征电抗器线圈机械振动信号的时频分布特征；
利用模式识别算法建立权重散度与电抗器线圈匝间绝缘状态之间的关系，对所述关系进行寻优求解，直到满足设定条件，输出此时的电抗器线圈匝间绝缘状态；引入相关向量机，构建电抗器线圈匝间绝缘故障分类模型，建立和声搜索优化相关向量机的模式识别模型，区分电抗器匝间短路故障与正常工况下的机械振动信号。
8.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-6中任一项所述的一种电抗器匝间绝缘状态监测方法。
9.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-6中任一项所述的一种电抗器匝间绝缘状态监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143706.6A CN109901030B (zh) | 2019-02-25 | 2019-02-25 | 一种电抗器匝间绝缘状态监测方法、系统及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143706.6A CN109901030B (zh) | 2019-02-25 | 2019-02-25 | 一种电抗器匝间绝缘状态监测方法、系统及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109901030A CN109901030A (zh) | 2019-06-18 |
| CN109901030B true CN109901030B (zh) | 2021-10-22 |
Family
ID=66945611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910143706.6A Active CN109901030B (zh) | 2019-02-25 | 2019-02-25 | 一种电抗器匝间绝缘状态监测方法、系统及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109901030B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115778404B (zh) * | 2023-01-09 | 2023-05-26 | 苏州维伟思医疗科技有限公司 | 一种心电信号处理方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104487858A (zh) * | 2012-06-26 | 2015-04-01 | 英国西门子公司 | 用于减小mri系统中的梯度线圈振动的方法和设备 |
| CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
| CN106646096A (zh) * | 2016-11-15 | 2017-05-10 | 国网四川省电力公司广安供电公司 | 基于振动分析法的变压器故障分类和识别方法 |
| CN107783006A (zh) * | 2017-10-18 | 2018-03-09 | 华北电力大学（保定） | 水轮发电机转子绕组匝间短路故障检测方法 |
| CN108733921A (zh) * | 2018-05-18 | 2018-11-02 | 山东大学 | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 |
| CN109029960A (zh) * | 2018-08-27 | 2018-12-18 | 深圳供电局有限公司 | 一种断路器机械状态检测方法 |
-
2019
- 2019-02-25 CN CN201910143706.6A patent/CN109901030B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104487858A (zh) * | 2012-06-26 | 2015-04-01 | 英国西门子公司 | 用于减小mri系统中的梯度线圈振动的方法和设备 |
| CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
| CN106646096A (zh) * | 2016-11-15 | 2017-05-10 | 国网四川省电力公司广安供电公司 | 基于振动分析法的变压器故障分类和识别方法 |
| CN107783006A (zh) * | 2017-10-18 | 2018-03-09 | 华北电力大学（保定） | 水轮发电机转子绕组匝间短路故障检测方法 |
| CN108733921A (zh) * | 2018-05-18 | 2018-11-02 | 山东大学 | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 |
| CN109029960A (zh) * | 2018-08-27 | 2018-12-18 | 深圳供电局有限公司 | 一种断路器机械状态检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109901030A (zh) | 2019-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109029960B (zh) | 一种断路器机械状态检测方法 | |
| Zhao et al. | Fault diagnosis of circuit breaker energy storage mechanism based on current-vibration entropy weight characteristic and grey wolf optimization–support vector machine | |
| CN103177188A (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
| JP2013044736A (ja) | 稼働状況判別装置、稼働状況判別プログラム、稼働状況判別方法、波形パターン学習装置、波形パターン学習プログラム、及び波形パターン学習方法 | |
| CN108008187B (zh) | 基于变分模态分解的电网谐波检测方法 | |
| CN109901030B (zh) | 一种电抗器匝间绝缘状态监测方法、系统及应用 | |
| Kuo | Artificial recognition system for defective types of transformers by acoustic emission | |
| CN113901666A (zh) | 应用于智能电网的实时监控和异常检测方法 | |
| CN116299219B (zh) | 一种干扰深度特征距离度量联合检测与抑制方法 | |
| Bouchareb et al. | Advanced diagnosis strategy for incipient stator faults in synchronous reluctance motor | |
| CN115342904A (zh) | 一种基于多信息融合的变压器振动基频幅值预测方法 | |
| CN114113837A (zh) | 一种基于声学特征的变压器带电检测方法及系统 | |
| CN114817840A (zh) | 断路器状态检测方法、装置、设备及计算机可读存储介质 | |
| CN114355100A (zh) | 配电网单相弧光接地故障选线方法、系统、设备及介质 | |
| Zheng et al. | Networked synthetic dynamic PMU data generation: A generative adversarial network approach | |
| CN113391172A (zh) | 一种基于时序集成的多源超声检测的局放诊断方法及系统 | |
| CN111983398A (zh) | 一种考虑nlos条件下电力变压器局放tdoa定位方法及系统 | |
| Xiang et al. | Research on Transformer Voiceprint Feature Extraction Oriented to Complex Noise Environment | |
| CN112834877B (zh) | 一种变压器局部放电电气定位方法及设备 | |
| CN110518588B (zh) | 滤波方法、装置、设备和电力电子装置 | |
| CN111027587A (zh) | 一种交直流电网运行数据的属性标定方法及系统 | |
| Sun et al. | Application of SCNGO-VMD-SVM in Identification of Gas Insulated Switchgear Partial Discharge | |
| Lan et al. | A Novel Motor Fault Diagnosis Method Based on Generative Adversarial Learning with Distribution Fusion of Discrete Working Conditions. | |
| Li et al. | Improvement of Electromechanical Mode Identification from Ambient Data with Stochastic Subspace Method | |
| CN117937522B (zh) | 电力控制柜的电力节能控制方法、控制柜及存储介质 |
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 |