CN110132566A - 一种基于模糊聚类的oltc故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于模糊聚类的OLTC故障诊断方法，包括步骤(1)将振动检测探头贴敷在有载分接开关的箱壁顶端，分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号，且各个状态下的振动信号均采集多组；(2)利用小波包阈值法对各振动信号进行降噪；(3)对降噪后的振动信号提取特征量；(4)利用模糊聚类进行故障识别。该方法可实时监测变压器有载分接开关的工作状态，满足变压器有载分接开关实时故障诊断的要求。为有目的的检修提供数据支撑和理论依据，避免浪费人力，物力和时间。

Description

一种基于模糊聚类的OLTC故障诊断方法

技术领域

本发明涉及一种电力设备故障诊断方法，具体涉及一种基于模糊聚类的OLTC故障诊断方法。

背景技术

有载分接开关(OLTC)是电力变压器的一个重要组成部分，其运行状况直接关系到变压器及系统的稳定与安全。OLTC是变压器故障率最高部件之一。其故障不但直接影响变压器运行，而且影响电网质量与电网运行。根据沟内资料统计，由OLTC故障引起的事故约占变压器总事故的28％左右且故障类型基本为机械故障，例如触头松动、触头脱落、机构卡涩、滑档、拒动等。机械故障会直接损坏OLTC和变压器本身，进而引起其他更严重的电气故障，以致造成严重的后果。因此，对运行中的OLTC的机械性能进行监测，及早发现其故障隐患，对变压器及电力系统的安全运行有着十分重大的意义。

目前，对有载分接开关机械故障的诊断方法主要是停电检修和在线监测。有载分接开关的停电检修往往周期较长，难以及时发现早期的机械故障，经常在停电检修前即发生故障损坏，并且停电检修影响变压器正常运行，需要耗费大量人力、物力和财力。在线监测方法主要有基于热噪声诊断法和基于振动的在线监测等，基于热噪声的诊断是由于变压器分接开关故障后发热产生的热噪声传播到变压器外面，通过在变压器外壳上安装噪声传感器检测来进行分接开关故障诊断，但热噪声传到传感器时，能量损耗太大再加上各种噪音大干扰工程运用很难实现。

发明内容

发明目的：为了克服现有技术的缺陷，本发明提供一种基于模糊聚类的OLTC故障诊断方法，通过该方法能及时发现有载分接开关运行过程中的潜伏性故障，提高有载分接开关可靠性。

技术方案：本发明所述的一种基于模糊聚类的OLTC故障诊断方法，包括下述步骤：

(1)将振动检测探头贴敷在有载分接开关的箱壁顶端，分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号，且各个状态下的振动信号均采集多组；

(2)利用小波包阈值法对各振动信号进行降噪；

(3)对降噪后的振动信号提取特征量；

(4)利用模糊聚类进行故障识别。

其中，所述步骤(2)中，对振动信号s(t)进行降噪的步骤如下：

(2.1)选取db5小波基和分解层数为3，对含噪电流包络信号进行小波包分解；

(2.2)选取改机阈值函数(1)对小波分解系数进行阈值量化处理，得到相应的小波系数；

式中：β为调节系数，取值范围为0≤β≤1；λ为阈值，λ＝0.48；

(2.3)将处理后的小波系数反变换，重构去噪后的振动信号y(t)。

作为优选，所述步骤(2.2)中，调节系数β＝0.5。

所述步骤(3)中，对降噪后的振动信号y(t)进行特征量提取的步骤如下：

(3.1)计算振动信号平均值z，将振动信号中第一个大于z的点记为信号起点，同时将最后一个大于z的点记为信号终点，以确定信号区域；

(3.2)在信号区域内，从起点(x₀,y₀)开始，每隔p个点选取一个特征点，其坐标记为(x_p,y_p)，直至区间末尾，共选取P个特征点；

(3.3)从(x₀,y₀)开始，分别连结相邻两特征点作为特征向量，进而构成包含P个向量的特征向量集合为：

T＝{(x_p-x_p-1,y_p-y_p-1)},p＝1,2,3...P (2)。

所述步骤(4)中，记正常状态、触头松动状态、触头磨损状态、触头烧毁状态的不同状态分为1～4类；计算从起始点相邻两个向量之间的欧式几何距离得到向量：Z_c＝(z₁,z₂,...z_n-1)，c为类别c＝1～4，最后采集不同类型的故障数据得到特征集Z＝(z₁,z₂,z₃,z₄,…,z_c)，Z是包含n个Z_c的特征向量集；

满足以下约束条件：u_ij∈[0,1]，且u_ij满足：

得目标函数：

式中：V为聚类中心，v_i为第i类的聚类中心；m为模糊加权指数，d_ij(Z_j,v_i)表示特征向量Z_j到聚类中心V_i的欧式距离；

利用迭代法修正U和V中的值，得到最优聚类中心V＝{v_i}和隶属度矩阵U_c×n＝{u_ij}，u_ij表示Z的第j个特征向量属于第i类的隶属度；

隶属度矩阵的行号与所属类别对应，列号与特征向量的顺序编号对应，隶属度矩阵每一列最大数据所在的行即为特征向量所对应的类别，根据其对应的类别判断故障的状态类型。

有益效果：与现有技术相比，该故障诊断方法基于振动法提取特征量，然后与模糊聚类相结合实现OLTC的故障诊断，具有速度快，结论直观，诊断机械故障正确率高等特点。具体而言，该方法所提取的振动信号特征向量可完全覆盖整个信号，因此可有效反映不同工况下的振动信号的波形变化，进而作为聚类分析对象进行分析。通过优化小波包分解系数的阈值进行优化，能有效的滤除噪音干扰，获得准确的获得振动信号。与神经网络相比，采用特征量提取方法和模糊聚类相结合故障识别率高，更适用于工程应用。

附图说明

图1是本发明的流程图；

图2是正常状态下的振动信号。

具体实施方式

下面，结合附图对本发明做进一步详细说明。

如图1所示，本实施例公开了一种基于模糊聚类的OLTC故障诊断方法，包括下述步骤：

(1)将振动检测探头贴敷在有载分接开关的箱壁顶端，分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号，且各个状态下的振动信号均采集40组；

因为OLTC垂直顶端(箱壁顶端)直接与触头动作结构相连所以顶端的振动信号最强，因此，将振动传感器放置于OLTC的垂直顶端，采集到的正常状态的振动信号如图2所示。

(2)利用小波包阈值法对各振动信号进行降噪；

该步骤中，对振动信号s(t)进行降噪的步骤如下：

(2.1)选取db5小波基和分解层数为3对含噪电流包络信号进行小波包分解；

(2.2)选取改机阈值函数(1)对小波分解系数进行阈值量化处理，得到相应的小波系数；

式中：β为调节系数，取值范围为0≤β≤1，本实施例优选β＝0.5；λ为阈值，λ＝0.48；

(2.3)将处理后的小波系数反变换，重构去噪后的振动信号y(t)。

(3)对降噪后的振动信号提取特征量；

具体的，对降噪后的振动信号y(t)进行特征量提取的步骤如下：

(3.1)计算振动信号平均值z，将振动信号中第一个大于z的点记为信号起点，同时将最后一个大于z的点记为信号终点，以确定信号区域；

(3.2)在信号区域内，从起点(x₀,y₀)开始，每隔p个点选取一个特征点，其坐标记为(x_p,y_p)，直至区间末尾，共选取P个特征点；

(3.3)从(x₀,y₀)开始，分别连结相邻两特征点作为特征向量，进而构成包含P个向量的特征向量集合为：

T＝{(x_p-x_p-1,y_p-y_p-1)},p＝1,2,3...P (2)。

(4)利用模糊聚类进行故障识别。

记正常状态、触头松动状态、触头磨损状态、触头烧毁状态的不同状态分为1～4类；计算从起始点相邻两个向量之间的欧式几何距离得到向量：Z_c＝(z₁,z₂,...z_n-1)，c为类别c＝1～4，最后采集不同类型的故障数据得到特征集Z＝(z₁,z₂,z₃,z₄,…,z_c)，Z是包含n个Z_c的特征向量集；

部分实验数据如下表所示：

表1部分实验数据

将每行作为一个特征向量Z_i，汇总每个状态的特征向量得到向量集Z，将Z分为c类，满足以下约束条件：u_ij∈[0,1]，且u_ij还需满足：

式中：n为特征向量个数，c为分类类别个数；

得目标函数：

式中：V为聚类中心，v_i为第i类的聚类中心；m为模糊加权指数，d_ij(Z_j,v_i)表示特征向量Z_j到聚类中心V_i的欧式距离；

利用迭代法修正U和V中的值，得到最优聚类中心V＝{v_i}和隶属度矩阵U_c×n＝{u_ij}，u_ij表示Z的第j个特征向量属于第i类的隶属度；

得到表1的隶属矩阵为：

隶属度矩阵的行号与所属类别对应，列号与特征向量的顺序编号对应。即U中的第1～4列与表1中的第1～4行的顺序一一对应。U中的每个数据表示特征向量对应于所在行号类别的隶属度，故隶属度矩阵每一列最大数据所在的行即为特征向量所对应的类别。例如第三列最大值在第三行说明它属于第三类。

最后，把采集的各个状态的40组数据带入，根据其对应的类别判断故障的状态类型。得到各个状态故障识别率为表2所示：

表2故障识别率

OLTC状态	测试数	正确率
			正常	40	95％
触头磨损	40	94％
			触头松动	40	90％
触头烧毁	40	94％

从实验的结果来看本发明的故障诊断方法结论简洁，易懂，识别故障率高，适合工程应用。

Claims (5)

1.一种基于模糊聚类的OLTC故障诊断方法，其特征在于，包括下述步骤：

(1)将振动检测探头贴敷在有载分接开关的箱壁顶端，分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号，且各个状态下的振动信号均采集多组；

(2)利用小波包阈值法对各振动信号进行降噪；

(3)对降噪后的振动信号提取特征量；

(4)利用模糊聚类进行故障识别。

2.根据权利要求1所述的基于模糊聚类的OLTC故障诊断方法，其特征在于，所述步骤(2)中，对振动信号s(t)进行降噪的步骤如下：

(2.1)选取db5小波基和分解层数为3，对含噪电流包络信号进行小波包分解；

(2.2)选取改机阈值函数(1)对小波分解系数进行阈值量化处理，得到相应的小波系数；

式中：β为调节系数，取值范围为0≤β≤1；阈值λ＝0.48；

(2.3)将处理后的小波系数反变换，重构去噪后的振动信号y(t)。

3.根据权利要求2所述的基于模糊聚类的OLTC故障诊断方法，其特征在于，所述步骤(2.2)中，调节系数β＝0.5。

4.根据权利要求2所述的基于模糊聚类的OLTC故障诊断方法，其特征在于，所述步骤(3)中，对降噪后的振动信号y(t)进行特征量提取的步骤如下：

(3.1)计算振动信号平均值z，将振动信号中第一个大于z的点记为信号起点，同时将最后一个大于z的点记为信号终点，以确定信号区域；

(3.2)在信号区域内，从起点(x₀,y₀)开始，每隔p个点选取一个特征点，其坐标记为(x_p,y_p)，直至区间末尾，共选取P个特征点；

(3.3)从(x₀,y₀)开始，分别连结相邻两特征点作为特征向量，进而构成包含P个向量的特征向量集合为：

T＝{(x_p-x_p-1,y_p-y_p-1)},p＝1,2,3...P (2)_。

5.根据权利要求4所述的基于模糊聚类的OLTC故障诊断方法，其特征在于，所述步骤(4)中，记正常状态、触头松动状态、触头磨损状态、触头烧毁状态的不同状态分为1～4类；计算从起始点相邻两个向量之间的欧式几何距离得到向量：Z_c＝(z₁,z₂,…z_n-1)，c为类别c＝1～4，最后采集不同类型的故障数据得到特征集Z＝(z₁,z₂,z₃,z₄,…,z_c)，Z是包含n个Z_c的特征向量集；

满足以下约束条件：u_ij∈[0,1]，且u_ij满足：

得目标函数：

式中：V为聚类中心，v_i为第i类的聚类中心；m为模糊加权指数，d_ij(Z_j,v_i)表示特征向量Z_j到聚类中心V_i的欧式距离；

利用迭代法修正U和V中的值，得到最优聚类中心V＝{v_i}和隶属度矩阵U_c×n＝{u_ij}，u_ij表示Z的第j个特征向量属于第i类的隶属度_；

隶属度矩阵的行号与所属类别对应，列号与特征向量的顺序编号对应，隶属度矩阵每一列最大数据所在的行即为特征向量所对应的类别，根据其对应的类别判断故障的状态类型。