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

一种基于模糊聚类的oltc故障诊断方法 Download PDF

Info

Publication number
CN110132566A
CN110132566A CN201910454353.1A CN201910454353A CN110132566A CN 110132566 A CN110132566 A CN 110132566A CN 201910454353 A CN201910454353 A CN 201910454353A CN 110132566 A CN110132566 A CN 110132566A
Authority
CN
China
Prior art keywords
vibration signal
state
fuzzy clustering
contact
point
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.)
Granted
Application number
CN201910454353.1A
Other languages
English (en)
Other versions
CN110132566B (zh
Inventor
马宏忠
陈明
刘宝稳
陈冰冰
许洪华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910454353.1A priority Critical patent/CN110132566B/zh
Publication of CN110132566A publication Critical patent/CN110132566A/zh
Application granted granted Critical
Publication of CN110132566B publication Critical patent/CN110132566B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01HMEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

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(xp,yp),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={(xp-xp-1,yp-yp-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:Zc=(z1,z2,...zn-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,…,zc),Z是包含n个Zc的特征向量集;
满足以下约束条件:uij∈[0,1],且uij满足:
得目标函数:
式中:V为聚类中心,vi为第i类的聚类中心;m为模糊加权指数,dij(Zj,vi)表示特征向量Zj到聚类中心Vi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={vi}和隶属度矩阵Uc×n={uij},uij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(xp,yp),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={(xp-xp-1,yp-yp-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:Zc=(z1,z2,...zn-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,…,zc),Z是包含n个Zc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Zi,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:uij∈[0,1],且uij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,vi为第i类的聚类中心;m为模糊加权指数,dij(Zj,vi)表示特征向量Zj到聚类中心Vi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={vi}和隶属度矩阵Uc×n={uij},uij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(xp,yp),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={(xp-xp-1,yp-yp-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:Zc=(z1,z2,…zn-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,…,zc),Z是包含n个Zc的特征向量集;
满足以下约束条件:uij∈[0,1],且uij满足:
得目标函数:
式中:V为聚类中心,vi为第i类的聚类中心;m为模糊加权指数,dij(Zj,vi)表示特征向量Zj到聚类中心Vi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={vi}和隶属度矩阵Uc×n={uij},uij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。
CN201910454353.1A 2019-05-28 2019-05-28 一种基于模糊聚类的oltc故障诊断方法 Expired - Fee Related CN110132566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910454353.1A CN110132566B (zh) 2019-05-28 2019-05-28 一种基于模糊聚类的oltc故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910454353.1A CN110132566B (zh) 2019-05-28 2019-05-28 一种基于模糊聚类的oltc故障诊断方法

Publications (2)

Publication Number Publication Date
CN110132566A true CN110132566A (zh) 2019-08-16
CN110132566B CN110132566B (zh) 2020-10-27

Family

ID=67582605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910454353.1A Expired - Fee Related CN110132566B (zh) 2019-05-28 2019-05-28 一种基于模糊聚类的oltc故障诊断方法

Country Status (1)

Country Link
CN (1) CN110132566B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111025139A (zh) * 2019-12-19 2020-04-17 国网陕西省电力公司西咸新区供电公司 一种基于信息融合的有载分接开关状态监测方法及系统
CN111639852A (zh) * 2020-05-27 2020-09-08 国网新源控股有限公司技术中心 基于小波奇异值的水电机组振动状态实时评估方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661080A (zh) * 2009-09-23 2010-03-03 河海大学 电力变压器有载分接开关触头脱落故障诊断方法
CN201974507U (zh) * 2009-09-08 2011-09-14 江苏省电力公司南京供电公司 电力变压器有载分接开关切换触头烧损故障诊断装置
CN202141589U (zh) * 2011-07-01 2012-02-08 昆明益通美尔防雷工程有限公司 变压器有载分接开关智能在线监测装置
CN102944418A (zh) * 2012-12-11 2013-02-27 东南大学 一种风电机组叶片故障诊断方法
CN103345639A (zh) * 2013-07-01 2013-10-09 河海大学常州校区 基于模糊聚类的支持向量机高压断路器故障诊断方法
KR20140041982A (ko) * 2012-09-25 2014-04-07 한국전력공사 Oltc의 부동작 감시 장치
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
CN106153183A (zh) * 2015-04-27 2016-11-23 国家电网公司 变压器有载分接开关机械状态的在线监测方法
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
US20180011850A1 (en) * 2015-03-17 2018-01-11 Hewlett-Packard Development Company, L.P. Temporal-based visualized identification of cohorts of data points produced from weighted distances and density-based grouping
CN109034076A (zh) * 2018-08-01 2018-12-18 天津工业大学 一种机械故障信号的自动聚类方法及自动聚类系统
CN109443717A (zh) * 2018-10-16 2019-03-08 国网江苏省电力有限公司南京供电分公司 一种有载分接开关机械故障在线监测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201974507U (zh) * 2009-09-08 2011-09-14 江苏省电力公司南京供电公司 电力变压器有载分接开关切换触头烧损故障诊断装置
CN101661080A (zh) * 2009-09-23 2010-03-03 河海大学 电力变压器有载分接开关触头脱落故障诊断方法
CN202141589U (zh) * 2011-07-01 2012-02-08 昆明益通美尔防雷工程有限公司 变压器有载分接开关智能在线监测装置
KR20140041982A (ko) * 2012-09-25 2014-04-07 한국전력공사 Oltc의 부동작 감시 장치
CN102944418A (zh) * 2012-12-11 2013-02-27 东南大学 一种风电机组叶片故障诊断方法
CN103345639A (zh) * 2013-07-01 2013-10-09 河海大学常州校区 基于模糊聚类的支持向量机高压断路器故障诊断方法
US20180011850A1 (en) * 2015-03-17 2018-01-11 Hewlett-Packard Development Company, L.P. Temporal-based visualized identification of cohorts of data points produced from weighted distances and density-based grouping
CN106153183A (zh) * 2015-04-27 2016-11-23 国家电网公司 变压器有载分接开关机械状态的在线监测方法
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
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
CN109034076A (zh) * 2018-08-01 2018-12-18 天津工业大学 一种机械故障信号的自动聚类方法及自动聚类系统
CN109443717A (zh) * 2018-10-16 2019-03-08 国网江苏省电力有限公司南京供电分公司 一种有载分接开关机械故障在线监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于晗: "万能式断路器机械故障非侵入式诊断技术的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
周宏伟 等: "基于模糊 k 均值的变压器分接开关故障诊断", 《吉林大学学报(信息科学版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111025139A (zh) * 2019-12-19 2020-04-17 国网陕西省电力公司西咸新区供电公司 一种基于信息融合的有载分接开关状态监测方法及系统
CN111025139B (zh) * 2019-12-19 2022-04-22 国网陕西省电力公司西咸新区供电公司 一种基于信息融合的有载分接开关状态监测方法及系统
CN111639852A (zh) * 2020-05-27 2020-09-08 国网新源控股有限公司技术中心 基于小波奇异值的水电机组振动状态实时评估方法及系统
CN111639852B (zh) * 2020-05-27 2023-11-03 国网新源控股有限公司技术中心 基于小波奇异值的水电机组振动状态实时评估方法及系统

Also Published As

Publication number Publication date
CN110132566B (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN103398769B (zh) 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法
CN111768082A (zh) 一种基于大数据分析的电力设备状态评估方法
CN110146268A (zh) 一种基于均值分解算法的oltc故障诊断方法
CN109029959B (zh) 一种变压器绕组的机械状态检测方法
CN110146269A (zh) 基于eemd的多尺度模糊熵的oltc故障诊断方法
CN108802525A (zh) 基于小样本的设备故障智能预测方法
CN106934421A (zh) 基于2dpca及svm的变电站电力变压器故障检测系统及检测方法
CN102721464A (zh) 电力变压器绕组变形故障检测方法及系统
CN110985310B (zh) 基于声传感器阵列的风力发电机叶片故障监测方法与设备
CN109443717A (zh) 一种有载分接开关机械故障在线监测方法
CN103115789A (zh) 金属结构损伤剩余寿命的第二代小波支持向量机评估方法
CN108398252A (zh) 基于itd与svm的oltc机械故障诊断方法
CN109443190B (zh) 基于暂态行波的变压器绕组变形在线监测方法及装置
CN110132566A (zh) 一种基于模糊聚类的oltc故障诊断方法
CN110320467A (zh) 一种低压直流断路器故障诊断方法
CN107015140A (zh) 一种有载分接开关弹簧动能不足故障的振动信号分析方法
CN109800740A (zh) 一种基于样本熵和svm的oltc机械故障诊断方法
CN110412458A (zh) 一种oltc传动机构故障诊断方法
CN106932184A (zh) 一种基于改进层次聚类的变压器故障诊断方法
CN110132404A (zh) 一种变压器有载分接开关机械故障在线监测方法
CN109933865A (zh) 一种基于递归图和递归定量分析的oltc故障诊断方法
CN109900465B (zh) 一种基于声音信号的有载分接开关故障诊断方法
CN112016470A (zh) 基于声音信号和振动信号的有载分接开关故障识别方法
CN116089857A (zh) 一种基于ceemdan-dbn的变压器故障识别方法
CN111693829A (zh) 非接触式超声波检测的局部放电噪声与放电区分的方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201027