CN110146269A - 基于eemd的多尺度模糊熵的oltc故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于EEMD的多尺度模糊熵的OLTC故障诊断方法，包括步骤：(1)将加速振动传感器置于有载分接开关的顶盖，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，且各个状态下的分别采集多组振动信号；(2)将原始的振动信号进行EEMD分解，得到IMF分量；(3)选取前面若干个IMF分量，并计算选取的IMF分量的模糊熵；(4)用计算得到的模糊熵作为特征向量，输入SVM进行训练，得到SVM分类器，把测试样本的IMF分量的SEn值输入SVM分类器，进行工作状态识别。该方法可实时监测变压器有载分接开关的工作状态，满足OLTC实时故障诊断的要求。

Description

基于EEMD的多尺度模糊熵的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EEMD的多尺度模糊熵的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：为克服现有技术的缺陷，本发明提供一种基于EEMD的多尺度模糊熵的OLTC故障诊断方法，该方法基于集合经验模态分解(Ensemble Empirical ModeDecomposition，EEMD)的多尺度模糊熵，能够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EEMD的多尺度模糊熵的OLTC故障诊断方法，包括下述步骤：

(1)将加速振动传感器置于有载分接开关的顶盖，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，且各个状态下的分别采集多组振动信号；

(2)将原始的振动信号进行EEMD分解，得到IMF分量；

(3)选取前面若干个IMF分量，并计算选取的IMF分量的模糊熵；

(4)用计算得到的模糊熵作为特征向量，输入SVM进行训练，得到SVM分类器，把测试样本的IMF分量的SEn值输入SVM分类器，进行工作状态识别。

其中，所述步骤(2)中，将采集的到振动信号x(t)进行EEMD分解的具体步骤如下：

(2.1)先在原始信号中加入高斯白噪声，然后根据信号的波形，取波形的上、下极值点，分别得到局部最大值包络线和局部最小值包络线；再将这两条包络线相对应各点的值取平均，得到曲线m₁；然后求原信号x(t)和该曲线m₁的差h₁：

h₁＝x(t)-m₁ (1)

(2.2)将h₁作为原始信号，重复步骤(2.1)得到：

h₁₁＝h₁-m₁₁ (2)

式中：m₁₁为重复步骤中得到的上、下包络线平均值；

继续重复此过程，直到判据S_i＜0.1，其中：

此时h_1k＝h_1(k-1)-m_1k，为第1个IMF分量，记为c₁；

(2.3)将c₁从原始信号中减去：

r₁＝x(t)-c₁ (4)

将r₁作为新的信号数据，重复步骤(2.1)和步骤(2.2)，得到第二个IMF分量，记为c₂；

对得到的IMF分量重复上述操作可得c_i和残余分量r_n，如果所得到的c_i或r_n小于预先设定的值，或者已经变成了一条单调曲线，则分解结束；否则继续对得到的IMF分量进行以上操作，得到一系列IMF分量，最终原始信号分解为：

即原信号被分解为n个IMF和1个剩余分量。

所述步骤(3)中，因为前4个IMF分量基本包含了信号的所有有效的信息；所以，作为优选，选取前4个IMF分量计算模糊熵。

c_i由N个数据组成的时间序列{c(N)}＝c(1),c(2),...c(N)，模糊熵计算步骤如下：

(3.1)设定模式维数为m的向量序列，C_m(1)，...，C_m(N-m+1)，其中：

C_m(i)＝[c(i),c(i+1),…,c(i+m-1)]-u(i) (6)

式中：1≤i≤N-m+1，u(i)为：

(3.2)定义向量C_m(i)和C_m(j)之间的距离d[C_m(i)，C_m(j)]为两者对应元素中最大差值的绝对值，即：

d^m _ij＝max_{k＝0,…,m-1}(|(c(i+k)-u(i))-(c(j+k)-u(i))|) (8)

式中：i,j＝1,2,...,N-m+1，j≠i。

(3.3)向量C_m(i)和C_m(j)之间的相似度为：

式中：r为相似容限参数，其定义为原一维时间序列标准差的R倍，即r＝R×SD，SD为原始数据的标准差；

(3.4)定义B_i ^m(r)为：

则得到：

(3.5)模式维数增加1，即对m+1维重复步骤(3.1)～(3.4)，得：

(3.6)定义A^m(r)为：

定义时间模糊熵为：

SEn(m,r,N)＝lnφ^m(r)-lnφ^m+1(r) (14)

式中：m为模式维数，为1或2；r为相似容限，r＝0.1SD～0.25SD；N为数据长度；

计算出前4个IMF分量的模糊熵，并形成特征向量Y＝[Y₁,Y₂,Y₃,Y₄]。

所述步骤(4)中，把分别采集的各个状态的多组数据中的若干组数据，经过EEMD分解后的前4个IMF的模糊熵作为样本训练SVM分类器，该SVM分类器的核函数形式为：

其中，σ为控制核函数高宽的参数；对于线性不可分情况，引入惩罚因子C来控制错误分类；参数取值为σ＝1，惩罚因子C＝10；然后把各个状态的剩下的数据作为测试样本，带入SVM分类器进行故障诊断。

有益效果：与现有技术相比，本发明基于振动法提取特模糊熵征量，然后与支持向量机(SVM)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特点。具体的：

(1)采用的模糊熵分析方法只需要较短数据就可得出稳健的估计值，是一种具有较好的抗噪和抗干扰能力的非线性分析方法。通过对OLTC正常运行、触头烧毁、触头磨损、触头脱落、触头脱落振动信号分析实验表明，当OLTC出现故障时，模糊熵的值会有所改变，不同的故障，模糊熵的值也不同，说明模糊熵作为轴承故障诊断的特征的有效性。

(2)当OLTC出现轻微故障时，模糊熵值会突然变大，这种特性表明模糊熵在OLTC早期故障诊断方面有潜在的应用前景。

(3)对OLTC振动信号进行EEMD分解后，再进行模糊熵特征提取，比直接对轴承振动信号进行模糊熵特征提取，可以发现OLTC信号中更深层次的信息，得到更好的OLTC故障诊断效果。

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；

图3为经过EEMD分解后的前4个IMF分量。

具体实施方式

下面，结合附图对本发明做进一步详细说明。

本实施例选用某公司生产的CMⅢ-500-63B-10193W型有载分解开关作为研究对象，实验重点模拟OLTC切换过程中各种故障。

如图1所示，一种基于EEMD的多尺度模糊熵的OLTC故障诊断方法，包括下述步骤：

(1)将加速振动传感器置于有载分接开关(OLTC)的顶盖，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，且各个状态下的分别采集150组振动信号；采集到的正常工作状态下的振动信号如图2所示。

(2)将原始的振动信号进行EEMD分解，得到IMF分量；

在该步骤中，将采集的到振动信号x(t)进行EEMD分解的具体步骤如下：

(2.1)先在原始信号中加入高斯白噪声，然后根据信号的波形，取波形的上、下极值点，分别得到局部最大值包络线和局部最小值包络线；再将这两条包络线相对应各点的值取平均，得到曲线m₁；然后求原信号x(t)和该曲线m₁的差h₁：

h₁＝x(t)-m₁ (1)

(2.2)将h₁作为原始信号，重复步骤(2.1)得到：

h₁₁＝h₁-m₁₁ (2)

式中：m₁₁为重复步骤中得到的上、下包络线平均值；

继续重复此过程，直到判据S_i＜0.1，其中：

此时h_1k＝h_1(k-1)-m_1k，为第1个IMF分量，记为c₁；

(2.3)将c₁从原始信号中减去：

r₁＝x(t)-c₁ (4)

将r₁作为新的信号数据，重复步骤(2.1)和步骤(2.2)，得到第二个IMF分量，记为c₂；

对得到的IMF分量重复上述操作可得c_i和残余分量r_n，如果所得到的c_i或r_n小于预先设定的值，或者已经变成了一条单调曲线，则分解结束；否则继续对得到的IMF分量进行以上操作，得到一系列IMF分量，最终原始信号分解为：

即原信号被分解为n个IMF和1个剩余分量。

(3)因为前4个IMF分量基本包含了信号的所有有效的信息；所以，作为优选，选取前4个IMF分量计算模糊熵；

c_i由N个数据组成的时间序列{c(N)}＝c(1),c(2),...c(N)，模糊熵计算步骤如下：

(3.1)设定模式维数为m的向量序列，C_m(1)，...，C_m(N-m+1)，其中：

C_m(i)＝[c(i),c(i+1),…,c(i+m-1)]-u(i) (6)

式中：1≤i≤N-m+1，u(i)为：

(3.2)定义向量C_m(i)和C_m(j)之间的距离d[C_m(i)，C_m(j)]为两者对应元素中最大差值的绝对值，即：

d^m _ij＝max_{k＝0,…,m-1}(|(c(i+k)-u(i))-(c(j+k)-u(i))|) (8)

式中：i,j＝1,2,...,N-m+1，j≠i。

(3.3)向量C_m(i)和C_m(j)之间的相似度为：

式中：r为相似容限参数，其定义为原一维时间序列标准差的R倍，即r＝R×SD，SD为原始数据的标准差；

(3.4)定义B_i ^m(r)为：

则得到：

(3.5)模式维数增加1，即对m+1维重复步骤(3.1)～(3.4)，得：

(3.6)定义A^m(r)为：

定义时间模糊熵为：

SEn(m,r,N)＝lnφ^m(r)-lnφ^m+1(r) (14)

式中：m为模式维数；r为相似容限；N为数据长度；确定m，r两个参数的值对于模糊熵的计算非常重要。这里，根据Pincus原理的研究结果，m为1或2，r＝0.1SD～0.25SD(SD是原始数据的标准差)计算得到的模糊熵具有较为合理的统计特性。

在本实施例中，作为优选m＝2，r＝0.2SD，N＝6500。

计算出前4个IMF分量的模糊熵，并形成特征向量Y＝[Y₁,Y₂,Y₃,Y₄]。

本实施例中，各个状态下的部分模糊熵特征量如表1所示：

表1各个状态下的模糊熵特征量

正常状态	Y1＝[0.356,0.219,0.151,0.221]
		触头松动	Y2＝[0.287,0.256,0.312,0.305]
触头烧毁	Y3＝[0.246,0.203,0.254,0.312]
		触头磨损	Y4＝[0.304,0.223,0.278,0.312]

(4)用计算得到的模糊熵作为特征向量，输入SVM进行训练，得到SVM分类器，把测试样本的IMF分量的SEn值输入SVM分类器，进行工作状态识别。

把分别采集的各个状态的150组数据中的50组数据，经过EEMD分解后的前4个IMF的模糊熵作为样本训练SVM分类器，该SVM分类器的核函数优选为高斯核函数形式，为：

其中，σ为控制核函数高宽的参数；对于线性不可分情况，引入惩罚因子C来控制错误分类；参数取值为σ＝1，惩罚因子C＝10；然后把各个状态的剩下的100组数据作为测试样本，带入SVM分类器进行故障诊断。最后测试的结果如表2所示：

表2测试的部分结果

数据集	训练样本(组)	测试样本(组)	总的分辨率
				正常状态	150	50	100％
触头松动	150	50	93.6％
				触头烧毁	150	50	95.2％
触头磨损	150	50	93.4％
				触头脱落	150	50	90.7％

如上表所示，基于EEMD的模糊熵征提取方法和有小样本优势、很强泛化能力的SVM分类器结合对OLTC故障诊断，总的故障识别率很高，具有很大的实际工程应用前景。

Claims (5)

1.一种基于EEMD的多尺度模糊熵的OLTC故障诊断方法，其特征在于，包括下述步骤：

(1)将加速振动传感器置于有载分接开关的顶盖，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，且各个状态下的分别采集多组振动信号；

(2)将原始的振动信号进行EEMD分解，得到IMF分量；

(3)选取前面若干个IMF分量，并计算选取的IMF分量的模糊熵；

(4)用计算得到的模糊熵作为特征向量，输入SVM进行训练，得到SVM分类器，把测试样本的IMF分量的SEn值输入SVM分类器，进行工作状态识别。

2.根据权利要求1所述的基于EEMD的多尺度模糊熵的OLTC故障诊断方法，其特征在于，所述步骤(2)中，将采集的到振动信号x(t)进行EEMD分解的具体步骤如下：

(2.1)先在原始信号中加入高斯白噪声，然后根据信号的波形，取波形的上、下极值点，分别得到局部最大值包络线和局部最小值包络线；再将这两条包络线相对应各点的值取平均，得到曲线m₁；然后求原信号x(t)和该曲线m₁的差h₁：

h₁＝x(t)-m₁ (1)

(2.2)将h₁作为原始信号，重复步骤(2.1)得到：

h₁₁＝h₁-m₁₁ (2)

式中：m₁₁为重复步骤中得到的上、下包络线平均值；

继续重复此过程，直到判据S_i＜0.1，其中：

此时h_1k＝h_1(k-1)-m_1k，为第1个IMF分量，记为c₁；

(2.3)将c₁从原始信号中减去：

r₁＝x(t)-c₁ (4)

将r₁作为新的信号数据，重复步骤(2.1)和步骤(2.2)，得到第二个IMF分量，记为c₂；

对得到的IMF分量重复上述操作可得c_i和残余分量r_n，如果所得到的c_i或r_n小于预先设定的值，或者已经变成了一条单调曲线，则分解结束；否则继续对得到的IMF分量进行以上操作，得到一系列IMF分量，最终原始信号分解为：

即原信号被分解为n个IMF和1个剩余分量。

3.根据权利要求2所述的基于EEMD的多尺度模糊熵的OLTC故障诊断方法，其特征在于，所述步骤(3)中，选取前4个IMF分量计算模糊熵。

4.根据权利要求3所述的基于EEMD的多尺度模糊熵的OLTC故障诊断方法，其特征在于，c_i由N个数据组成的时间序列{c(N)}＝c(1),c(2),...c(N)，模糊熵计算步骤如下：

(3.1)设定模式维数为m的向量序列，C_m(1)，...，C_m(N-m+1)，其中：

C_m(i)＝[c(i),c(i+1),…,c(i+m-1)]-u(i) (6)

式中：1≤i≤N-m+1，u(i)为：

(3.2)定义向量C_m(i)和C_m(j)之间的距离d[C_m(i)，C_m(j)]为两者对应元素中最大差值的绝对值，即：

d^m _ij＝max_{k＝0,…,m-1}(|(c(i+k)-u(i))-(c(j+k)-u(i))|) (8)

式中：i,j＝1,2,...,N-m+1，j≠i。

(3.3)向量C_m(i)和C_m(j)之间的相似度为：

式中：r为相似容限参数，其定义为原一维时间序列标准差的R倍，即r＝R×SD，SD为原始数据的标准差；

(3.4)定义B_i ^m(r)为：

则得到：

(3.5)模式维数增加1，即对m+1维重复步骤(3.1)～(3.4)，得：

(3.6)定义A^m(r)为：

定义时间模糊熵为：

SEn(m,r,N)＝lnφ^m(r)-lnφ^m+1(r) (14)

式中：m为模式维数，为1或2；r为相似容限，r＝0.1SD～0.25SD；N为数据长度；

计算出前4个IMF分量的模糊熵，并形成特征向量Y＝[Y₁,Y₂,Y₃,Y₄]。

5.根据权利要求4所述的基于EEMD的多尺度模糊熵的OLTC故障诊断方法，其特征在于，所述步骤(4)中，把分别采集的各个状态的多组数据中的若干组数据，经过EEMD分解后的前4个IMF的模糊熵作为样本训练SVM分类器，该SVM分类器的核函数形式为：

其中，σ为控制核函数高宽的参数；对于线性不可分情况，引入惩罚因子C来控制错误分类；参数取值为σ＝1，惩罚因子C＝10；然后把各个状态的剩下的数据作为测试样本，带入SVM分类器进行故障诊断。