CN110174255B

CN110174255B - 一种基于径向基神经网络的变压器振动信号分离方法

Info

Publication number: CN110174255B
Application number: CN201910477127.5A
Authority: CN
Inventors: 傅晨钊; 司文荣; 徐鹏; 贺林; 田昊洋; 徐湘亿; 王劭菁; 崔律
Original assignee: State Grid Shanghai Electric Power Co Ltd; East China Power Test and Research Institute Co Ltd
Current assignee: State Grid Shanghai Electric Power Co Ltd; East China Power Test and Research Institute Co Ltd
Priority date: 2019-06-03
Filing date: 2019-06-03
Publication date: 2021-04-27
Anticipated expiration: 2039-06-03
Also published as: CN110174255A

Abstract

本发明涉及一种基于径向基神经网络的变压器振动信号分离方法，包括以下步骤：1)设置径向基神经网络参数；2)将油箱表面振动的混合频域信号作为径向基神经网络的输入，将铁心和绕组振动的频域信号作为径向基神经网络的输出，建立径向基神经网络；3)将采集到的铁心、绕组及油箱表面振动的混合频域信号分为训练集和验证集，采用训练集对径向基神经网络进行训练；4)通过波形相似系数，根据设定的波形相似系数阈值对神经网络的训练效果进行判断；5)将油箱表面振动信号输入训练好的径向基神经网络得到变压器振动信号。与现有技术相比，本发明具有训练难度低、训练效率高、可靠高效准确等优点。

Description

一种基于径向基神经网络的变压器振动信号分离方法

技术领域

本发明涉及变压器振动信号的分离技术领域，尤其是涉及一种基于径向基神经网络的变压器振动信号分离方法。

背景技术

变压器是电力系统最重要的设备之一，其安全运行已与国家经济发展紧密的联系了起来。如果变压器出现故障，将导致大面积停电，这样不仅影响了工厂的生产，也影响了民众的生活，因此，对铁心和绕组的状态监测与评估，有助于及时发现变压器隐患、预防变压器故障，为了及时发现变压器的事故隐患，提高变压器运行的可靠性，开展变压器故障诊断方法的研究具有十分重要的意义。

绕组和铁心分别在电磁力及磁致伸缩作用下产生振动，该复合振动信号经过变压油、油箱固件等传播途径传递到变压器油箱表面，因此，油箱表面所测信号为绕组及铁心的混合信号，对绕组及铁心的混合振动信号进行分离，从而分别获得绕组和铁心的独立振动信号，对其进行机械状态诊断，有助于提高诊断正确性。

西安交通大学的汲胜昌等提出采用负载电流法提取铁心振动信号的基频分量，该方法测量不同负载电流下变压器油箱表面的振动信号，拟合出负载电流与振动加速度信号基频分量之间的关系曲线，从而估计得到铁心振动信号的基频分量。但该方法仅能获得振动基频成分，无法获得高频谐波分量。浙江大学的黄文婷等提出了一种基于时频比盲源分离算法(TIFORM-BSS)，该方法选取近似电压条件、不同负载条件下的油箱壁表面的振动信号作为信号分离对象，在TIFORM-BSS算法下估计得到混合矩阵，进而获得分离信号。但将其算法应用到实际实验中，比较分离后信号与源信号的频谱图，发现各谐波分量幅值差距较大，分离效果并不理想。

综合目前国内外关于变压器振动信号分离的研究现状来看，以ICA为代表主流的盲源分离算法对源信号的独立性要求较高，但由于铁心振动信号与绕组振动信号在振幅、频谱中相似度很高，混合矩阵的可靠性存疑，因此主流的盲源分离等盲源分离算法分离出的信号并不能准确地保留绕组及铁心的振动特性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于径向基神经网络的变压器振动信号分离方法。

本发明的目的可以通过以下技术方案来实现：

一种基于径向基神经网络的变压器振动信号分离方法，包括以下步骤：

1)设置径向基神经网络参数，包括隐层数、隐层节点数、学习速率、控制精度和迭代次数；

2)将油箱表面振动的混合频域信号作为径向基神经网络的输入，将铁心和绕组振动的频域信号作为径向基神经网络的输出，建立径向基神经网络；

3)将采集到的铁心、绕组及油箱表面振动的混合频域信号分为训练集和验证集，采用训练集对径向基神经网络进行训练；

4)通过验证集中铁心和绕组振动的频域信号与径向基神经网络的输出数据的波形相似系数，根据设定的波形相似系数阈值对神经网络的训练效果进行判断；

5)将油箱表面振动信号输入训练好的径向基神经网络得到变压器振动信号。

所述的步骤4)中，当波形相似系数大于设定的阈值时，则训练结束，当波形相似系数R小于设定的阈值时，则返回步骤3)重复训练。

所述的波形相似系数的表达式为：

其中，λ_ij表示径向基神经网络分离得到的铁心或绕组振动频域信号y_i和验证集振动频域信号s_j之间的相似程度，即波形相似系数，其取值范围为[0,1]，M为信号长度。

所述的波形相似系数阈值为0.7。

所述的步骤4)中，采用交叉验证的方式对训练效果进行判断。

所述的步骤3)中，径向基神经网络包括铁心径向基神经网络和绕组径向基神经网络，所述的铁心径向基神经网络和绕组径向基神经网络均将油箱表面振动的混合频域信号作为输入，分别将铁心振动的频域信号和绕组振动的频域信号作为输出。

所述的铁心振动的频域信号和绕组振动的频域信号的频带包含2倍的电源频率100Hz及其整数次谐波。

所述的步骤3)中，训练集和验证集中的频域信号范围选择为100Hz-1200Hz之间。

与现有技术相比，本发明具有以下优点：

本发明基于径向基神经网络的变压器油箱表面振动信号的分离方法，实现变压器铁心及绕组振动频域信号分离，将时域信号傅立叶变换得到的频域信号输入到径向基神经网络，降低训练难度，提高训练效率，并采用交叉验证的方法，证明了径向基神经网络可以可靠高效准确地实现变压器振动信号分离。

附图说明

图1为本发明的方法流程图。

图2为铁心振动信号分离效果图。

图3为绕组振动信号分离效果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

为解决分离出的信号不能准确地保留绕组及铁心的振动特性这一技术问题，本发明利用径向基(Radial Basis Function,RBF)神经网络，以混合信号作为神经网络的输入层，独立振动信号作为输出层进行分离模型的构建，利用不同工况下的振动频域信号对该网络进行多次训练，引入波形相似系数对验证集源信号与分离得到的信号进行交叉验证，验证径向基神经网络分离效果的有效性。本发明研究对于绕组及铁心振动信号的分离具有重要的指导意义。

变压器油箱表面的振动主要来自于铁心、绕组振动经油和固体传递后的叠加。铁心和绕组的振动传递到变压器油箱表面主要有以下两种形式：

1)绕组——铁心——油箱表面

通常情况下，铁心通过垫脚直接与油箱底面相连，因此绕组振动传递到铁心上的部分与铁心本体振动会经过混叠作用经固体传递到油箱表面。

2)绕组、铁心——油——油箱表面

铁心振动机理：由于铁心和绕组直接浸没在变压器油中，铁心振动和绕组振动可通过变压器油传递到油箱表面。

由磁致伸缩效应引起的铁心硅钢片的基频振动加速度可以表示为：

其中，ΔL为励磁时硅钢片的长度变化量，L为原始状态下硅钢片的长度，ε_s为铁心硅钢片饱和时的磁感应强度，H为磁场强度，H_c为铁心硅钢片矫顽力，B为磁感应强度，B_s为铁心饱和时的磁感应强度，S为铁心的横截面积，N为匝数。

由式(1)可知，振动加速度幅值同电压平方呈正比：

a_c∝u_s ² (2)

据此，铁心硅钢片本体振动加速度的基频为2倍的电源频率，其幅值正比于施加电压的平方。由于硅钢片磁化特性和磁致伸缩率的非线性，因此铁心振动信号的频带较宽，包含了100Hz及其整数次谐波。

绕组振动机理：

绕组的振动一般是由流过电流的绕组在漏磁场中所产生的电磁力引起的。假设变压器稳态运行时绕组中的电流为：

i_t＝I cosωt (3)

其中，I为稳态短路电流的有效值，ω为工频电流的角频率。

漏磁场中的一点的磁感应强度正比于电流幅值，因为所受到的电磁力的大小为：

其中，K为漏磁密与电流比例系数。由式(4)可知得，绕组所受电磁力与电流平方成正比。假设绕组为线性结构，则绕组振动加速度与电流平方成正比，频率为2倍的电源频率。由于流过绕组的电流存在一定量的谐波励磁电流，且垫块材料存在非线性，因此振动中含有除了主要振动频率100Hz外，还含100Hz整数次谐波。

1、径向基神经网络

径向基神经网络是一种结构简单、收敛速度快、函数逼近能力强的网络。它可以任意精度逼近任意的未知函数，且具有全局逼近能力，从根本上解决了BP神经网络的局部最优问题，因而被广泛应用于图像处理、故障诊断、模式识别、函数逼近等诸多领域^[11]。径向基神经网络将任意函数表示成一组基函数的加权和，即选择隐层神经元的传递函数，使之构成一组基函数来逼近未知函数。

设输入层的输入为X＝[x₁,x₂,…x_n]，实际输出为Y＝ [y₁,y₂,…y_p]。输入层实现从X→R_i(x)的非线性映射，输出层实现从R_i(x)→y_k的线性映射，输出层第k个神经元网络输出为：

其中:n为输入层节点数；m为隐含层节点数；p为输出层节点数；w_ik为隐含层第i个神经元与输出层第k个神经元的连接权值；R_i(x)为隐含层第i个神经元的径向基函数(高斯函数)，即：

其中：X为n维输入向量；C_i为第i个基函数的中心，与X具有相同维数的向量；σ_i为第i个基函数的宽度；m为感知单元的个数(隐含层节点数)。||X-C_i||为向量X-C_i的范数，它通常表示X与C_i之间的距离，R_i(x)在C_i处有唯一的最大值，随着||X-C_i||的增大，R_i(x)迅速衰减到0。对于给定的输入，只有小部分靠近X的中心被激活。当确定了径向基网络的聚类中心C_i、权值w_ik以后，就可求出给定某一输入时，网络对应的输出值。

在径向基神经网络中，隐层执行的是一种固定不变的非线性变换，C_i，σ_i，w_ik需要通过学习和训练来确定，一共分为3步进行。

(1)确定基函数的中心C_i。利用一组输入来计算m各C_i，i＝1,…m，使C_i尽可能均匀地对数据抽样，在数据点密集处C_i也密集。采用“K均值聚类法”。

(2)确定基函数的宽度σ_i。基函数中心C_i训练完成后，可以求得归一化函数，即基函数的宽度σ_i表示与每个中心相联系的子样本集中样本散布的一个测度。

(3)确定从隐含层到输出层的连接权值w_ik，径向基连接权w_ik的修正可以采用最小均方差误差准度准则进行。

2、混合信号分离

径向基神经网络是一种监督学习的神经网络算法，需要训练集对网络进行训练，验证集进行验证。混合信号分离的实施过程如图1所示。将采集到的铁心、绕组及混合振动信号分为训练集和验证集。将某一测点训练集的混合信号作为径向基神经网络输入层，分别将该测点训练集的铁心和绕组振动源信号作为输出层，建立对应的振动信号分离神经网络，并进行训练。将验证集的混合信号输入到训练好的铁心神经网络和绕组神经网络中。对分离后的信号与验证集源信号进行波形相似系数计算，验证径向基神经网络的分离效果。波形相似系数定义如下，其中两列信号的长度为M：

对于本发明，λ_ij表示y_i(分离得到的铁心或绕组振动频域信号)和s_j(验证集振动频域信号)之间的相似程度，λ取值范围为[0,1]，数值越大代表两列信号波形相似程度越高，当λ＝1时，认为两信号波形完全相同。

实施例：

试验所使用的变压器为三相试验变压器，在振动信号的采集过程中，为了防止试验结果的偶然性，对每个测点同种工况下的振动信号采集3次，且在进行同一台变压器的多次振动测试时，传感器位置保持不变。

试验时，首先采集变负载工况下振动信号作为混合信号，记录每种工况下电压、电流值；其次，采集对应电压下空载试验的振动信号作为铁心振动源信号，以及对应电流下稳态短路试验的振动信号作为绕组振动源信号。为了模拟变压器实际运行中的电压变化，选取试验电压360V，370V，380V，390V，400V，410V，420V。变负载试验外接纯阻性负载箱。表1为变负载试验工况表。

表1变负载试验工况表

	I<sub>1</sub>(A)	I<sub>2</sub>(A)	I<sub>3</sub>(A)	I<sub>4</sub>(A)
					360V	26.46	30.60	34.74	38.64
370V	27.20	31.43	35.71	39.75
					380V	28.20	32.52	36.73	40.83
390V	29.00	33.61	37.88	41.76
					400V	30.42	34.44	39.05	43.20
410V	31.93	36.26	40.55	45.10
					420V	33.76	38.35	42.52	46.79

径向基神经网络实现振动信号分离：

以混合信号分离出铁心信号为例对径向基神经网络振动信号分离过程进行说明。

由变负载工况表知，试验一共包括28种工况，在网络训练过程中，选择其中27组工况的数据作为训练集，剩余一种工况作为验证集。

对采集到的时域信号进行傅立叶变换。由于振动信号为100Hz及其整数次谐波，1200Hz以上频率幅值较小，可忽略不计，因此，将100Hz至1200Hz内的训练集的铁心振动频域信号输入到网络输出层，将对应频率训练集的混合信号输入到网络输入层，建立铁心神经网络。

网络训练过程中，当网络迭代到35代时，训练误差达到指定精度(0.001)，网络训练完成。

最后，将验证集的混合信号输入铁心神经网络输入层，即可得到分离出的铁心振动信号。

同理，将训练集的绕组振动频域信号输入到网络输出层，将训练集的混合信号输入到网络输入层，建立绕组神经网络。当训练完成后输入验证集的混合信号，即可得到分离出的绕组振动信号。

如图2所示，以测点1为例对分离效果进行说明。在铁心振动信号分离效果图中，振动源信号与分离得到的信号在频谱特征上十分接近。

为了避免训练结果的偶然性，采用交叉验证方法对分离效果进行验证，轮流将27组工况的数据作为训练集，剩余的一种工况作为验证集，如第一次将第1组数据作为验证集，剩余27组数据作为训练集，进行网络训练及信号分离，第二次将第2组数据数据作为验证集，剩余27组数据作为训练集……因此，对于同一个测点，共建立28个径向基神经网络，进而获得28个波形相似系数，将其取平均作为最终的衡量指标。

6个测点的铁心振动信号相似系数均大于0.98，因此，此方法能准确从混合信号中分离出铁心振动信号，分离效果理想。

如图3所示，同理以测点1为例对绕组分离效果进行说明。两组信号种类、幅值极为接近。将绕组波形相似系数绘制箱线图，箱子中间的红色线为相似系数的中位数。箱子的上下线为上四分位数和下四分位数，包含了50％的数据。箱子上、下方各有一条线表示最大值、最小值。由箱线图可知绕组振动信号的波形相似系数平均值均大于0.7，有80％的测点的相似系数大于0.8。虽然最小值大多在0.6附近，但箱体绝大部分在0.7之上，总体分离效果良好。比较铁心分离效果相比，绕组振动信号的分离效果一般。这是由于铁心振动信号幅值较大，信噪比较高，而绕组振动信号基频振幅在10^-3m/s²量级，信噪比差，因此分离效果没有铁心理想。

本发明研究了基于径向基神经网络的变压器油箱表面振动信号的分离技术，实现变压器铁心及绕组振动频域信号分离。将时域信号傅立叶变换得到的频域信号输入到径向基神经网络，降低训练难度，提高训练效率。并采用交叉验证的方法，证明了径向基神经网络可以可靠高效准确地实现变压器振动信号分离。

Claims

1.一种基于径向基神经网络的变压器振动信号分离方法，其特征在于，包括以下步骤：

3)将采集到的铁心、绕组及油箱表面振动的混合频域信号分为训练集和验证集，采用训练集对径向基神经网络进行训练，训练集和验证集中的频域信号范围选择为100Hz-1200Hz之间，径向基神经网络包括铁心径向基神经网络和绕组径向基神经网络，所述的铁心径向基神经网络和绕组径向基神经网络均将油箱表面振动的混合频域信号作为输入，分别将铁心振动的频域信号和绕组振动的频域信号作为输出，所述的铁心振动的频域信号和绕组振动的频域信号的频带包含2倍的电源频率100Hz及其整数次谐波；

4)通过验证集中铁心和绕组振动的频域信号与径向基神经网络的输出数据的波形相似系数，根据设定的波形相似系数阈值对神经网络的训练效果进行判断，当波形相似系数大于设定的阈值时，则训练结束，当波形相似系数R小于设定的阈值时，则返回步骤3)重复训练，所述的波形相似系数阈值为0.7，所述的波形相似系数的表达式为：

其中，λ_ij表示径向基神经网络分离得到的铁心或绕组振动频域信号y_i和验证集振动频域信号s_j之间的相似程度，即波形相似系数，其取值范围为[0,1]，M为信号长度；

2.根据权利要求1所述的一种基于径向基神经网络的变压器振动信号分离方法，其特征在于，所述的步骤4)中，采用交叉验证的方式对训练效果进行判断。