CN110412458A - 一种oltc传动机构故障诊断方法 - Google Patents

Abstract

本发明公开了一种OLTC传动机构故障诊断方法，其步骤如下步骤：步骤1：采集OLTC驱动电机的电流信号；步骤2：将采集到的电流信号进行Hilbert幅值解调法和改进的小波包阈值法相结合来获取电机电流的包络信号；步骤3：通过包络信号提取电机电流信号的时间量、电流量和峭度作为不同状态下的电机电流的特征参数；步骤4：利用模糊聚类和量子粒子群优化的相关向量机实现对OLTC不同状态的识别。本发明可实时诊断变压器有载分接开关的传动机构的工作状态，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OLTC传动机构故障诊断方法

技术领域

本发明涉及电力设备信号监测方法，尤其涉及一种OLTC传动机构故障诊断方法。

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。

现有的OLTC故障诊断方法主要有两大类：一类为离线检修，离线检修一般要停电，拆开变压器箱进行人工检修，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。另一种就是在线监测，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，基于热噪声抗干扰能力差，很难有较强的实际工程应用。基于振动法在线监测关键在于寻找故障的特征量，但基于振动法在线监测的偶然性比较大而且监测方法和监测后信号分析方法也影响故障诊断的准确性。本专利采用的基于电机电流法是一种干扰性小的监测方法，电流信号易采集，信噪比高具有很强的工程应用。

发明内容

1.针对背景技术里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，本发明提供了一种OLTC传动机构故障诊断方法。

为了解决上述技术问题，本发明提出的技术方案是：

一种OLTC传动机构故障诊断方法，其特征在于，所述故障诊断方法包括：

步骤1：采集OLTC驱动电机的电流信号；

步骤2：将采集到的电流信号进行Hilbert幅值解调获取驱动电机电流信号的包络信号；

步骤3：通过驱动电机电流的包络信号提取驱动电机电流信号的时间量、电流量和峭度特征参数，得到不同状态下的驱动电机电流的特征向量集；

步骤4：利用模糊聚类和量子粒子群优化的相关向量机实现对OLTC不同状态的识别。

本发明进一步包括以下优选方案。

在步骤1中，用电流钳采集有载分接开关动作过程中传动机构的驱动电机的电流信号x(t)。

在步骤2中，按照以下内容将步骤1所采集到的驱动电机电解调获取驱动电机电流信号的包络信号：

2.1计算驱动电机电流信号的Hilbert变换后的信号：

式中：f为与时间t区别的时间位移，0<f<t；

2.2以x(t)为实部，为虚部构建一个解析信号x_a(t)：

式中：为信号相位，∣x_a(t)∣为驱动电机电流幅值包络；

2.3对解析信号x_a(t)进行FFT变化就可以得到驱动电机电流信号x(t)的包络信号即

其中，F()是指FFT变化。

在步骤2中，还进一步包括对驱动电机电流信号的包络信号进行降噪处理。

按照以下步骤对驱动电机电流信号的包络线进行降噪：

1)选取db5小波基对含噪的驱动电机电流包络信号进行小波包分解，分解层数为3层；

2)选取下式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，λ为阈值，w为步骤1)得到的小波系数；为进行阈值量化处理后的小波系数；sgn为阶跃函数；

取值范围为0≤β≤1；

3)将处理后的小波系数反变换，得到去噪后的驱动电机电流包络信号。

所述调节系数β＝0.5，阈值λ＝0.48。

在步骤3中，根据驱动电机电流的包络信号来提取电流的特征参数，包括驱动电机的启动电流、驱动电机平稳运行时电流包络信号的最值及其所对应的时刻，驱动电机运行总时间以及包络线的峭度；

用这些特征参数形成特征向量T_i＝[I₁,I₂,I₃,t₁,t₂,K]，其中，I₁为电机的启动电流幅值，I₂为OLTC触头切换时刻的电流，I₃为电机的平均电流，t₁为电机动作到OLTC触头切换的期间的时间，t₂为总的动作时间，K为峭度值。

在步骤3中，同时采集正常状态，传动机构轻微卡涩，传动机构严重卡涩，弹簧松动4种状态的下的特征向量，最终组成特征向量集T。

在步骤4中，将步骤3得到的特征向量集T进行模糊聚类将T分为c类，满足以下约束条件:u_ij∈[0,1]且u_ij还需

式中：n为特征向量个数，c为分几类类别；u_ij表示第j个特征向量的第i个类的隶属度；

进而目标函数(8)成立

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，常取m＝2，d_ij(T_j,v_i)表示特征向量T_i到聚类中心v_i的欧式距离；

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

以完全二叉树相关向量机多分类器模型进行分类，多分类器模型如式9所示：

式中:x隶属度矩阵为输入的特征序列集，n是序列个数也就是特征向量个数，ω_i是模型对应的权重可由极大似然法获得，K(x,x_i)是核函数；核函数优选高斯函数，ω服从正态分布，即w_i～N(w_i∣0,η_i ^-1)；η_i是超维参数，η_i由训练样本获得，分类模型有三个RVM相关向量机。

采用量子粒子群进行对RVM核函数参数σ进行优化，具体步骤如下：

1)确定RVM多分类模型的拓扑结构；

2)在解空间中初始化一组粒子，其中种群规模为12，粒子的维数为3，最大迭代次数为40，并赋其为个体最好位置；

3)根据适应度函数即K-折交叉验证识别率，其中折数K设置为8，计算粒子当前位置的适应度值，并根据适应度值更新粒子的个体最好位置和全局最好位置；

4)根据粒子的进化方程计算得到粒子的新位置；

5)迭代更新满足结束条件时退出，此时的粒子位置即为RVM的最优核参数σ。

本发明所达到的有益效果：

1、本发明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，获得清晰的电机电流包络，提高了包络提取的精度。

2、本发明利用模糊聚类和量子粒子群优化的相关向量机结合的方法故障识别率高；

3、本发明通过采集OLTC传动机构的电机电流信号，与传统方法相比采集信号简单，结论简洁易见，具有很强的工程实际应用。

附图说明

图1为本发明的流程示意图；

图2为采集到OLTC的电机电流信号示意图；

图3为没去噪的电机电流信号包络示意图；

图4为去噪后电机电流包络的示意图；

图5为全二叉树相关向量机分类器模型示意图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明提供了一种OLTC传动机构故障诊断方法，具体流程见图1，所述方法包括以下步骤：

步骤1：采集OLTC驱动电机的电流信号；

在本申请的实施例中，选用上海华明电力有限公司生产的CMⅢ-500-63B-10193W型有载分解开关作为研究对象用电流钳采集有载分接开关动作过程中传动机构的电机的电流信号x(t)如图2所示。

步骤2：将采集到的电流信号进行Hilbert幅值解调法和改进的小波包阈值法相结合来获取电机电流的包络信号；

所述步骤(2)将步骤(1)所采集到的电机电流信号进行Hilbert幅值解调具体步骤如下：

式中：f为与时间t区别的时间位移；0<f<t。以x(t)为实部,为虚部构建一个解析信号：

式中：为信号相位，∣x_a(t)∣为电机电流包络信号幅值。

对解析信号进行FFT变化就可以得到信号x(t)的包络线如图3所示即

得到了电机电流的包络线后对包络进行改进阈值小波降噪具体步骤如下：

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得到小波系数w；

2)选取改机阈值函数(5)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，w为步骤1)得到的小波系数；为进行阈值量化处理后的小波系数；sgn为阶跃函数。本专利优选β＝0.5,阈值λ＝0.48。

3)将处理后的小波系数反变换，重构去噪后的信号即得到降噪后的包络线如图4所示。

步骤3：通过包络信号提取电机电流信号的时间量，电流量和峭度作为不同状态下的电机电流的特征参数；

所述步骤(3)在得到降噪的包络信号后通过电流信号的包络线来提取电流的特征参数:时间量和电流量，即提取电机的启动电流，电机平稳运行时电流包络的最值及其所对应的时刻，电机运行总时间以及包络线的峭度。

式中，y为电流信号的瞬时幅值，为电流均值，p(y)为概率密度,σ为信号标准差。用这些特征量形成特征向量＝[I₁,I₂,,I₃,t₁,t₂,K]，I₁为电机的启动电流，I₂为OLTC触头切换时刻的电流，I₃为电机的平均电流，t₁为电机动着到OLTC触头切换的期间的时间，t₂为总的动着时间，K为峭度值。同时采集正常状态，传动机构轻微卡涩，传动机构严重卡涩，弹簧松动四种状态的下的特征向量，最终组成向量特征集T＝[T₁,T₂…T_n]，表1所示为部分实验数据的特征集，分别将正常、传动机构严重卡涩、传动机构轻微卡涩状态记为类1～3。

表1部分实验数据

I<sub>1</sub>/A	I<sub>2</sub>/A	I<sub>3</sub>/A	t<sub>1</sub>/s	t<sub>2</sub>/s	K	类
							1.873	0.475	0.436	4.235	4.435	40.241	1
1.785	0.505	0.491	4.361	4.215	50.231	1
							1.932	0.594	0.483	4.745	4.821	60.551	2
1.935	0.512	0.435	4.626	4.964	70.614	2
							1.813	0.531	0.315	4.212	4.432	55.212	3
1.712	0.511	0.461	4.645	4.412	57.641	3
							1.651	0.642	0.521	4.350	4.416	53.215	4
1.653	0.512	0.531	4.315	4.462	52.361	4

步骤4：利用模糊聚类和量子粒子群优化的相关向量机实现对OLTC不同状态的识别。

将表1的一行作为一个特征量T_i形成特征集T，将步骤(3)得到的特征集T进行模糊聚类。将T分为c类，满足一下约束条件:u_ij∈[0,1]且u_ij还需

式中：n为特征向量个数，c为分几类类别。

进而目标函数(8)的成立

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，常取m＝2，d_ij(T_j,v_i)表示特征向量T_i到聚类中心v_i的欧式距离。

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

得到表1的隶属矩阵为：

隶属度矩阵U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1～8列与表1中的第1～8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中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2行说明它属于第2类。

将隶属矩阵输入以完全二叉树相关向量机多分类器模型进行分类，多分类模型如附图5所示。

式中:x隶属度矩阵为输入的特征序列集，n是序列个数也就是特征向量个数，ω_i是模型对应的权重可由极大似然法获得，K(x,x_i)是核函数。本专利的核函数优选高斯函数，ω服从正太分布分布，即w_i～N(w_i∣0,η_i ^-1)。η_i是超维参数，η_i由训练样本获得，由于本专利分类模型有三个RVM，这些参数都需人为设定，易导致诊断不准确，因此本专利采用量子粒子群进行对RVM核函数参数σ进行优化，具体步骤如下：

1)确定RVM多分类模型的拓扑结构；

2)在解空间中初始化一组粒子，其中种群规模为12，粒子的维数为3，最大迭代次数为40，并赋其为个体最好位置；

3)根据适应度函数即K-折交叉验证识别率，其中折数K设置为8，计算粒子当前位置的适应度值，并根据适应度值更新粒子的个体最好位置和全局最好位置；

4)根据粒子的进化方程计算得到粒子的新位置；

5)迭代更新满足结束条件时退出，此时的粒子位置即为RVM的最优核参数。得到三个RVM的参数分别为5.354,2.35,3.57。

最终把优化得到的参数带入SVM得到分类结果如下：

采取每种状态40组数据30组进行训练剩下10组进行测试，测试结果如表2所示

表2实验结果

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (10)

1.一种OLTC传动机构故障诊断方法，其特征在于，所述故障诊断方法包括：

步骤1：采集OLTC驱动电机的电流信号；

步骤2：将采集到的电流信号进行Hilbert幅值解调获取驱动电机电流信号的包络信号；

步骤3：通过驱动电机电流的包络信号提取驱动电机电流信号的时间量、电流量和峭度特征参数，得到不同状态下的驱动电机电流的特征向量集；

步骤4：利用模糊聚类和量子粒子群优化的相关向量机实现对OLTC不同状态的识别。

2.根据权利要求1所述的OLTC传动机构故障诊断方法，其特征在于：

在步骤1中，用电流钳采集有载分接开关动作过程中传动机构的驱动电机的电流信号x(t)。

3.根据权利要求1所述的OLTC传动机构故障诊断方法，其特征在于：

在步骤2中，按照以下内容将步骤1所采集到的驱动电机电解调获取驱动电机电流信号的包络信号：

2.1 计算驱动电机电流信号的Hilbert变换后的信号：

式中：f为与时间t区别的时间位移，0<f<t；

2.2 以x(t)为实部，为虚部构建一个解析信号x_a(t)：

式中：为信号相位，∣x_a(t)∣为驱动电机电流幅值包络；

2.3 对解析信号x_a(t)进行FFT变化就可以得到驱动电机电流信号x(t)的包络信号即

其中，F()是指FFT变化。

4.根据权利要求1或3所述的OLTC传动机构故障诊断方法，其特征在于：

在步骤2中，还进一步包括对驱动电机电流信号的包络信号进行降噪处理。

5.根据权利要求4所述的OLTC传动机构故障诊断方法，其特征在于：

按照以下步骤对驱动电机电流信号的包络线进行降噪：

1)选取db5小波基对含噪的驱动电机电流包络信号进行小波包分解，分解层数为3层；

2)选取下式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，λ为阈值，w为步骤1)得到的小波系数；为进行阈值量化处理后的小波系数；sgn为阶跃函数；

取值范围为0≤β≤1；

3)将处理后的小波系数反变换，得到去噪后的驱动电机电流包络信号。

6.根据权利要求5所述的OLTC传动机构故障诊断方法，其特征在于：

所述调节系数β＝0.5，阈值λ＝0.48。

7.根据权利要求1、5或6所述的OLTC传动机构故障诊断方法，其特征在于：

在步骤3中，根据驱动电机电流的包络信号来提取电流的特征参数，包括驱动电机的启动电流、驱动电机平稳运行时电流包络信号的最值及其所对应的时刻，驱动电机运行总时间以及包络线的峭度；

用这些特征参数形成特征向量T_i＝[I₁,I₂,I₃,t₁,t₂,K]，其中，I₁为电机的启动电流幅值，I₂为OLTC触头切换时刻的电流，I₃为电机的平均电流，t₁为电机动作到OLTC触头切换的期间的时间，t₂为总的动作时间，K为峭度值。

8.根据权利要求7所述的OLTC传动机构故障诊断方法，其特征在于：

在步骤3中，同时采集正常状态，传动机构轻微卡涩，传动机构严重卡涩，弹簧松动4种状态的下的特征向量，最终组成特征向量集T。

9.根据权利要求1或8所述的OLTC传动机构故障诊断方法，其特征在于：

在步骤4中，将步骤3得到的特征向量集T进行模糊聚类将T分为c类，满足以下约束条件:u_ij∈[0,1]且u_ij还需

式中：n为特征向量个数，c为分几类类别；u_ij表示第j个特征向量的第i个类的隶属度；

进而目标函数(8)成立

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，常取m＝2，d_ij(T_j,v_i)表示特征向量T_i到聚类中心v_i的欧式距离；

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

以完全二叉树相关向量机多分类器模型进行分类，多分类器模型如式9所示：

式中:x隶属度矩阵为输入的特征序列集，n是序列个数也就是特征向量个数，ω_i是模型对应的权重可由极大似然法获得，K(x,x_i)是核函数；核函数优选高斯函数，ω服从正态分布，即w_i～N(w_i∣0,η_i ^-1)；η_i是超维参数，η_i由训练样本获得，分类模型有三个RVM相关向量机。

10.根据权利要求9所述的OLTC传动机构故障诊断方法，其特征在于：

采用量子粒子群进行对RVM核函数参数σ进行优化，具体步骤如下：

1)确定RVM多分类模型的拓扑结构；

2)在解空间中初始化一组粒子，其中种群规模为12，粒子的维数为3，最大迭代次数为40，并赋其为个体最好位置；

3)根据适应度函数即K-折交叉验证识别率，其中折数K设置为8，计算粒子当前位置的适应度值，并根据适应度值更新粒子的个体最好位置和全局最好位置；

4)根据粒子的进化方程计算得到粒子的新位置；

5)迭代更新满足结束条件时退出，此时的粒子位置即为RVM的最优核参数σ。