CN110569787A - 电力变压器故障诊断方法 - Google Patents

电力变压器故障诊断方法 Download PDF

Info

Publication number
CN110569787A
CN110569787A CN201910840761.0A CN201910840761A CN110569787A CN 110569787 A CN110569787 A CN 110569787A CN 201910840761 A CN201910840761 A CN 201910840761A CN 110569787 A CN110569787 A CN 110569787A
Authority
CN
China
Prior art keywords
pareto
particle
transformer
sigma
parameter
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.)
Pending
Application number
CN201910840761.0A
Other languages
English (en)
Inventor
马胤刚
蒋辉
许敬成
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.)
Shenyang Eye Chi Yun Mdt Infotech Ltd
Original Assignee
Shenyang Eye Chi Yun Mdt Infotech Ltd
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 Shenyang Eye Chi Yun Mdt Infotech Ltd filed Critical Shenyang Eye Chi Yun Mdt Infotech Ltd
Priority to CN201910840761.0A priority Critical patent/CN110569787A/zh
Publication of CN110569787A publication Critical patent/CN110569787A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了一种电力变压器故障诊断方法，先运用变分模态分解能量法获取变压器振动信号的特征向量，使用帕瑞托粒子群方法对支持向量机的两个参数进行多目标并行寻优，之后，使用帕瑞托粒子群优化参数后的支持向量机对已提取的特征向量进行智能故障多分类。该电力变压器故障诊断方法有效避免了两类模态混叠和过分解现象，准确反映源信号特征，使用帕瑞托粒子群方法对支持向量机的两个核心参数进行多目标并行寻优获取最优参数，最终可实现对变压器绕组垫块脱落、绕组径向拉伸、绕组扭转三种故障的准确诊断。

Description

电力变压器故障诊断方法
技术领域
本发明涉及故障诊断领域，特别提供了一种电力变压器故障诊断方法。
背景技术
电力变压器在运行过程中的振动信号不可避免地受到来自散热风扇、油冷强迫循环泵等非同源多源噪声的干扰，并且故障振源也有不同相绕组、铁芯等多源故障信号复杂耦合卷积后经不同路径到达箱体表面传感器，形成最终传感器所获取的信号，EMD等递解回归式分解理论在变压器非线性非平稳信号的使用效果并不理想，会引起模态混叠、过分解和端点效应特征，出现两类模态混叠和过分解现象，准确反映源信号特征，同时传统的专家经验系统难以对此类多源故障进行精确分类。
因此，研制一种新的电力变压器故障诊断方法，实现多元故障精确分类是十分必要的。
发明内容
鉴于此，本发明的目的在于提供一种电力变压器故障诊断方法，以实现电力变压器绕组潜伏性故障的精确诊断。
本发明提供的技术方案是：一种电力变压器故障诊断方法，包括如下步骤：
S1：通过设置在变压器箱体的振动传感器获得其振动数据；
S2：对所述变压器振动数据进行变分模态分解拆分，获取K个互异的多阶固有模态映射成分u1(t)、u2(t)、u3(t)...uK(t)；
S3：通过公式(1)获取多阶固有模态映射成分的能量特征
集合一统处理，令根据公式(2)得到每个多阶固有模态映射成分的能量Si，从而得到变压器振动信号的特征向量S＝[S1,S2,…,SK]，并将所述特征向量作为训练样本导入支持向量机；
S4：初始化支持向量机的戒律参数C和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的C和σ，之后，利用优化后的C和σ成立PPSO-SVM多分类模型并对其训练；
S5：使用变分模态分解方法获取未知故障类型的振动特征数据的特征向量，并将其导入到步骤4中训练后的PPSO-SVM多分类模型进行故障多分类，得到导出结果，之后，根据所述导出结果定论变压器的故障。
优选，S4中，初始化支持向量机的戒律参数C和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的C和σ的具体步骤如下：
(1)利用已知变压器异常的样本集，确立训练样本和测试样本；
(2)利用帕瑞托粒子群算法初始化支持向量机的戒律参数C和径向根中心映射宽度σ，其中，起始戒律参数C和径向根中心映射宽度σ通过优先顺序法确定；
(3)导入计算方式的一个设定粒子群，粒子数为N，当前循环阶数k＝0，不超过最大循环阶数kmax，之后，将戒律参数C定义为粒子的定位变量x，以径向根中心映射宽度σ作为粒子的位移率大小变量v，原型化各个粒子，随机实体化定位集合和位移率集合，对每个寻优粒子设定不同的状态变量；
(4)根据适应度函数，评价每个粒子的适应度；
(5)根据帕瑞托解支配原则和个体聚集密度选择技术，更新粒子个体极值和全局极值，求解帕瑞托非劣解；
(6)若当前循环阶数k＜kmax，则停止循环，把帕瑞托线性最优非劣集作相似导出，若当前循环阶数k＞kmax，则k＝k+1，更新每个粒子的速度、位置后再从第(4)步开始重新进行一次循环；
(7)对所获取的帕瑞托最优非劣解通过模糊聚合分类调整，获得一个最后定论的非劣解；
(8)将非劣解对应的戒律参数C和径向根中心映射宽度σ作为优化后的C和σ。
本发明提供的电力变压器故障诊断方法，先运用变分模态分解能量法获取变压器振动信号的特征向量，针对支持向量机两个核心参数难以确定的问题，使用帕瑞托粒子群方法对支持向量机的两个参数进行多目标并行寻优，之后，使用帕瑞托粒子群优化参数后的支持向量机对已提取的特征向量进行智能故障多分类。
本发明提供的电力变压器故障诊断方法，有效避免了两类模态混叠和过分解现象，准确反映源信号特征，使用帕瑞托粒子群方法对支持向量机的两个核心参数进行多目标并行寻优获取最优参数，最终可实现对变压器绕组垫块脱落、绕组径向拉伸、绕组扭转三种故障的准确诊断。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释，但并不局限本发明。
本发明提供了一种电力变压器故障诊断方法，包括如下步骤：
S1：通过设置在变压器箱体的振动传感器获得其振动数据；
S2：对所述变压器振动数据进行变分模态分解拆分，获取K个互异的多阶固有模态映射成分u1(t)、u2(t)、u3(t)...uK(t)；
S3：通过公式(1)获取多阶固有模态映射成分的能量特征
集合一统处理，令根据公式(2)得到每个多阶固有模态映射成分的能量Si，从而得到变压器振动信号的特征向量S＝[S1,S2,…,SK]，并将所述特征向量作为训练样本导入支持向量机；
S4：初始化支持向量机的戒律参数C和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的C和σ，之后，利用优化后的C和σ成立PPSO-SVM多分类模型并对其训练；
其中，初始化支持向量机的戒律参数C和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的C和σ的具体步骤如下：
(1)利用已知变压器异常的样本集，确立训练样本和测试样本；
(2)利用帕瑞托粒子群算法初始化支持向量机的戒律参数C和径向根中心映射宽度σ，其中，起始戒律参数C和径向根中心映射宽度σ通过优先顺序法确定；
(3)导入计算方式的一个设定粒子群，粒子数为N，当前循环阶数k＝0，不超过最大循环阶数kmax，之后，将戒律参数C定义为粒子的定位变量x，以径向根中心映射宽度σ作为粒子的位移率大小变量v，原型化各个粒子，随机实体化定位集合和位移率集合，对每个寻优粒子设定不同的状态变量；
(4)根据适应度函数，评价每个粒子的适应度；
(5)根据帕瑞托解支配原则和个体聚集密度选择技术，更新粒子个体极值和全局极值，求解帕瑞托非劣解；
(6)若当前循环阶数k＜kmax，则停止循环，把帕瑞托线性最优非劣集作相似导出，若当前循环阶数k＞kmax，则k＝k+1，更新每个粒子的速度、位置后再从第(4)步开始重新进行一次循环；
(7)对所获取的帕瑞托最优非劣解通过模糊聚合分类调整，获得一个最后定论的非劣解；
(8)将非劣解对应的戒律参数C和径向根中心映射宽度σ作为优化后的C和σ。
S5：使用变分模态分解方法获取未知故障类型的振动特征数据的特征向量，并将其导入到步骤4中训练后的PPSO-SVM多分类模型进行故障多分类，得到导出结果，之后，根据所述导出结果定论变压器的故障。
本发明的具体实施方式是按照递进的方式进行撰写的，着重强调各个实施方案的不同之处，其相似部分可以相互参见。
上面对本发明的实施方式做了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.电力变压器故障诊断方法，其特征在于，包括如下步骤：
S1：通过设置在变压器箱体的振动传感器获得其振动数据；
S2：对所述变压器振动数据进行变分模态分解拆分，获取K个互异的多阶固有模态映射成分u1(t)、u2(t)、u3(t)...uK(t)；
S3：通过公式(1)获取多阶固有模态映射成分的能量特征
集合一统处理，令根据公式(2)得到每个多阶固有模态映射成分的能量Si，从而得到变压器振动信号的特征向量S＝[S1,S2,…,SK]，并将所述特征向量作为训练样本导入支持向量机；
S4：初始化支持向量机的戒律参数C和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的C和σ，之后，利用优化后的C和σ成立PPSO-SVM多分类模型并对其训练；
S5：使用变分模态分解方法获取未知故障类型的振动特征数据的特征向量，并将其导入到步骤4中训练后的PPSO-SVM多分类模型进行故障多分类，得到导出结果，之后，根据所述导出结果定论变压器的故障。
2.按照权利要求1所述的电力变压器故障诊断方法，其特征在于：S4中，初始化支持向量机的戒律参数C和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的C和σ的具体步骤如下：
(1)利用已知变压器异常的样本集，确立训练样本和测试样本；
(2)利用帕瑞托粒子群算法初始化支持向量机的戒律参数C和径向根中心映射宽度σ，其中，起始戒律参数C和径向根中心映射宽度σ通过优先顺序法确定；
(3)导入计算方式的一个设定粒子群，粒子数为N，当前循环阶数k＝0，不超过最大循环阶数kmax，之后，将戒律参数C定义为粒子的定位变量x，以径向根中心映射宽度σ作为粒子的位移率大小变量v，原型化各个粒子，随机实体化定位集合和位移率集合，对每个寻优粒子设定不同的状态变量；
(4)根据适应度函数，评价每个粒子的适应度；
(5)根据帕瑞托解支配原则和个体聚集密度选择技术，更新粒子个体极值和全局极值，求解帕瑞托非劣解；
(6)若当前循环阶数k＜kmax，则停止循环，把帕瑞托线性最优非劣集作相似导出，若当前循环阶数k＞kmax，则k＝k+1，更新每个粒子的速度、位置后再从第(4)步开始重新进行一次循环；
(7)对所获取的帕瑞托最优非劣解通过模糊聚合分类调整，获得一个最后定论的非劣解；
(8)将非劣解对应的戒律参数C和径向根中心映射宽度σ作为优化后的C和σ。
CN201910840761.0A 2019-09-06 2019-09-06 电力变压器故障诊断方法 Pending CN110569787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910840761.0A CN110569787A (zh) 2019-09-06 2019-09-06 电力变压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910840761.0A CN110569787A (zh) 2019-09-06 2019-09-06 电力变压器故障诊断方法

Publications (1)

Publication Number Publication Date
CN110569787A true CN110569787A (zh) 2019-12-13

Family

ID=68778139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910840761.0A Pending CN110569787A (zh) 2019-09-06 2019-09-06 电力变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN110569787A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076516A (zh) * 2021-04-16 2021-07-06 上海欣影电力科技股份有限公司 一种基于pso-emmd-ica的变压器振动信号在线分离方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171263A (zh) * 2017-12-26 2018-06-15 合肥工业大学 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法
CN110059714A (zh) * 2019-03-11 2019-07-26 广东工业大学 基于多分类支持向量机的变压器故障诊断方法
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171263A (zh) * 2017-12-26 2018-06-15 合肥工业大学 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method
CN110059714A (zh) * 2019-03-11 2019-07-26 广东工业大学 基于多分类支持向量机的变压器故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
楚剑雄: "基于变分模态分解能量熵和支持向量机的电力变压器绕组故障诊断", 《中国优秀硕博士学位论文全文数据库（硕士） 工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076516A (zh) * 2021-04-16 2021-07-06 上海欣影电力科技股份有限公司 一种基于pso-emmd-ica的变压器振动信号在线分离方法

Similar Documents

Publication Publication Date Title
CN109829402B (zh) 基于gs-svm的不同工况下轴承损伤程度诊断方法
US10776232B2 (en) Deep belief network feature extraction-based analogue circuit fault diagnosis method
CN111832353B (zh) 基于emd与ba优化svm的汽轮机转子故障诊断方法
CN108828436B (zh) 基于混沌云自适应萤火虫算法的模拟电路故障诊断方法
CN106124212B (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
JP6404909B2 (ja) 技術的な系の出力量のモデルを算出する方法
CN110334580A (zh) 基于集成增量的动态权重组合的设备故障分类方法
CN110297479B (zh) 一种基于卷积神经网络信息融合的水电机组故障诊断方法
CN108918137A (zh) 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法
CN1422407A (zh) 信号处理技术
EP3946828A1 (en) Hybrid machine learning-based systems and methods for training an object picking robot with real and simulated performance data
JP2022063240A (ja) 自己学習システムを用いて工作機械上での機械加工をシミュレーションするための方法及び装置
Liu et al. Fault diagnosis of rod pumping wells based on support vector machine optimized by improved chicken swarm optimization
CN114563186A (zh) 滚动轴承类不平衡故障诊断方法及系统
CN110023850A (zh) 用于控制技术系统的方法和控制装置
CN112232244A (zh) 一种滚动轴承故障诊断方法
CN114936575A (zh) 基于样本生成和深度迁移学习的电机轴承故障诊断方法
JP2003013794A (ja) 車両用制御パラメータの適合方法及び適合装置
Akpudo et al. A multi-domain diagnostics approach for solenoid pumps based on discriminative features
CN106055579B (zh) 基于人工神经网络的车辆性能数据清洗系统及其方法
WO2020220221A1 (zh) 生产设备的加工参数设置方法、装置和计算机可读介质
CN116226646A (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN110569787A (zh) 电力变压器故障诊断方法
CN111898443A (zh) 一种fdm型3d打印机送丝机构流量监测方法
CN110334478A (zh) 机器设备异常检测模型构建方法、检测方法及模型

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213

RJ01 Rejection of invention patent application after publication