CN112149569A - 变压器基于模糊c均值聚类算法的声纹故障诊断方法 - Google Patents

Abstract

本发明提出一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类，并利用分类的结果判断故障的类型。当变压器中出现声纹异常时，利用模糊C均值对声纹数据进行处理，可以确定各个声纹数据样本的聚类中心，通过隶属度矩阵的行对应着所属类别，列对应着数据样本的顺序编号，隶属度矩阵每一列最大数据所在的行即为数据样本所对应的故障类别，这样就可以有效检测出声纹故障的类型。从而实现了由变压器由异常声纹引发的故障的诊断。

Description

变压器基于模糊C均值聚类算法的声纹故障诊断方法

技术领域

本发明属于变压器的故障诊断领域，尤其涉及一种变压器基于模糊C均值聚类算法的声纹故障诊断方法。

背景技术

随着电力系统的日益发展，电气设备的故障越来越引人重视，其中电力变压器的故障是电气设备的主要来源。绕组和铁芯是电力变压器的重要组成部分，绕组和铁芯的机械运行状况直接关系到变压器系统的安全。变压器箱的声纹与铁芯和绕组的机械状态密切相关，特别是交流电通过变压器绕组，在铁芯中产生周期性的振动响声是均匀的嗡嗡声。但是随着机器的长期运转，会出现一些异常的声纹，这些声纹可能由压紧铁芯的螺丝松动、绕组发生短路、分接开关因接触不良引起严重过热、变压器过负荷、电网过电压等都是引起变压器声纹故障的因素。而这些异常声纹信号往往很难判断其来源，因此，为了保证变压器的运行安全，从而提高供电可靠性，基于变压器绕组和铁芯的运行状态的声纹信号故障诊断是非常有必要的。

目前，对于变压器绕组的检测的主要方法有短路阻抗法、振动分析法、频率响应分析法、低压脉冲响应法，铁芯的检测方法有油色谱分析法和测试绝缘电阻法。这些早期的诊断方法虽然能起到一定的作用，但不能提前发现早期故障，特别是一些异常声纹信号，上述的诊断方法就很难诊断出该故障类型。

发明内容

为了填补现有技术的空白，本发明提出一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，利用模糊C均值可以确定各个声纹数据样本的聚类中心，通过隶属度矩阵的行对应着所属类别，列对应着数据样本的顺序编号，隶属度矩阵每一列最大数据所在的行即为数据样本所对应的故障类别，从而实现对变压器由异常声纹引发的故障的诊断。

本发明具体采用以下技术方案：

一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于:利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类，并利用分类的结果判断故障的类型。

优选地，所述声纹故障数据通过非接触式、无电气连接安装的声纹采集器进行采集。

优选地，不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得。

优选地，利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类的过程具体包括以下步骤：

步骤S1：将样本空间用N×n的模式矩阵表示为：

其中，模式矩阵X的行为模式矢量,列为特征值，x为样本；

步骤S2：将模式矩阵X中的N个模式分成C类，2≤C≤N,并将分类关系用隶属函数表示为：

其中,R为实数，N×C矩阵为隶属函数矩阵，表示为：

式中,μ_ik为第i个模式对第k个聚类的隶属度；

步骤S3：计算聚类中心向量，目标函数表达式为：

其中：V为聚类的中心矢量,V＝{v₁，v₂，…v_c}；m为权重指数，m＞1；式中X_k到聚类中心的距离为：

X_k为某一个数据点；

步骤S4：模糊C均值聚类的目标函数为：

引入拉格朗日乘数法,其中φ为参数，即：

其中一个声纹故障数据构成的数据集隶属度和为1，即

通过给定模式矩阵X,选取聚类个数1＜C＜N,权重指数m＞1,终止误差ε＞0,再初始化隶属函数矩阵U,根据式

式

式

进行迭代,直到满足式||U^(l)-U^(l-1)||＜ε,即可计算出聚类中心和隶属度矩阵，完成声纹故障数据的分类。

优选地，不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得；所述终止误差通过模糊C均值聚类算法获得的故障分类和预设的故障分类的拟合程度进行迭代确定。

与现有技术相比，本发明及其优选方案有以下有益效果：通过声纹采集器采集声纹信号，采集器采用非接触式安装，没有电气连接，从而避免了测试过程中的人身危险问题。测量系统不受变电站电磁干扰的影响，降低了信号提取和处理的难度。当变压器中出现声纹异常时，利用模糊C均值对声纹数据进行处理，可以确定各个声纹数据样本的聚类中心，通过隶属度矩阵的行对应着所属类别，列对应着数据样本的顺序编号，隶属度矩阵每一列最大数据所在的行即为数据样本所对应的故障类别，这样就可以有效检测出声纹故障的类型。从而实现了由变压器由异常声纹引发的故障的诊断。

附图说明

下面结合附图和具体实施方式对本发明进一步详细的说明：

图1为本发明实施例流程示意图；

图2为本发明实施例模糊C均值聚类算法诊断流程示意图。

具体实施方式

为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：

如图1所示，本实施提供了一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，具体包括以下步骤：

步骤1：通过声纹采集器，获取变压器绕组和铁芯机械运行状态中的声纹故障数据；

步骤2：将收集到的声纹故障数据传送到数据采集终端，进行初始化分析，将清晰声纹提取为样本数据。

步骤3：利用模糊C均值算法对声纹数据进行分类标注，从而判断出具体的故障类型。

进一步地，如图2所示，本实施例还提供模糊C均值算法对声纹数据的诊断步骤如下所示：

步骤(3.1)：设样本空间用N×n的模式矩阵表示为：

式中，模式矩阵X的行称为模式矢量,列称为特征值。

步骤(3.2)：把X中的N个模式分成C(2≤C≤N)类,这种分类关系可用隶属

函数表示为：

式中,N×C矩阵为隶属函数矩阵为：

式中,μ_ik——第i个模式对第k个聚类的隶属度。

步骤(3.3)计算聚类中心向量，目标函数表达式为：

式中：V——聚类的中心矢量,V＝{v₁，v₂，…v_c}；m——权重指数，m＞1.式中模式矩阵X_k到聚类中心的距离为：

步骤(3.4)引入拉格朗日乘数法,即：

通过给定模式矩阵X,选取聚类个数1＜C＜N,权重指数m＞1,终止误差ε＞0,再初始化隶属函数矩阵U,根据式

式

式

进行迭代,直到满足式||U^(l)-U^(l-1)||＜ε,就可计算出聚类中心和隶属度矩阵，从而判别出声纹故障的类型。

基于上述的设计过程，以下对基于模糊C均值聚类算法的诊断流程再做说明。包括下列步骤：

(1)采集声纹故障信号，对采集到的信号进行初始化处理。

(2)设模式矩阵X，选取聚类个数C(1＜C＜N),终止误差ε；

(3)初始化聚类中心V_i，初始化隶属度矩阵U；

(4)计算隶属度矩阵U、聚类中心V_i，

根据上述步骤求出隶属度矩阵U、聚类中心V_i，直到满足式||U^(l)-U^(l-1)||＜ε，停止迭代，得到每个类别的聚类中心V_i和隶属度矩阵U。

需要说明的是，本实施例提供的一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，利用模糊C均值对声纹数据进行处理，可以确定各个声纹数据样本的聚类中心，变压器声纹引起的故障类别有：由压紧铁芯的螺丝松动、绕组发生短路、分接开关因接触不良引起严重过热、变压器过负荷、电网过电压等。通过隶属度矩阵的行对应着所属类别，列对应着数据样本的顺序编号，隶属度矩阵每一列最大数据所在的行即为数据样本所对应的故障类别，这样就可以实现对声纹故障的诊断。

在本实施例中，不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得；所述终止误差通过模糊C均值聚类算法获得的故障分类和预设的故障分类的拟合程度进行迭代确定。

本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的变压器基于模糊C均值聚类算法的声纹故障诊断方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (5)

1.一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于:利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类，并利用分类的结果判断故障的类型。

2.根据权利要求1所述的变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于：所述声纹故障数据通过非接触式、无电气连接安装的声纹采集器进行采集。

3.根据权利要求2所述的变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于：不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得。

4.根据权利要求1所述的变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于：利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类的过程具体包括以下步骤：

步骤S1：将样本空间用N×n的模式矩阵表示为：

其中，模式矩阵X的行为模式矢量,列为特征值，x为样本；

步骤S2：将模式矩阵X中的N个模式分成C类，2≤C≤N,并将分类关系用隶属函数表示为：

其中,R为实数，N×C矩阵为隶属函数矩阵，表示为：

式中,μ_ik为第i个模式对第k个聚类的隶属度；

步骤S3：计算聚类中心向量，目标函数表达式为：

其中：V为聚类的中心矢量,V＝{v₁，v₂，…v_c}；m为权重指数，m＞1；式中X_k到聚类中心的距离为：

X_k为数据点；

步骤S4：模糊C均值聚类的目标函数为：

引入拉格朗日乘数法,其中φ为参数，即：

其中一个声纹故障数据构成的数据集隶属度和为1，即

通过给定模式矩阵X,选取聚类个数1＜C＜N,权重指数m＞1,终止误差ε＞0,再初始化隶属函数矩阵U,根据式

式

式

进行迭代,直到满足式||U^(l)-U^(l-1)||＜ε,即可计算出聚类中心和隶属度矩阵，完成声纹故障数据的分类。

5.根据权利要求4所述的变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于：不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得；所述终止误差通过模糊C均值聚类算法获得的故障分类和预设的故障分类的拟合程度进行迭代确定。

Images