CN112906489A - 一种基于lmd与排列熵的变压器机绕组松动识别方法 - Google Patents
一种基于lmd与排列熵的变压器机绕组松动识别方法 Download PDFInfo
- Publication number
- CN112906489A CN112906489A CN202110110017.2A CN202110110017A CN112906489A CN 112906489 A CN112906489 A CN 112906489A CN 202110110017 A CN202110110017 A CN 202110110017A CN 112906489 A CN112906489 A CN 112906489A
- Authority
- CN
- China
- Prior art keywords
- factor
- transformer
- fitness
- identification method
- original
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
一种基于LMD与排列熵相结合的变压器绕组松动识别方法,其步骤如下:1、采集相关历史振动信号;2、对采集的振动信号进行LMD分解,取得各PF分量;3、计算相关系数法并选出相关系数高于所设定阈值的PF分量;4、提取各PF分量的排列熵作为特征向量;5、将振动信号分为训练和测试集,并对训练集的特征向量进行寻优;6、将寻优后的训练集输入到支持向量机进行训练,并用测试集进行测试以得到训练好后的支持向量机模型;7、用得到的支持向量机模型作为分类器对测试样本集进行分类识别。本发明可在变压器稳态运行前对变压器绕组松动状态进行识别,实现了变压器的故障诊断,为进行变压器振动信号特征提取与故障诊断提供了一种新的方法。
Description
技术领域
本发明属于电力变压器机械故障诊断技术领域,尤其涉及一种基于LMD与排列熵的变压器绕组松动识别方法。
背景技术
变压器是电力系统中最关键的设备之一,它在运行过程中内部可能会出现故障,影响到变压器的正常运行,甚至对整个电力系统造成损坏。因此,为了可以及时发现变压器的故障隐患,避免突发事故,开展变压器状态监测与故障诊断的研究具有十分重要的意义。
变压器绕组松动故障是导致变压器绝缘问题、绕组烧坏等严重故障及事故的主要前期原因。传统的绕组故障诊断方法有短路阻抗法、频响分析法、低压脉冲法和频率响应法等都需要变压器停机才能实现,无法满足在线监测的要求。其中,近年来,振动分析法成为变压器机械故障诊断的热点。相比其他方法,振动法与变压器无电气连接,具有较强的抗干扰能力、可靠的监测变压器状态。因此,本发明利用变压器空载合闸瞬间产生的振动信号,提出了一种基于Local Mean Decomposition(LMD,以下简称为LMD)与排列熵的变压器绕组松动识别方法。
发明内容
针对上述问题,本发明提供了一种基于LMD与排列熵的变压器绕组松动识别方法,解决了现有技术中诊断方法误判的问题。
本发明采用如下的技术方案:
一种基于LMD与排列熵的变压器绕组松动识别方法,包括以下步骤:
步骤1:分别采集变压器空载合闸瞬间的正常状态的历史振动信号和绕组不同松动状态的历史振动信号;
步骤2:对采集的振动信号进行LMD分解,得到正常状态以及绕组不同松动状态振动信号的PF分量;
步骤3:分别计算各PF分量与原始振动信号的相关系数,取其中最大相关系数的n分之一作为阈值;
步骤4:将与原始信号相关性大于阈值的PF分量作为数据源,求取其对应的排列熵作为特征向量;
步骤5:将步骤4获得的特征向量分为训练样本集和测试样本集,并对训练样本集的特征向量进行寻优;
步骤6:将寻优后的训练样本集输入到支持向量机模型进行训练,并用测试样本进行测试以得到训练好后的支持向量机模型;
步骤7:用得到的支持向量机模型作为分类器对实时采集的变压器空载合闸瞬间振动信号进行分类识别,实现绕组松动情况的诊断。
在步骤1中,设置的采样频率为10kHz。
在步骤2中,通过以下公式,分别对采集的振动信号进行LMD分解,得到对应信号的多个PF分量:
其中,X(t)是振动信号,PFi表示第i个PF分量,q为PF分量的总个数,R表示残差函数。
在步骤3中,求取经过LMD分解后的各PF分量与原始振动信号的相关系数:
其中,X为采集的原始振动信号;Yi为第i个PF分量,i=1,2,…,q,D(X)指采集的原始振动信号的方差。
在步骤4中,排列熵通过以下方法求得:
其中,i为不同符号序列的指数,Pd为第d个符号序列的概率,所述序列指得是对于重构相空间中的任意一个重构向量可以得到的反映其元素大小顺序的符号序列,l!表示在l维相空间映射的不同符号序列共有l!个。
在步骤4中,对求得的排列熵进行归一化处理后作为特征向量:
其中,m为嵌入维数。
在排列熵的计算中,构建嵌入维数m和延时时间τ相空间重构矩阵:
其中,j为重构矩阵中分量的个数。
嵌入维数m的取值为[3,7]中任意整数,τ的取值为[1,6]。
步骤5包括以下步骤:
步骤501:根据特征向量设置群的数目,利用混沌序列初始化群位置;
步骤502:对整个群进行遍历,把K-折交叉验证法识别率作为适应度值,并把适应度值最高的因子作为a,次高者作为b;
步骤503:更新因子a,b和群中其他因子的位置,将适应度最高因子a的位置排为第一,适应度次高因子b的位置排为第二,其他因子按原来的位置依次排列到适应度次高因子b之后;
步骤504:计算每个因子新位置的适应度并与原来的进行对比,如果新的适应度大于或等于原来的适应度,则因子的新位置代替原来的位置,并转到步骤503进行循环迭代;如果因子a和因子b新的适应度小于原来的适应度,则完成循环。
在步骤6中,根据步骤504的输出结果,将适应度最高的因子a的位置作为支持向量机的惩罚因子c,适应度次高因子b的位置作为支持向量机的核函数参数g,进行训练。
针对变压器空载合闸振动信号特征的特点,将LMD与排列熵相结合应用于变压器绕组松动特征提取。本发明将原始信号进行LMD方法分解得到若干Product Function(PF,以下简称为PF)分量,并筛选出与原始信号相关性较大的分量,计算其排列熵,可以更好的反应信号在不同尺度上的细节复杂度特征。并在输入支持向量机进行故障状态识别前进行特征向量的寻优,从而提高准确率并实现变压器绕组松动的诊断。
附图说明
图1为本发明的流程图;
图2为本发明变压器正常状态下的振动信号图;
图3为本发明变压器正常状态下的振动信号进过LMD分解图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
本发明提供了一种基于LMD与排列熵的变压器绕组松动故障识别方法,具体流程见图1,该方法包括以下步骤:
步骤1:分别采集变压器空载合闸瞬间的正常状态的历史振动信号和绕组不同松动状态的历史振动信号,其中不同松动状态是指完全松动状态和不完全松动状态。
实验变压器为SFZ10-31500/110油浸式电力变压器,采用JF-2020压电式加速度传感器测量变压器正上方的振动信号,设置采样频率为10kHz,采样点数为2048个。为了防止合闸瞬间继电保护装置动作和实验安全性,选在20%额定电压下进行合闸,即2.1kV。实验过程中,设置变压器绕组不完全松动、完全松动两种故障。正常状态时,绝大部分位置的振动信号由100Hz频率分量占主导地位;当发生松动故障时,部分边缘位置测点的200Hz频率分量占比明显提高,此时波形也将发生变化;完全松动时,大部分测点的200Hz频率分量幅值都超过了100Hz,只有正面中心位置依然是100Hz频率分量最大。变压器正常状态振动信号如图2所示。
步骤2:对采集的振动信号进行LMD分解,得到正常状态以及绕组不同松动状态振动信号的PF分量。
具体地,对正常状态下的变压器振动信号进行LMD分解,分解得出各PF分量,方法如下:
对电力变压器空载合闸瞬间的振动信号X(t)分解成q个PF分量与一个残差函数R之和,即:
其中,X(t)是振动信号,PFi表示第i个PF分量,q为PF分量的总数,R表示残差函数。分解结果如图3所示。其分解的本质是从复杂的原始信号中分离出纯调频信号和包络信号,将纯调频信号和包络信号相乘便可以得到一个瞬时频率具有物理意义的PF函数分量。
步骤3:分别计算各PF分量与原始振动信号的相关系数,取其中最大相关系数的n分之一作为阈值;
求取取经过LMD分解后的各PF分量与原始信号的相关系数,利用如下公式:
X为采集的原始振动信号;Yi为第i个PF分量,i=1,2,…,q;
计算各分量与原始信号的相关系数,取最大相关系数的的n分之一作为阈值,在本实施例中,n分之一为十分之一,其值为0.012。
步骤4:将与原始信号相关性大于阈值的PF分量作为数据源,求取其对应的排列熵作为特征向量;
在本实施例中,通过与步骤3中选择的阈值的比对,筛选出前四个PF分量作为最故障特征敏感的分量。
在排列熵的计算中,需要考虑和设定3个参数值,即时间序列长度N,嵌入维数m和时延τ,不同参数的选取对熵值的计算结果会产生影响。
对于乘积分量PFi(t)=Xi(t),i=1,2,…N。嵌入维数m和延时时间τ,对其做相空间重构得到如下矩阵:
式中,j为重构分量的个数。
嵌入维数m的取值一般为[3,7]的任意整数。因为,如果m=1或m=2时,重构向量状态个数较少,不能精确检测信号动力学突变;当m取值过大,相空间的重构将会均匀化时间序列,这时排列熵的计算量增大并且不宜反映时序列的微小变化。
选取嵌入维数m=6,排列熵的值能够很好的表征时间序列的动态特性。
当时延τ在[1,6]变化时,信号的排列熵数值变化很小,时延τ对排列熵值影响较小,因此计算排列熵时取τ=1。
计算前四个PF分量的排列熵:
其中,i为不同符号序列的指数,Pd为第d个符号序列的概率,所述序列指得是对于重构相空间中的任意一个重构向量可以得到的反映其元素大小顺序的符号序列,l!表示在l维相空间映射的不同符号序列共有l!个。
对G(s)进行归一化得:
分别求出前4个PF分量排列熵组成特征向量。
步骤5:将步骤4获得的特征向量分为训练样本集和测试样本集,并对训练样本集的特征向量进行寻优。其中,每种状态随机取10组数据用于样本集,剩下的每种故障状态10组数据用于测试集。
步骤501:根据特征向量设置群的数目,利用混沌序列初始化群位置;
步骤502:对整个群进行遍历,把K-折交叉验证法识别率作为适应度值,并把适应度值最高的因子作为a,次高者作为b;
步骤503:更新因子a,b和群中其他因子的位置,将适应度最高因子a的位置排为第一,适应度次高因子b的位置排为第二,其他因子按原来的位置依次排列到适应度次高因子b之后;
步骤504:计算每个因子新位置的适应度并与原来的进行对比,如果新的适应度大于或等于原来的适应度,则因子的新位置代替原来的位置,并转到步骤503进行循环迭代;如果因子a和因子b新的适应度小于原来的适应度,则完成循环。
步骤6:将寻优后的训练样本集输入到支持向量机模型进行训练,并用测试样本进行测试以得到训练好后的支持向量机模型。
在步骤6中,根据步骤504的输出结果,将适应度最高的因子a的位置作为支持向量机的惩罚因子c,适应度次高因子b的位置作为支持向量机的核函数参数g,进行训练。
将剩下的测试集输入到SVM模型中进行故障诊断,其结果如图表1所示:
步骤7:用得到的支持向量机模型作为分类器对实时采集的变压器空载合闸瞬间振动信号进行分类识别,实现绕组松动情况的诊断。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种基于LMD与排列熵的变压器绕组松动识别方法,其特征在于,所述方法包括:
步骤1:分别采集变压器空载合闸瞬间的正常状态的历史振动信号和绕组不同松动状态的历史振动信号;
步骤2:对采集的振动信号进行LMD分解,得到正常状态以及绕组不同松动状态振动信号的PF分量;
步骤3:分别计算各PF分量与原始振动信号的相关系数,取其中最大相关系数的n分之一作为阈值;
步骤4:将与原始信号相关性大于阈值的PF分量作为数据源,求取其对应的排列熵作为特征向量;
步骤5:将步骤4获得的特征向量分为训练样本集和测试样本集,并对训练样本集的特征向量进行寻优;
步骤6:将寻优后的训练样本集输入到支持向量机模型进行训练,并用测试样本进行测试以得到训练好后的支持向量机模型;
步骤7:用得到的支持向量机模型作为分类器对实时采集的变压器空载合闸瞬间振动信号进行分类识别,实现绕组松动情况的诊断。
2.根据权利要求1所述的变压器绕组松动识别方法,其特征在于:
在所述步骤1中,设置的采样频率为10kHz。
8.根据权利要求7所述得变压器绕组松动识别方法,其特征在于:
所述嵌入维数m的取值为[3,7]中任意整数,τ的取值为[1,6]。
9.根据权利要求8所述的变压器绕组松动识别方法,其特征在于:
所述步骤5包括以下步骤:
步骤501:根据特征向量设置群的数目,利用混沌序列初始化群位置;
步骤502:对整个群进行遍历,把K-折交叉验证法识别率作为适应度值,并把适应度值最高的因子作为a,次高者作为b;
步骤503:更新因子a,b和群中其他因子的位置,将适应度最高因子a的位置排为第一,适应度次高因子b的位置排为第二,其他因子按原来的位置依次排列到适应度次高因子b之后;
步骤504:计算每个因子新位置的适应度并与原来的进行对比,如果新的适应度大于或等于原来的适应度,则因子的新位置代替原来的位置,并转到步骤503进行循环迭代;如果因子a和因子b新的适应度小于原来的适应度,则完成循环,输出最终因子a和因子b的位置。
10.根据权利要求9所述的变压器绕组松动识别方法,其特征在于:
在所述步骤6中,根据步骤504的输出结果,将适应度最高的因子a的位置作为支持向量机的惩罚因子c,适应度次高因子b的位置作为支持向量机的核函数参数g,进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110017.2A CN112906489A (zh) | 2021-01-27 | 2021-01-27 | 一种基于lmd与排列熵的变压器机绕组松动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110017.2A CN112906489A (zh) | 2021-01-27 | 2021-01-27 | 一种基于lmd与排列熵的变压器机绕组松动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906489A true CN112906489A (zh) | 2021-06-04 |
Family
ID=76120663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110110017.2A Withdrawn CN112906489A (zh) | 2021-01-27 | 2021-01-27 | 一种基于lmd与排列熵的变压器机绕组松动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906489A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
-
2021
- 2021-01-27 CN CN202110110017.2A patent/CN112906489A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
CN106017879B (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
CN113049922B (zh) | 一种采用卷积神经网络的故障电弧信号检测方法 | |
CN110503004B (zh) | 一种开关电源运行状态的在线判别方法 | |
CN109188258A (zh) | 基于振电结合的高压断路器特征提取及分类方法 | |
CN103968937B (zh) | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
CN109284672A (zh) | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 | |
CN113408458A (zh) | 一种基于振动信号特征熵融合的断路器故障诊断方法 | |
Gargoom et al. | Investigation of effective automatic recognition systems of power-quality events | |
CN112557894A (zh) | 一种断路器故障诊断方法 | |
CN112577743A (zh) | 一种基于最大局部边界准则的滚动轴承故障诊断方法 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN113111591A (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN116559650A (zh) | 一种基于多维熵距的自动转换开关故障识别方法 | |
CN112906489A (zh) | 一种基于lmd与排列熵的变压器机绕组松动识别方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN112352165B (zh) | 用于监测断路器的方法以及使用该方法的装置和物联网 | |
CN114139577A (zh) | 基于一维卷积自编码网络的故障电弧识别方法及装置 | |
Paul et al. | Series AC arc fault detection using decision tree-based machine learning algorithm and raw current | |
Zhang et al. | Induction motor condition monitoring for sustainable manufacturing | |
Fahim et al. | Uncertainty awareness in transmission line fault analysis: A deep learning based approach | |
CN115113038B (zh) | 基于电流信号相空间重构的断路器故障诊断方法 | |
CN110132567A (zh) | 一种基于lcd和排列熵的oltc故障诊断方法 | |
CN113705637B (zh) | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210604 |