CN113268924B - 基于时频特征的变压器有载分接开关故障识别方法 - Google Patents

Abstract

本发明涉及基于时频特征的变压器有载分接开关故障识别方法，包括以下步骤：建立分接开关振动信号的仿真模型，将分接开关振动信号分解为多个瞬时非平稳衰减的振动子波信号；通过稀疏分解法对分接开关振动子波信号进行稀疏重构和降噪；利用小波包时频谱提取进行降噪后的各所述振动子波信号的时频特征向量，对各所述时频特征向量添加故障标签，并集合成样本集；通过样本集对卷积神经网络进行训练，生成可识别故障信号的故障识别模型；输入分接开关的振动信号，提取振动信号的时频特征向量，将时频特征向量输入至故障识别模型进行识别，识别故障信号。

Description

基于时频特征的变压器有载分接开关故障识别方法

技术领域

本发明涉及基于时频特征的变压器有载分接开关故障识别方法，属于电力设备故障识别技术领域。

背景技术

变压器有载分接开关(以下简称分接开关)作为电力系统中的重要设备，对于变压器的使用安全，肩负着控制和保护任务。分接开关是有载调压变压器完成调压的关键部件，通过有载分接开关的合理调节，可以有效控制系统电压的大幅波动，增加电网调度的调节手段，增强其调节的灵活性。对电力系统发生的多起电压失稳及其它类型事故的分析研究发现，在部分电压失稳引起的事故中，有载调压变压器的不合理动作及故障是重要因素。

因此相关技术人员开始研究有载分接开关振动信号故障的原因，现有技术中提出变压器有载分接开关故障是影响振动信号的主要因素之一，据此建立一个基于KD-DenseNet的故障诊断模型，用来识别分接开关振动信号故障；现有技术《基于卷积神经网络的变压器有载分接开关故障识别》[J].电力系统自动化,2020,44(11):144-154.提出基于卷积神经网络的故障识别方法，实时监控变压器有载分接开关工作状态。现有技术《OnSavitzky–GolayFilteringforOnlineConditionMonitoringofTransformerOn-LoadTapChanger》

[J].IEEETransactionsonPowerDelivery,2018,33(4):1689-1698.提出变压器有载分接开关在线状态监测检测，采用Savitzky-Golay滤波器对安装在有载调压开关上的振动-声学和电弧联合测量系统采集的信号进行处理。结果表明Savitzky-Golay滤波器可以同时处理有载调压开关引起的振动声和电弧信号，从这两类信号中提取出无延时的本质信息，并从电弧信号中提取电压相位信息。该方法可以提高有载分接开关机械运行的可视性，实现有效的在线状态监测。

上述现有技术具有一定有效性，但对分接开关振动信号的降噪效果还有待提升。

发明内容

为了解决上述现有技术中存在的问题，本发明提出了基于时频特征的变压器有载分接开关故障识别方法，利用稀疏分解法去除振动信号噪声，弥补传统方法存在的不足，为分接开关正常运行提供更加可靠的技术支持。

本发明的技术方案如下：

基于时频特征的变压器有载分接开关故障识别方法，包括以下步骤：

(1)建立分接开关振动信号的仿真模型，将分接开关振动信号分解为多个瞬时非平稳衰减的振动子波信号；

(2)通过稀疏分解法对分接开关振动子波信号进行稀疏重构和降噪；

(3)利用小波包时频谱提取进行降噪后的各所述振动子波信号的时频特征向量，对各所述时频特征向量添加故障标签，并集合成样本集；

(4)通过样本集对卷积神经网络进行训练，生成可识别故障信号的故障识别模型；

(5)输入分接开关的振动信号，提取振动信号的时频特征向量，将时频特征向量输入至故障识别模型进行识别，识别故障信号。

进一步的，根据以下公式建立分接开关振动信号的仿真模型：

式中，D(t)为分接开关振动信号的仿真模型，n为振动子波的个数；i为振动子波位数；H_i为振动子波的幅值；s_i为振动子波的衰减系数；t_i为振动子波的起始时刻；p_i为振动子波的频率；

为单位阶跃函数；e为自然常数；

所述通过稀疏分解法对分接开关振动子波信号进行稀疏重构和降噪进行降噪的步骤具体为：

通过分接开关振动信号的仿真模型获取振动子波信号p，对振动子波信号p进行重构，通过稀疏分解法选取一与振动子波信号p最匹配的原子信号q₁，要求在原子信号q₁处得到与振动子波信号p的内积最大值：

式中，<x,y>表示向量x和y的内积，|·|表示向量的绝对值，sup(*)为函数上限，α为原子信号的索引指标，Γ是α的集合；

分解上述内积最大值公式得到：

p＝<p,q₁>q₁+W¹p；

式中，<p,q₁>为振动子波信号p在原子信号q₁上的投影；W¹p为信号残差分量，且与q₁正交；利用残差分量替换信号p，选取一个与残差分量结构特征最为匹配的原子信号q₂，进行再次分解，得到：

W¹p＝<W¹p,q₂>+W²p；

式中，W²p为第二次分解后的信号残差分量；

重复上述噪声信号的获取过程，进行l次迭代，此时振动子波信号p被分解为：

式中，W^i-1p代表第i-1次分解后的信号残差分量，W^i-1p＝p，q_i为选取的第i个原子信号，设分接开关振动子波信号用p表示，则存在：

p＝u+v

式中，

为经稀疏重构后的信号；v＝W^lp为第l次分解后的信号残差分量即残留噪声信号；

设置迭代的上限值，分离出经稀疏重构后的信号u，实现信号去噪。

进一步的，所述利用小波包时频谱提取进行降噪后的各所述振动子波信号的时频特征向量的具体步骤为：

对稀疏重构和降噪后的信号

进行进行尺度为M的小波分解，得到得到小波包系数S(m,k)，m＝1,2,...,M，k＝1,2,...,N，从而划分了分解与重构获得的时频平面，形成M×N个时频子区域；

按照公式

根据小波包系数的绝对值计算各个子频段内各点的概率k_m,n，作为分接开关振动子波信号的时频特征向量；

式中，S(m,n)表示信号在第m个离散时间点，第n个离散频率点上的小波包系数。

进一步的，所述卷积神经网络包含3个卷积层、3个池化层、1个全连接层，池化方式为最大值池化方式，卷积核尺寸为5×5。

本发明具有如下有益效果：

本发明提出基于时频特征的分接开关振动信号故障自动化识别方法，利用稀疏分解法去除振动信号噪声，弥补传统方法存在的不足，为分接开关正常运行提供更加可靠的技术支持。

附图说明

图1为本发明一实施例的流程图；

图2为本发明一实施例提取时频特征向量的示意图；

图3为本发明一实施例对卷积神经网络进行降维的示意图。

具体实施方式

下面结合附图和具体实施例来对本发明进行详细的说明。

参见图1，基于时频特征的变压器有载分接开关故障识别方法，包括以下步骤：

(1)建立分接开关振动信号的仿真模型，将分接开关振动信号分解为多个瞬时非平稳衰减的振动子波信号；

(2)通过稀疏分解法对分接开关振动子波信号进行稀疏重构和降噪；分接开关运行工况十分复杂，振动信号中存在大量噪声，会对信号识别产生一定干扰，为此采用稀疏分解法去除振动信号噪声，稀疏分解法简称为FFT-MP算法，具有自适应性特征；

(3)已知分接开关振动信号的时频分布，能反映其固有特征，因此在去除噪声的基础上，利用小波包时频谱提取进行降噪后的各所述振动子波信号的时频特征向量，对各所述时频特征向量添加故障标签，并集合成样本集；

(4)通过样本集对卷积神经网络进行训练，生成可识别故障信号的故障识别模型；

(5)输入分接开关的振动信号，提取振动信号的时频特征向量，将时频特征向量输入至故障识别模型进行识别，识别故障信号。

进一步的，已知分接开关的振动信号，是由无数个瞬时非平稳衰减振动子波组成的，因此利用指数衰减正弦信号，建立其仿真模型：

式中，D(t)为分接开关振动信号的仿真模型，n为振动子波的个数；i为振动子波位数；H_i为振动子波的幅值；s_i为振动子波的衰减系数；t_i为振动子波的起始时刻；p_i为振动子波的频率；

为单位阶跃函数；e为自然常数。通常情况下的分接开关振动信号，其频率值pi小于10kHz，因此将采样频率设置为20kHz，利用5个频率值小于10kHz的振动子波进行仿真，发现建立的信号模型中，含有极大的白噪声。

所述通过稀疏分解法对分接开关振动子波信号进行稀疏重构和降噪进行降噪的步骤具体为：

通过分接开关振动信号的仿真模型获取振动子波信号p，对振动子波信号p进行重构，通过稀疏分解法选取一与振动子波信号p最匹配的原子信号q₁，要求在原子信号q₁处得到与振动子波信号p的内积最大值：

式中，<x,y>表示向量x和y的内积，|·|表示向量的绝对值，sup(*)为函数上限，α为原子信号的索引指标，Γ是α的集合；

分解上述内积最大值公式得到：

p＝<p,q₁>q₁+W¹p (3)

式中，<p,q₁>为振动子波信号p在原子信号q₁上的投影；W¹p为信号残差分量，且与q₁正交；

利用残差分量替换信号p，选取一个与残差分量结构特征最为匹配的原子信号q₂，进行再次分解，得到：

W¹p＝<W¹p,q₂>+W²p (4)

式中，W²p为第二次分解后的信号残差分量；

重复上述噪声信号的获取过程，进行l次迭代，此时振动子波信号p被分解为：

式中，W^i-1p代表第i-1次分解后的信号残差分量，W^i-1p＝p，q_i为选取的第i个原子信号，设分接开关振动子波信号用p表示，则存在：

p＝u+v (6)

式中，

为经稀疏重构后的信号；v＝W^lp为第l次分解后的信号残差分量即残留噪声信号；

根据公式(5)和公式(6)可知，降噪后的信号可用

表示，噪声信号可用v＝W^lp表示。本算法为了将u分离出来，采用设置上限值的方法，设置迭代终止条件。设上限值为L，当L设置较大时，可以提取全部原始信号，同时将噪声信号提取一部分出来，实现信号去噪。此次研究采用的算法，将上限值设置为L＝202，对仿真信号进行去噪，降低噪声对振动信号的干扰。

在本实施例中，随机设置一个变量X观测振动信号，则信息量Z(x_j)可利用式(7)进行描述：

默认变量X以概率k_j取值X＝x_j。根据上述公式可知，肯定发生的事件中，不包含任何信息；随机事件不会造成信息损失；发生小概率的事件时，信息含量越大。因此信息量Z(x_j)在取值空间X中的平均值为：

F(X)＝∑k_jZ(x_j)＝-∑k_jlog₂k_j (8)

由于F(X)是X的分布函数，与其取值概率有关，与实际取值无关，因此其作为有界函数，存在：

0≤F(X)≤log₂(L) (9)

其中L表示振动信号的序列长度。将包络分为N段，所得各段的所覆盖的面积S，计算对总面积的贡献值k(i)，进而得到数据序列x的信息熵：

E(x)＝-∑k_jlog₂k_j (10)

利用小波包时频谱提取振动信号时频特征向量，该过程如图2所示；根据图2可知，该过程首先对稀疏降噪后的振动信号u(n)n＝1,2...N进行尺度为M的小波分解，得到小波包系数S(m,k)，m＝1,2,...,M，k＝1,2,...,N，从而划分了分解与重构获得的时频平面，形成M×N个时频子区域。接着按照公式

(，根据小波包系数的绝对值计算各个子频段内各点的概率k_m,n，作为分接开关振动子波信号的时频特征向量；

式中，S(m,n)表示信号在第m个离散时间点，第n个离散频率点上的小波包系数。

在本实施例中，CNN卷积神经网络由卷积层、池化层、全连接层组成，确定最优卷积核尺寸，利用多个连续小卷积核替代大卷积核，提高CNN模型对故障数据的识别能力，减少训练时所需的参数规模，该模型的识别降维过程，如图3所示；

将时间复杂度f_t作为量化标准，计算模型卷积过程的时间复杂度，计算公式为：

公式中：a为卷积层数；

为卷积核输出特征图的边长；

为卷积核边长；

分别为输入通道和输出通道数。设降维后第a层卷积核的值为d_a×d_a，输出特征图的边长为c_a，降维后每个子卷积层的卷积步长，设置为1，同时卷积完毕后填充边缘像素，保证卷积层降维前后，特征图尺寸不发生变化。此时存在C_a＝c_a，同时因为d_a<D_a，则降维前后，时间复杂度计算公式满足条件式(12)：

f_t(d_a×d_a)<f_t(D_a×D_a) (12)

通过上述计算，降低卷积过程的时间复杂度。

分别使用短时傅里叶变换进行时频变换后CNN直接识别方法和本文提出的稀疏降噪处理后利用小波包提取时频特征再进行CNN的方法进行故障识别，识别结果如表1和表2所示。对比识别结果可知，进行稀疏降噪及小波时频特征预处理后，CNN的故障识别率较未做预处理情况有了明显改善。

表1直接识别率对比表

表2稀疏降噪及小波时频特征处理后识别率对比表

本实施例提出基于时频特征的分接开关振动信号故障自动化识别方法，利用稀疏分解法去除振动信号噪声，弥补传统方法存在的不足，为分接开关正常运行提供更加可靠的技术支持。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.基于时频特征的变压器有载分接开关故障识别方法，其特征在于，包括以下步骤：

(1)建立分接开关振动信号的仿真模型，将分接开关振动信号分解为多个瞬时非平稳衰减的振动子波信号；

(2)通过稀疏分解法对分接开关振动子波信号进行稀疏重构和降噪；

(3)利用小波包时频谱提取进行降噪后的各所述振动子波信号的时频特征向量，对各所述时频特征向量添加故障标签，并集合成样本集；

(4)通过样本集对卷积神经网络进行训练，生成可识别故障信号的故障识别模型；

(5)输入分接开关的振动信号，提取振动信号的时频特征向量，将时频特征向量输入至故障识别模型进行识别，识别故障信号；

根据以下公式建立分接开关振动信号的仿真模型：

式中，D(t)为分接开关振动信号的仿真模型，n为振动子波的个数；i为振动子波位数；H_i为振动子波的幅值；s_i为振动子波的衰减系数；t_i为振动子波的起始时刻；p_i为振动子波的频率；

为单位阶跃函数；e为自然常数；

所述通过稀疏分解法对分接开关振动子波信号进行稀疏重构和降噪进行降噪的步骤具体为：

通过分接开关振动信号的仿真模型获取振动子波信号p，对振动子波信号p进行重构，通过稀疏分解法选取一与振动子波信号p最匹配的原子信号q₁，要求在原子信号q₁处得到与振动子波信号p的内积最大值：

式中，<x,y>表示向量x和y的内积，|·|表示向量的绝对值，sup(*)为函数上限，α为原子信号的索引指标，Γ是α的集合；

分解上述内积最大值公式得到：

p＝<p,q₁>q₁+W¹p；

式中，<p,q₁>为振动子波信号p在原子信号q₁上的投影；W¹p为信号残差分量，且与q¹正交；利用残差分量替换信号p，选取一个与残差分量结构特征最为匹配的原子信号q²，进行再次分解，得到：

W¹p＝<W¹p,q₂>+W²p；

式中，W²p为第二次分解后的信号残差分量；

重复上述噪声信号的获取过程，进行l次迭代，此时振动子波信号p被分解为：

式中，W^i-1p代表第i-1次分解后的信号残差分量，W^i-1p＝p，q_i为选取的第i个原子信号，设分接开关振动子波信号用p表示，则存在：

p＝u+v

式中，

为经稀疏重构后的信号；v＝W^lp为第l次分解后的信号残差分量即残留噪声信号；

设置迭代的上限值，分离出经稀疏重构后的信号u，实现信号去噪。

2.根据权利要求1所述的基于时频特征的变压器有载分接开关故障识别方法，其特征在于，所述利用小波包时频谱提取进行降噪后的各所述振动子波信号的时频特征向量的具体步骤为：

对稀疏重构和降噪后的信号

进行尺度为M的小波分解，得到小波包系数S(m,k)，m＝1,2,...,M，k＝1,2,...,N，从而划分了分解与重构获得的时频平面，形成M×N个时频子区域；

按照公式

根据小波包系数的绝对值计算各个子频段内各点的概率k_m,n，作为分接开关振动子波信号的时频特征向量；

式中，S(m,n)表示信号在第m个离散时间点，第n个离散频率点上的小波包系数。

3.根据权利要求1所述的基于时频特征的变压器有载分接开关故障识别方法，其特征在于：所述卷积神经网络包含3个卷积层、3个池化层、1个全连接层，池化方式为最大值池化方式，卷积核尺寸为5×5。

Images