CN113553930A - 变压器有载分接开关机械故障诊断方法 - Google Patents
变压器有载分接开关机械故障诊断方法 Download PDFInfo
- Publication number
- CN113553930A CN113553930A CN202110794234.8A CN202110794234A CN113553930A CN 113553930 A CN113553930 A CN 113553930A CN 202110794234 A CN202110794234 A CN 202110794234A CN 113553930 A CN113553930 A CN 113553930A
- Authority
- CN
- China
- Prior art keywords
- changer
- load tap
- decomposition
- component
- characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 55
- 238000003745 diagnosis Methods 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000005299 abrasion Methods 0.000 claims abstract description 9
- 238000013145 classification model Methods 0.000 claims abstract description 3
- 239000002245 particle Substances 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 230000006403 short-term memory Effects 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
- G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
- G01P15/09—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values by piezoelectric pick-up
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
Abstract
变压器有载分接开关机械故障诊断方法,用于实现对真空有载分接开关的故障诊断。它包括以下步骤:(1)振动信号采集,采集正常运行、主触头磨损、机构卡涩、弹簧疲劳四种运行状态的有载分接开关的振动信号;(2)振动信号分解,利用改进的噪声辅助经验模态分解方法对振动信号进行分解,得到一系列具有特征时间尺度的本征模态函数;(3)从分解得到的本征模态函数中选取主要分量进行特征值计算,得到相应的波形因子、能量及奇异谱熵时频特征参数;(4)故障诊断:通过PSO‑LSTM分类模型输出有载分接开关的机械故障诊断结果,判断是否发生机构卡涩、触头磨损及松动等故障。本发明可以实现对有载分接开关的故障诊断。
Description
技术领域
本发明涉及有载分接开关故障诊断技术领域,具体地说是一种变压器有载分接开关机械故障诊断方法。
背景技术
有载调压变压器,是电力系统变电站中非常重要的输配电设备,它通过有载调压分接开关的逐级动作,实现对高压输配电电网的有载调压,使工业供电和居民供电的系统电压保持稳定。有载分接开关是有载调压变压器中关键部件之一,是一种在不中断输出的情况下改变变压器匝数比的机械装置。依靠有载分接开关准确及时的动作,保证电力系统安全可靠运行,增加电网调度的灵活性。
在变压器中,有载分接开关动作频率远高于其他装置,这一工况极大地考验着有载分接开关的各项运行性能,缺陷故障呈现高发态势,据统计,有载分接开关故障占变压器总故障的25%以上。同时,随着有载调压变压器在电网应用的增多,有载分接开关的故障也在增加,且当有载分接开关作用失效时,大部分原因是其内部的机械部件不能准确可靠动作,如机构卡涩、传动轴断裂、开关触头间接触不良、滑档、拒动等,归根结底是其机械特性参数发生变化导致的。
目前该类故障仍以计划检修为主,若机械性能出现劣化,仍存在无法及时发现缺陷并对故障类型及原因进行分析,另一方面,现有的信号分解处理方法如经验模态分解、集成经验模态分解等存在较严重的模态混叠及虚假分量等现象,对状态感知量的特征提取不够深入,且相关故障诊断技术仍存在参数难以选取等问题,致使故障诊断准确率低,难以应用推广。因此,以OLTC的机械状态诊断为研究对象,寻求更加高效且适用于工程应用领域的机械特征提取与故障诊断算法,提高OLTC机械状态在线监测与故障诊断水平,以保证其安全稳定运行,具有重要的理论和现实意义。
发明内容
本发明的目的在于提供一种变压器有载分接开关机械故障诊断方法,用于实现对真空有载分接开关的故障诊断。
本发明解决其技术问题所采取的技术方案是:变压器有载分接开关机械故障诊断方法,其特征是,它包括以下步骤:
(1)振动信号采集
将加速度传感器安装于有载分接开关上,利用电荷放大器以及示波器对一台有载分接开关进行模拟实验,采集正常运行、主触头磨损、机构卡涩、弹簧疲劳四种运行状态的有载分接开关的振动信号;
(2)振动信号分解
利用改进的噪声辅助经验模态分解方法对振动信号进行分解,得到一系列具有特征时间尺度的本征模态函数;
(3)从分解得到的本征模态函数中选取主要分量进行特征值计算,得到相应的波形因子、能量及奇异谱熵时频特征参数;
(4)故障诊断:构建长短期记忆网络,利用粒子群算法优化网络参数,输入特征参数训练PSO-LSTM模型;通过PSO-LSTM分类模型输出有载分接开关的机械故障诊断结果,判断是否发生机构卡涩、触头磨损及松动等故障,根据故障诊断结果制定出科学合理的运维计划。
进一步地,振动信号分解的具体步骤为:
(1)设有载分接开关原始振动信号为x(t),ni(t)(i=1,2,3…N)为辅助白噪声信号,ω0为噪声系数,Ek(ni(t))为白噪声分解后的模态分量,对混合振动信号xi(t)=x(t)+ω0E1(ni(t))进行i次EMD分解,每次分解得到一系列的IMF分量;
(2)定义M(·)为局部均值运算符,对除去IMF1后的分量求取局部均值,记作M(xi(t)),得到第一个残差r1(t):
(3)由于信号分解由模态分量及残差构成,可计算有载分接开关振动信号的第一个模态分量:
c1(t)=x(t)-r1(t) (2)
(4)在第一组残差基础上构造信号r1(t)+ω1E2(ni(t)),利用同样局部均值计算方式计算第二个残差r2(t):
(5)由r2(t)可计算有载分接开关振动信号第二个模态分量:
c2(t)=r1(t)-r2(t) (4)
(6)计算分解停止函数:
其中,mmax(t)和mmin(t)为包络极大值和极小值,若同时满足两个条件则分解中止:A中所有值均小于0.5且95%以上的值小于0.05;B小于白噪声分解后各分量绝对值和中的最小值,否则继续分解;
(7)重复步骤(4)、(5)、(6),计算第k个残差分量rk(t):
(8)由rk(t)可计算有载分接开关振动信号第k个模态分量:
ck(t)=rk-1(t)-rk(t) (7)
当满足步骤(6)停止条件时分解停止。
进一步地,对所有的IMF分量进行相关性分析,提取相关系数较高的主要分量并计算波形因子、能量及奇异谱熵时频域特征参数,其具体步骤如下:
(1)主分量选取:计算分解后的每个IMF分量与振动信号间的相关系数:
(2)特征参数计算:对选取的相关系数大于0.5的IMF分量进行时频域特征分析,计算各分量波形因子、能量及奇异谱熵作为特征参数进行故障诊断;
①计算选取的IMF分量的波形指标构成特征向量T1=[W1,W2,W3]:
②计算IMF分量的能量值:
将能量值ei按式(11)进行归一化得到归一化后的能量特征向量T2=[E1,E2,E3]:
③分别对选取的IMF分量进行奇异值分解,得到奇异谱熵构成特征向量T3=[S1,S2,S3]:
其中,qi为第i个分量的奇异值所占比重;
综合三种特征参数,构成特征向量T=[W1,W2,W3,E1,E2,E3,S1,S2,S3]。
进一步地,故障诊断的具体步骤为:
(1)机械特征数据划分
将含有波形因子、能量及奇异谱熵的有载分接开关80组特征数据分为40组训练集和40组测试集,将正常运行状态标记为1,其他三种故障状态记为2,3,4;
(2)粒子群优化长短期记忆网络
①初始化参数
设置初始粒子种群规模、最大迭代次数;定义LSTM隐含层神经元初始值为5,学习率为0.0001,隐含层神经元个数和学习率的取值范围设置为1~100,0.0001~0.01;
②随机产生种群
随机生成粒子种群,按照初始参数构建长短期记忆网络模型;
③计算适应度
定义长短期记忆网络对有载分接开关故障特征数据的训练样本及测试样本的的分类错误率之和为适应度函数,对粒子状态进行评价,即:
④确定最优值
计算每个粒子适应度,确定个体最优值位置pbest及全局最优值位置gbest;
⑤更新速度和位置
按式(14)及(15)更新粒子的速度和位置,并根据新的位置计算新的适应度值;
⑥终止条件判断
当达到最大迭代次数时,输出隐含层神经元个数和学习率最优参数,否则返回步骤③;
对优化结果分析,最优隐含层神经元个数为48,最优学习率为0.0019;
(3)参数赋值
利用PSO优化结果,设置隐含层神经元个数为48,学习率为0.0019,构建PSO-LSTM模型,利用训练集对模型进行训练;
(4)输出诊断结果
将有载分接开关机械特征数据输入PSO-LSTM模型,对测试集结果进行诊断,输出有载分接开关的机械状态诊断结果,判断有载分接开关是否发生机构卡涩、弹簧松动、主触头磨损等故障,并根据诊断结果制定出科学合理的运维计划,实现有载分接开关的不停电检修。
本发明的有益效果是:本发明提供的一种变压器有载分接开关机械故障诊断方法,可应用于变压器有载分接开关的在线监测与故障诊断领域,可以及时、正确地提供有载分接开关异常状况的诊断结果,提高对其安全经济运行的管理水平,并为有载分接开关的状态检修工作提供必要的参考,可有效节约运维成本,对于整个电网运行而言,具有可靠性高、准确率高、可操作高的优势,对电网的安全稳定运行具有重要的研究意义和实用价值,可在输变电设备的在线监测与故障诊断领域进一步推广应用,对设备解决此类问题提供非常有价值的科研和开发经验,具有一定的经济效益和社会效益。
附图说明
图1为本发明流程示意图;
图2为不同状态下的有载分接开关振动信号时域图;
图3为振动信号分解流程图;
图4为机构卡涩振动信号分解图;
图5为PSO-LSTM流程图;
图6为适应度随迭代次数变化图;
图7为测试集诊断结果图。
具体实施方式
下面结合附图对本发明进行详细描述。
如图1所示,本发明主要包括以下步骤:
1、振动信号采集
将压电加速度传感器YD70C安装于有载分接开关(OLTC)上,利用DHF-10型电荷放大器以及泰克示波器对一台有载分接开关进行模拟实验,采集正常运行、主触头磨损、机构卡涩、弹簧疲劳四种运行状态的有载分接开关的振动信号。如图2所示,选取4种工况下的80组机械振动试验测试数据进行分析,其中,每组运行状态各有20组数据。
2、振动信号分解
直接对原始振动信号进行特征值提取无法准确反映不同的故障信息,因此,需对采集的振动信号进行处理以更好的提取机械特征信息。
经验模态分解可以将振动信号分解为不同频段的IMF分量,本发明在传统的经验模态分解的基础上,提出一种改进的噪声辅助经验模态分解方法对振动信号进行分解,即利用辅助白噪声,对采集到的振动信号进行分解,得到一系列具有特征时间尺度的本征模态函数。在分量求解阶段加入白噪声的模态分量,并自定义估算局部均值,在满足停止条件后完成分解,有效解决了传统经验模态分解中的模态混叠及虚假分量等问题,如图3所示,其具体步骤如下:
(1)设有载分接开关原始振动信号为x(t),ni(t)(i=1,2,3…N)为辅助白噪声信号,ω0为噪声系数,Ek(ni(t))为白噪声分解后的模态分量,对混合振动信号xi(t)=x(t)+ω0E1(ni(t))进行i次EMD分解,每次分解得到一系列的IMF分量。
(2)定义M(·)为局部均值运算符,对除去IMF1后的分量求取局部均值,记作M(xi(t)),得到第一个残差r1(t):
(3)由于信号分解由模态分量及残差构成,可计算有载分接开关振动信号的第一个模态分量:
c1(t)=x(t)-r1(t) (2)
(4)在第一组残差基础上构造信号r1(t)+ω1E2(ni(t)),利用同样局部均值计算方式计算第二个残差r2(t):
(5)由r2(t)可计算有载分接开关振动信号第二个模态分量:
c2(t)=r1(t)-r2(t) (4)
(6)计算分解停止函数:
其中,mmax(t)和mmin(t)为包络极大值和极小值,若同时满足两个条件则分解中止:A中所有值均小于0.5且95%以上的值小于0.05;B小于白噪声分解后各分量绝对值和中的最小值,否则继续分解。
(7)重复步骤(4)、(5)、(6),计算第k个残差分量rk(t):
(8)由rk(t)可计算有载分接开关振动信号第k个模态分量:
ck(t)=rk-1(t)-rk(t) (7)
当满足步骤(6)停止条件时分解停止。
以机构卡涩故障为例,对采集的机构卡涩振动信号进行上述分解,将信号分成11个IMF分量之和,得到的一系列从高频到低频的IMF分量及残差如图4所示。分解得到的IMF分量包含了不同频率下的特征信息,有助于提取可反映机械故障信息的的特征量。
3、主分量特征参数计算
从分解得到的本征模态函数中选取主要分量进行特征值计算,得到相应的波形因子、能量及奇异谱熵时频特征参数。
分解得到的11个IMF分量包含了不同频率下的特征信息,对其中所有的IMF分量进行相关性分析,提取相关系数较高的主要分量并计算波形因子、能量及奇异谱熵时频域特征参数,有助于反映机械故障信息,其具体步骤如下:
(1)主分量选取:相关系数可以反映各IMF分量与原始振动信号之间的相关性,计算分解后的每个IMF分量与振动信号间的相关系数:
相关系数范围为-1到1,含有效信息较多的IMF分量与原信号的相关性较高越接近1,虚假分量则相反,因此可以作为提取故障信息的准则。
对机构卡涩振动信号及IMF分量计算得到的相关系数结果如表1所示,IMF1~IMF3与原信号的相关系数大于0.5,说明IMF1~IMF3对有载分接开关的机械故障信息更加敏感,故将其作为主分量进行特征参数计算。
表1各分量相关系数
IMF分量 | IMF1 | IMF2 | IMF3 | IMF4 | IMF5 | IMF6 |
相关系数 | 0.7824 | 0.5582 | 0.5935 | 0.3351 | 0.1325 | 0.0524 |
IMF分量 | IMF7 | IMF8 | IMF9 | IMF10 | IMF11 | |
相关系数 | 0.0218 | 0.0063 | 0.0032 | 0.0004 | -0.0002 |
(2)特征参数计算:对选取的IMF1~IMF3分量进行时频域特征分析,计算各分量波形因子、能量及奇异谱熵作为特征参数进行故障诊断。
①通过对有载分接开关振动信号进行时域统计的分析,能够直观且方便地判断有载分接开关的运行状态,波形因子是时域中用来描述波形参数的一种无量纲指标,分别计算选取的IMF1~IMF3分量的波形指标构成特征向量T1=[W1,W2,W3]:
②当有载分接开关发生机械故障时,其振动信号内的频率分布也会随之发生变化,导致其能量发生相应改变,计算其能量值可有效反映故障状态下的特征;根据式(10)计算分量的能量值:
将能量值ei按式(11)进行归一化得到归一化后的能量特征向量T2=[E1,E2,E3]:
③奇异谱熵是一种信息熵,可以反映信号的不确定程度,分别对IMF1~IMF3分量进行奇异值分解,得到的奇异谱熵构成特征向量T3=[S1,S2,S3]:
其中,qi为第i个分量的奇异值所占比重。
综合三种特征参数,构成特征向量T=[W1,W2,W3,E1,E2,E3,S1,S2,S3],其不同运行状态下的部分特征数据如表2所示。
表2不同状态下的特征参数
4、故障诊断
对有载分接开关振动信号处理分析得到的特征值与机械故障之间的对应关系相对复杂,需要借助人工智能的方法进行处理。
在此,引入长短期记忆网络(Long Short-Term Memory,LSTM)模型对故障状态进行分类判断,LSTM是一种循环神经网络,其隐含层神经元个数和学习率对模型诊断结果有着很大影响,因此引入粒子群算法(Particle Swarm Optimization,PSO)对两个参数进行优化,将各分量波形因子、能量及奇异谱熵特征参数输入至优化后的模型中,通过PSO-LSTM模型对有载分接开关机械特征进行分类识别的流程如图5所示。
将4种状态下的80组有载分接开关机械状态特征向量1:1分配至训练集和测试集,将LSTM模型中的的神经网络单元数及其学习率两个网络参数作为优化目标进行粒子群优化,并将优化后的模型应用于故障诊断中,其具体步骤为:
(1)机械特征数据划分
将含有波形因子、能量及奇异谱熵的有载分接开关80组特征数据分为40组训练集和40组测试集,将正常运行状态标记为1,其他三种故障状态记为2,3,4。
(2)粒子群优化长短期记忆网络
①初始化参数
设置初始粒子种群规模、最大迭代次数;定义LSTM隐含层神经元初始值为5,学习率为0.0001,隐含层神经元个数和学习率的取值范围设置为1~100,0.0001~0.01。
②随机产生种群
随机生成粒子种群,按照初始参数构建长短期记忆网络模型。
③计算适应度
定义长短期记忆网络对有载分接开关故障特征数据的训练样本及测试样本的的分类错误率之和为适应度函数,对粒子状态进行评价,即:
④确定最优值
计算每个粒子适应度,确定个体最优值位置pbest及全局最优值位置gbest。
⑤更新速度和位置
按式(14)及(15)更新粒子的速度和位置,并根据新的位置计算新的适应度值。
⑥终止条件判断
当达到最大迭代次数时,输出隐含层神经元个数和学习率最优参数,否则返回步骤③。
对优化结果分析,其适应度函数如图6所示,PSO算法迅速找到了最优值,其最优隐含层神经元个数为48,最优学习率为0.0019。
(3)参数赋值
利用PSO优化结果,设置隐含层神经元个数为48,学习率为0.0019,构建PSO-LSTM模型,利用训练集对模型进行训练。
(4)输出诊断结果
将有载分接开关机械特征数据输入PSO-LSTM模型,对测试集结果进行诊断,输出有载分接开关的机械状态诊断结果如图7所示,判断有载分接开关是否发生机构卡涩、弹簧松动、主触头磨损等故障并根据诊断结果制定出科学合理的运维计划,实现有载分接开关的不停电检修。
从图7中可以看出,本文所提方法可有效根据振动信号判断是否发生了故障,即准确地区分了正常状态与故障状态,同时对于主触头及弹簧等机械故障也有一定地诊断准确率,达到92.5%,为表现此方法地有效性,利用同样数据,对bp神经网络、长短期记忆网络LSTM、粒子群优化长短期记忆网络PSO-LSTM进行比较,如表3所示,结果表明该诊断模型对有载分接开关机械故障诊断地准确率最高,可以进一步推广应用。
表3多种诊断模型地故障诊断结果
本发明提供的一种变压器有载分接开关机械故障诊断方法,可应用于变压器有载分接开关的在线监测与故障诊断领域,可以及时、正确地提供有载分接开关异常状况的诊断结果,提高对其安全经济运行的管理水平,并为有载分接开关的状态检修工作提供必要的参考,可有效节约运维成本,对于整个电网运行而言,具有可靠性高、准确率高、可操作高的优势,对电网的安全稳定运行具有重要的研究意义和实用价值,可在输变电设备的在线监测与故障诊断领域进一步推广应用,对设备解决此类问题提供非常有价值的科研和开发经验,具有一定的经济效益和社会效益。
Claims (4)
1.变压器有载分接开关机械故障诊断方法,其特征是,它包括以下步骤:
(1)振动信号采集
将加速度传感器安装于有载分接开关上,利用电荷放大器以及示波器对一台有载分接开关进行模拟实验,采集正常运行、主触头磨损、机构卡涩、弹簧疲劳四种运行状态的有载分接开关的振动信号;
(2)振动信号分解
利用改进的噪声辅助经验模态分解方法对振动信号进行分解,得到一系列具有特征时间尺度的本征模态函数;
(3)从分解得到的本征模态函数中选取主要分量进行特征值计算,得到相应的波形因子、能量及奇异谱熵时频特征参数;
(4)故障诊断:构建长短期记忆网络,利用粒子群算法优化网络参数,输入特征参数训练PSO-LSTM模型;通过PSO-LSTM分类模型输出有载分接开关的机械故障诊断结果,判断是否发生机构卡涩、触头磨损及松动等故障,根据故障诊断结果制定出科学合理的运维计划。
2.根据权利要求1所述的变压器有载分接开关机械故障诊断方法,其特征是,振动信号分解的具体步骤为:
(1)设有载分接开关原始振动信号为x(t),ni(t)(i=1,2,3…N)为辅助白噪声信号,ω0为噪声系数,Ek(ni(t))为白噪声分解后的模态分量,对混合振动信号xi(t)=x(t)+ω0E1(ni(t))进行i次EMD分解,每次分解得到一系列的IMF分量;
(2)定义M(·)为局部均值运算符,对除去IMF1后的分量求取局部均值,记作M(xi(t)),得到第一个残差r1(t):
(3)由于信号分解由模态分量及残差构成,可计算有载分接开关振动信号的第一个模态分量:
c1(t)=x(t)-r1(t) (2)
(4)在第一组残差基础上构造信号r1(t)+ω1E2(ni(t)),利用同样局部均值计算方式计算第二个残差r2(t):
(5)由r2(t)可计算有载分接开关振动信号第二个模态分量:
c2(t)=r1(t)-r2(t) (4)
(6)计算分解停止函数:
其中,mmax(t)和mmin(t)为包络极大值和极小值,若同时满足两个条件则分解中止:A中所有值均小于0.5且95%以上的值小于0.05;B小于白噪声分解后各分量绝对值和中的最小值,否则继续分解;
(7)重复步骤(4)、(5)、(6),计算第k个残差分量rk(t):
(8)由rk(t)可计算有载分接开关振动信号第k个模态分量:
ck(t)=rk-1(t)-rk(t) (7)
当满足步骤(6)停止条件时分解停止。
3.根据权利要求1所述的变压器有载分接开关机械故障诊断方法,其特征是,对所有的IMF分量进行相关性分析,提取相关系数较高的主要分量并计算波形因子、能量及奇异谱熵时频域特征参数,其具体步骤如下:
(1)主分量选取:计算分解后的每个IMF分量与振动信号间的相关系数:
(2)特征参数计算:对选取的相关系数大于0.5的IMF分量进行时频域特征分析,计算各分量波形因子、能量及奇异谱熵作为特征参数进行故障诊断;
①计算选取的IMF分量的波形指标构成特征向量T1=[W1,W2,W3]:
②计算IMF分量的能量值:
将能量值ei按式(11)进行归一化得到归一化后的能量特征向量T2=[E1,E2,E3]:
③分别对选取的IMF分量进行奇异值分解,得到奇异谱熵构成特征向量T3=[S1,S2,S3]:
其中,qi为第i个分量的奇异值所占比重;
综合三种特征参数,构成特征向量T=[W1,W2,W3,E1,E2,E3,S1,S2,S3]。
4.根据权利要求1所述的变压器有载分接开关机械故障诊断方法,其特征是,故障诊断的具体步骤为:
(1)机械特征数据划分
将含有波形因子、能量及奇异谱熵的有载分接开关80组特征数据分为40组训练集和40组测试集,将正常运行状态标记为1,其他三种故障状态记为2,3,4;
(2)粒子群优化长短期记忆网络
①初始化参数
设置初始粒子种群规模、最大迭代次数;定义LSTM隐含层神经元初始值为5,学习率为0.0001,隐含层神经元个数和学习率的取值范围设置为1~100,0.0001~0.01;
②随机产生种群
随机生成粒子种群,按照初始参数构建长短期记忆网络模型;
③计算适应度
定义长短期记忆网络对有载分接开关故障特征数据的训练样本及测试样本的的分类错误率之和为适应度函数,对粒子状态进行评价,即:
④确定最优值
计算每个粒子适应度,确定个体最优值位置pbest及全局最优值位置gbest;
⑤更新速度和位置
按式(14)及(15)更新粒子的速度和位置,并根据新的位置计算新的适应度值;
⑥终止条件判断
当达到最大迭代次数时,输出隐含层神经元个数和学习率最优参数,否则返回步骤③;
对优化结果分析,最优隐含层神经元个数为48,最优学习率为0.0019;
(3)参数赋值
利用PSO优化结果,设置隐含层神经元个数为48,学习率为0.0019,构建PSO-LSTM模型,利用训练集对模型进行训练;
(4)输出诊断结果
将有载分接开关机械特征数据输入PSO-LSTM模型,对测试集结果进行诊断,输出有载分接开关的机械状态诊断结果,判断有载分接开关是否发生机构卡涩、弹簧松动、主触头磨损等故障,并根据诊断结果制定出科学合理的运维计划,实现有载分接开关的不停电检修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110794234.8A CN113553930B (zh) | 2021-07-14 | 2021-07-14 | 变压器有载分接开关机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110794234.8A CN113553930B (zh) | 2021-07-14 | 2021-07-14 | 变压器有载分接开关机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553930A true CN113553930A (zh) | 2021-10-26 |
CN113553930B CN113553930B (zh) | 2024-08-06 |
Family
ID=78131741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110794234.8A Active CN113553930B (zh) | 2021-07-14 | 2021-07-14 | 变压器有载分接开关机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553930B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113960463A (zh) * | 2021-12-23 | 2022-01-21 | 广西电网有限责任公司南宁供电局 | 一种调压变压器有载分接开关在线监测及故障诊断方法 |
CN114492542A (zh) * | 2022-04-06 | 2022-05-13 | 北京博瑞莱智能科技集团有限公司 | 一种有载分接开关的运行状态的检测方法及检测装置 |
CN116401533A (zh) * | 2023-06-07 | 2023-07-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 有载分接开关故障诊断方法和装置 |
CN116754234A (zh) * | 2023-08-17 | 2023-09-15 | 山东经典印务有限责任公司 | 一种自动化印刷生产设备运行状态检测方法 |
CN117093854A (zh) * | 2023-10-19 | 2023-11-21 | 安徽建筑大学 | 变压器机械故障诊断方法、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007294543A (ja) * | 2006-04-21 | 2007-11-08 | Toshiba Corp | 負荷時タップ切換装置の故障診断装置およびその方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 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 |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN109581211A (zh) * | 2018-11-13 | 2019-04-05 | 国网江苏省电力有限公司南京供电分公司 | 一种基于电机电流的有载分接开关机械故障在线监测方法 |
CN110132565A (zh) * | 2019-05-28 | 2019-08-16 | 河海大学 | 一种基于小波包和神经网络结合的oltc故障诊断方法 |
CN110285951A (zh) * | 2019-06-28 | 2019-09-27 | 国网河北省电力有限公司电力科学研究院 | 变压器有载分接开关机械故障诊断方法 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN112016470A (zh) * | 2020-08-28 | 2020-12-01 | 国网福建省电力有限公司电力科学研究院 | 基于声音信号和振动信号的有载分接开关故障识别方法 |
CN112014047A (zh) * | 2020-08-27 | 2020-12-01 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
CN112327149A (zh) * | 2020-10-19 | 2021-02-05 | 西安工程大学 | 基于ssd-srae的高压断路器故障诊断方法 |
CN112800976A (zh) * | 2021-01-29 | 2021-05-14 | 南京理工大学 | 基于高压断路器振动信号的故障诊断方法 |
CN112906489A (zh) * | 2021-01-27 | 2021-06-04 | 国网江苏省电力有限公司南京供电分公司 | 一种基于lmd与排列熵的变压器机绕组松动识别方法 |
-
2021
- 2021-07-14 CN CN202110794234.8A patent/CN113553930B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007294543A (ja) * | 2006-04-21 | 2007-11-08 | Toshiba Corp | 負荷時タップ切換装置の故障診断装置およびその方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 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 |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN109581211A (zh) * | 2018-11-13 | 2019-04-05 | 国网江苏省电力有限公司南京供电分公司 | 一种基于电机电流的有载分接开关机械故障在线监测方法 |
CN110132565A (zh) * | 2019-05-28 | 2019-08-16 | 河海大学 | 一种基于小波包和神经网络结合的oltc故障诊断方法 |
CN110285951A (zh) * | 2019-06-28 | 2019-09-27 | 国网河北省电力有限公司电力科学研究院 | 变压器有载分接开关机械故障诊断方法 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN112014047A (zh) * | 2020-08-27 | 2020-12-01 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
CN112016470A (zh) * | 2020-08-28 | 2020-12-01 | 国网福建省电力有限公司电力科学研究院 | 基于声音信号和振动信号的有载分接开关故障识别方法 |
CN112327149A (zh) * | 2020-10-19 | 2021-02-05 | 西安工程大学 | 基于ssd-srae的高压断路器故障诊断方法 |
CN112906489A (zh) * | 2021-01-27 | 2021-06-04 | 国网江苏省电力有限公司南京供电分公司 | 一种基于lmd与排列熵的变压器机绕组松动识别方法 |
CN112800976A (zh) * | 2021-01-29 | 2021-05-14 | 南京理工大学 | 基于高压断路器振动信号的故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
MULIN HUANG: "Fault diagnosis of rolling bearing based on empirical mode decomposition and convolutional recurrent neural network", IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING * |
张晋寅: "基于振动测试的真空有载分接开关故障诊断研究", 变压器 * |
曹宏: "基于时频特征分析的变压器有载分接开关运行状态识别", 高压电器, pages 1 - 1 * |
石秀立: "基于振动信号特征的有载分接开关机械故障诊断策略研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), pages 2 - 4 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113960463A (zh) * | 2021-12-23 | 2022-01-21 | 广西电网有限责任公司南宁供电局 | 一种调压变压器有载分接开关在线监测及故障诊断方法 |
CN114492542A (zh) * | 2022-04-06 | 2022-05-13 | 北京博瑞莱智能科技集团有限公司 | 一种有载分接开关的运行状态的检测方法及检测装置 |
CN114492542B (zh) * | 2022-04-06 | 2022-07-12 | 北京博瑞莱智能科技集团有限公司 | 一种有载分接开关的运行状态的检测方法及检测装置 |
CN116401533A (zh) * | 2023-06-07 | 2023-07-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 有载分接开关故障诊断方法和装置 |
CN116401533B (zh) * | 2023-06-07 | 2024-04-02 | 中国南方电网有限责任公司超高压输电公司广州局 | 有载分接开关故障诊断方法和装置 |
CN116754234A (zh) * | 2023-08-17 | 2023-09-15 | 山东经典印务有限责任公司 | 一种自动化印刷生产设备运行状态检测方法 |
CN116754234B (zh) * | 2023-08-17 | 2023-11-21 | 山东经典印务有限责任公司 | 一种自动化印刷生产设备运行状态检测方法 |
CN117093854A (zh) * | 2023-10-19 | 2023-11-21 | 安徽建筑大学 | 变压器机械故障诊断方法、设备及存储介质 |
CN117093854B (zh) * | 2023-10-19 | 2024-02-09 | 安徽建筑大学 | 变压器机械故障诊断方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113553930B (zh) | 2024-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553930B (zh) | 变压器有载分接开关机械故障诊断方法 | |
CN109031014B (zh) | 一种基于运行数据的变压器综合可靠性评估及预测方法 | |
CN112014047B (zh) | 一种有载分接开关机械故障诊断方法 | |
CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN103487749A (zh) | 高压断路器机械状态在线监测诊断系统及方法 | |
JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
CN114358075B (zh) | 一种数据驱动的转子系统典型故障自动识别方法 | |
CN113342784A (zh) | 一种电网主变设备风险评估的数据库设计方法 | |
CN115600928A (zh) | 基于oao-rvm的gis盆式绝缘子状态评估方法 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN113435759A (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN114814501A (zh) | 一种电容式电压互感器电容击穿故障在线诊断方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
Wang et al. | CNN based mechanical fault diagnosis of high voltage circuit breaker using sound and current signal | |
Li et al. | Abnormal State Detection of OLTC Based on Improved Fuzzy C-means Clustering | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN115791159A (zh) | 一种基于振动信号的齿轮故障在线实时诊断方法 | |
CN116559728A (zh) | 基于小波变换-多层感知机的输电线路故障诊断方法 | |
Weng et al. | Transform waveforms into signature vectors for general-purpose incipient fault detection | |
CN115270857A (zh) | 基于数据融合的变电站故障诊断方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211119 Address after: No. 223, science Avenue, high tech Industrial Development Zone, Huangpu District, Guangzhou, Guangdong 510700 Applicant after: CSG EHV POWER TRANSMISSION Co. Address before: 510700 223 Kexue Avenue, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Dong Yuezhou |
|
GR01 | Patent grant | ||
GR01 | Patent grant |