CN116992326A - 一种基于小波包-映射网络算法的变压器故障辨识方法 - Google Patents
一种基于小波包-映射网络算法的变压器故障辨识方法 Download PDFInfo
- Publication number
- CN116992326A CN116992326A CN202310819356.7A CN202310819356A CN116992326A CN 116992326 A CN116992326 A CN 116992326A CN 202310819356 A CN202310819356 A CN 202310819356A CN 116992326 A CN116992326 A CN 116992326A
- Authority
- CN
- China
- Prior art keywords
- transformer
- vibration
- wavelet packet
- self
- mapping network
- 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
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004804 winding Methods 0.000 claims abstract description 57
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 230000005291 magnetic effect Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000011426 transformation method Methods 0.000 claims description 5
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000005284 excitation Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 4
- 229910000976 Electrical steel Inorganic materials 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明一种基于小波包‑映射网络算法的变压器故障辨识方法，属于变压器技术领域；包括以下步骤：针对变压器振动特征提取及运行状态辨识问题，建立变压器绕组、铁芯振动模型，分析振动机理。研究小波包信号变换信号处理方法及自组织映射神经网络分类原理，提出基于振动信号的变压器运行状态辨识方法。搭建动模实验平台，采集变压器不同运行状态振动信号，对原始信号进行分解重构，提取不同运行状态振动信号特征参数，总结特征参数变化规律，通过自组织映射神经网络对变压器运行状态进行分类及辨识。本发明所提方法针对变压器直流扰动、三相不平衡等故障具有较高的识别准确率，为变压器运行故障辨识提供新的辅助决策手段。
Description
技术领域
本发明属于变压器技术领域，尤其涉及一种基于小波包-映射网络算法的变压器故障辨识方法。
背景技术
在电力发展的进程中，变压器是电力设备中的最重要设备之一，其在电网中承担的角色非常重要。例如，变压器不仅需要将电网中发电侧的电压进行升压以实现电的远距离输送，还要根据用户不同电压等级的用电需求，将输送的电压进行变压，实现对用户的供电。
电力变压器作为电网核心设备，其运行状态关系电力系统的安全稳定。现有统计及变压器事故分析表明，机械故障是导致变压器故障的重要原因之一。因此，进行变压器振动特征提取与评价具有重要的研究价值和工程意义。
发明内容
本发明的目的是提供一种科学合理，高效实用，实现电力变压器振动特征提取与故障辨识，已解决上述背景技术中提到的技术问题。
利用可观测电气参量描述难以观测的物理特征，是变压器运行状态监测与辨识的关键。针对该问题提出一种基于小波包-映射网络算法的变压器故障辨识方法，以电流、振动特征参数构建特征向量集，通过自组织映射神经网络算法实现变压器状态辨识。
为实现上述目的，本发明的一种基于小波包-映射网络算法的变压器故障辨识方法的具体技术方案如下：
一种基于小波包-映射网络算法的变压器故障辨识方法，包括以下步骤：
1.变压器振动模型
变压器振动包括绕组、铁芯及构件振动，其中绕组、铁芯振动为主要振动源。现有研究表明，变压器绕组及铁芯振动分别由安培力及磁致伸缩效应产生并通过流体(变压器油、空气)及构件进行传播，且轴向振动强于径向振动，因此本发明主要针对变压器铁芯及绕组轴向振动进行研究。忽略变压器铁芯夹件及拉板等构件，以变压器铁芯为主要分析对象，研究变压器铁芯振动机理。
变压器铁芯为硅钢片堆叠而成，在交变磁场作用下，铁磁材料内部磁畴偏转使得硅钢片单元产生磁致伸缩变形，磁致伸缩作用下，变压器铁芯产生振动。
绕组轴向振动激励为通电线圈在磁场中所受安培力，变压器绕组主要包含绝缘(绝缘层、垫块)及线圈两部分，并可分别简化为由受压弹簧k、阻尼c及质量单元m所表示的简化模型。考虑铁芯及绕组振动模型特性并结合经典动力学原理，变压器铁芯振动方程可分别表示为：
式中，Et为铁芯硅钢片正杨氏模量，S、ρ分别为铁芯柱横截面积、密度，h分别为铁芯单元轴向应变、位移。
绕组轴向振动方程可表示为：
式中，ar、v、s分别为变压器绕组轴向振动加速度、速度、位移矢量，FA、G分别为变压器绕组安培力及重力。考虑到变压器运行过程中电压、电流激励特性，变压器铁芯振动加速度及绕组安培力分别由式(3)、(4)计算。
式中，ε为铁芯单元磁致伸缩率，n为绕组匝数，B为铁芯内部磁通密度，Us为电压激励幅值。
式中，k为比例系数，Inm为不同频率下的电流激励幅值。
初步分析变压器绕组及铁芯振动特性可知，变压器绕组及铁芯振动加速度分别与电流、电压激励二次方呈正比，且频率为所加激励2倍频。可以看出，变压器振动特性与内部电磁参数相关，因此变压器绕组及铁芯振动信号可以有效反应不同运行状态下变压器内部电磁参数变化情况。
2.小波包分解
相比于FFT变换窗函数对时频分辨率的影响，小波变换采用正交、短时衰减的小波函数对原始信号进行处理，小波函数具有尺度、平移可变特性，因此可获得原始信号差异化频率及时间位置，克服了FFT变换处理非线性信号的局限性。小波包变换(Wavelet PacketTranslation，WPT)以小波变换为基础，采用最优子带树结构，优化小波变换。
假设WPT中母小波Ψ(t)为父小波Φ(t)为/>其中小波上标表示对应小波包的分解层数，下标表示对应小波包在该层位置。在此基础上，WPT原理递推关系可表示为：
进一步可得
式中，hk、gk分别为低通滤波器、高通滤波器，μ为小波包。
3.自组织特征映射网络算法
自组织特征映射网络(Self-Organizing Feature Map，SOM)是由全连接的神经网络元阵列所形成的一个无主导、自组织、自学习网络。SOM的基本理论认为处于空间中不同位置的神经元具备不同分工，当一个神经网络接受外界输入时，不同的反应区域会针对该外界输入做出反应，且不同反应区域对外界输入响应特性不同。
SOM神经网络结构包含输入层及竞争层(输出层)，假设输入层神经元个数为m，竞争层则可表示为a×b个神经元所形成的二维平面阵列。
SOM算法基本步骤包含参数初始化、相配节点选择、节点更新等步骤。首先针对变压器原始振动采样信号进行特征参数提取，形成特征参数集X(x1,x2,...,xi)，本发明以变压器振动采样信号小波包变换最后一层节点能量占比为特征参数，在此基础上以欧式距离为判别函数进行相配节点的选择，其中第j个神经元的欧氏距离计算如下：
式中，wij为输入层第i个神经元与映射层第j个神经元之间的权值。权值学习过程中对胜利神经元权值进行修正，方法为：
Δwij＝wij(t+1)-wij(t)＝η(t)(xi(t)-wij(t)) (8)
式中，η为0～1的常数，随时间不断衰减至0。
4.WPT-SOM变压器运行状态辨识方法
结合变压器振动特性，采用WPT及SOM算法建立基于振动信号的变压器运行状态辨识方法，其基本步骤如下：
1：采集变压器原始振动信号(铁芯及绕组振动信号)，并通过WPT方法对变压器原始振动信号进行分解重构，提取振动信号特征值；
2：将特定运行状态振动特征向量作为SOM训练样本集，进行自组织映射神经网络训练，得到SOM分类器；
3：将采样运行状态振动特征向量作为验证样本输入SOM分类器，实现变压器运行工况辨识。
本发明的一种基于小波包-映射网络算法的变压器故障辨识方法具有以下优点：本发明可以根据：变压器绕组、铁芯振动机理，研究小波包信号处理方法，在此基础上，采集不同运行状态下端口电流及绕组、铁芯振动信号，通过小波包变换分解重构原始信号，提取各节点能量为振动特征参数，总结各运行状态振动特征参数变化规律。进一步，以电流、振动特征参数构建特征向量集，通过自组织映射神经网络算法实现变压器状态辨识。对比以传统电气特征参数及本发明特征参数的识别准确率，为变压器运行状态识别及故障诊断提供新的思路。本方法可以实现变压器直流扰动、匝间短路、三相不平衡等故障，大大提高了变压器使用寿命。。
附图说明
图1为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的铁芯轴向振动机理图。
图2为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的绕组轴向振动模型。
图3为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的小波包变换子带树结构。
图4为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的二维阵列SOM神经网络模型。
图5为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的SOM算法流程。
图6为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的变压器运行工况辨识流程。
图7为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的变压器动模试验平台。
图8为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的正常运行振动信号(a、原始绕组振动信号；b、原始铁心振动信号；c、傅里叶变换绕组振动信号；d、傅里叶变换铁心振动信号)。
图9为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的WPT变换结果(a、4层小波分解结构；b、15节点分解结果；c、16节点分解结果；d、17节点分解结果；e、18节点分解结果；)。
图10为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的WPT能量谱及能量占比结果。
图11为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的正常运行振动特征参数变化。
图12为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的构件松动振动特征参数变化。
图13为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的三相不平衡振动特征参数变化(a、绕组结果；b、铁芯结果；)。
图14为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的直流偏磁振动特征参数变化(a、绕组结果；b、铁芯结果；)。
图15为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的SOM算法拓扑及识别情况图(a、神经元拓扑结构；b、神经元连接情况；c、各神经元距离；d、竞争胜利神经元分布；)。
图16为本发明一种基于小波包-映射网络算法的变压器故障辨识方法的不同算法运行状态识别准确率(a、SOM算法；b、BP神经网络算法；c、SVM算法；)。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于小波包-映射网络算法的变压器故障辨识方法做进一步详细的描述。
一种基于小波包-映射网络算法的变压器故障辨识方法，包括以下步骤，且以下步骤顺次进行:
步骤S1、采集变压器铁芯及绕组振动信号，并通过小波包变换方法对变压器原始振动信号进行分解重构，提取振动信号特征值；
步骤S2、将特定运行状态振动特征向量作为自组织特征映射网络训练样本集，进行自组织映射神经网络训练，得到自组织特征映射网络分类器；
步骤S3、将采样运行状态振动特征向量作为验证样本输入自组织特征映射网络分类器，实现变压器运行工况辨识。
在本实施方式中，所述步骤S1中采集变压器铁芯及绕组振动信号具体包括以下步骤，且以下步骤顺次进行：
步骤S1-1、设备连接
连接实验变压器、电流数据采集模块、振动数据采集模块和电压控制模块，所连接设备分别实现振动信号输出、电流数据采集、振动数据采集、变压器负载控制；
步骤S1-2、振动测点布置
针对变压器绕组及铁芯分别布置振动测点，将绕组振动测点布置于各相绕组正面中心位置，铁芯振动测点布置于上铁轭各相中心位置；
步骤S1-3、采集信号提取与存储
通过电流数据采集模块、振动数据采集模块，以变压器运行模式为索引，以时间为标签，动态采集、存储变压器不同运行模式下的电流以及振动信息；
步骤S1-4、采集信号分解
以小波变换为基础，采用最优子带树结构，优化小波变换；经过子带树结构，原始信号经过一层小波包变换得一组相对应的高频带、低频带结果，通过对每一次变换结果的处理，形成最终的小波包分解结果。
在本实施方式中，所述步骤S2具体包括以下步骤：
步骤S2-1、自组织神经映射网络算法
首先针对变压器原始振动采样信号进行特征参数提取，形成特征参数集X，以变压器振动采样信号小波包变换最后一层节点能量占比为特征参数，以欧式距离为判别函数进行相配节点的选择：
其中第j个神经元的欧氏距离计算如下：
式中，wij为输入层第i个神经元与映射层第j个神经元之间的权值；
权值学习过程中对胜利神经元权值进行修正，计算出判定：
Δwij＝wij(t+1)-wij(t)＝η(t)(xi(t)-wij(t)) (8)
式中，η为0～1的常数，随时间不断衰减至0；
步骤S2-2、提取振动信号特征值
采集变压器原始振动信号(铁芯及绕组振动信号)，并通过小波包变换方法对变压器原始振动信号进行分解重构，提取振动信号特征值；
步骤S2-3、自组织特征映射网络分类器
将特定运行状态振动特征向量作为自组织特征映射网络算法训练样本集，进行自组织映射神经网络训练，得到自组织特征映射网络算法分类器；
步骤S2-4、变压器运行工况辨识
采集变压器原始振动信号(铁芯及绕组振动信号)，并通过小波包变换WPT方法对变压器原始振动信号进行分解重构，提取振动信号特征值；将特定运行状态振动特征向量作为自组织特征映射网络SOM训练样本集，进行自组织映射神经网络训练，得到自组织特征映射网络SOM分类器；将采样运行状态振动特征向量作为验证样本输入自组织特征映射网络SOM分类器，实现变压器运行工况。
在本实施方式中，所述步骤S3中不同运行状态变压器振动信号的处理及分析具体包括以下步骤：
步骤S3-1正常运行工况下的信息采集
采集变压器正常运行状态下绕组及铁芯振动信号，经过傅里叶变换、小波包变换，对变压器振动信号进行量化分析，小波包各节点重构信号能够反应变压器振动信号特性；
步骤S3-2故障工况下的信息采集
选取正常运行，构件松动、直流偏磁、3种故障或运行状态，分别采集绕组及铁芯振动信号，提取小波包变换各节点能量占比为特征向量；
步骤S3-3变压器状态辨识
基于小波包分解重构信号能量占比所提取的振动特征参数能够很好的反应变压器的运行状态，结合不同运行状态下特征参数变化情况，采用自组织特征映射网络算法进行变压器运行状态识别。
实施例：
本发明一种基于小波包-映射网络算法的变压器故障辨识方法，包括以下步骤：
1.变压器振动数据采集
三相干式双绕组(SG-10kVA/1.1kV/0.38kV)实验变压器，搭建变压器动模实验平台，见附图7。采集变压器不同运行状态下绕组、铁芯振动原始数据。绕组、铁芯振动模型见附图1、2，原理见上文。
变压器振动数据采集实验基本步骤为：
1)设备连接：连接实验变压器、电流数据采集模块(示波器)、振动数据采集模块(磁吸式拾振器)、电压控制模块(调压器)，所连接设备分别实现振动信号输出、电流数据采集、振动数据采集、变压器负载控制。
2)振动测点布置：针对变压器绕组及铁芯分别布置振动测点，考虑到振动测点对振动信号采集准确性，将绕组振动测点布置于如图6所示各相绕组正面中心位置，铁芯振动测点布置于上铁轭各相中心位置。
3)运行状态设定：结合现场实际运行情况及变压器常见故障(所加激励为工频激励)，本发明设置变压器运行状态为75％负载正常运行、三相不平衡运行、直流偏磁故障、绕组/铁芯松动故障，其中各故障运行状态实验设置如下：
a.三相不平衡运行：调节副边电阻，使得变压器A相处于不平衡率α＝5％、10％、15％的运行状态。
b.直流偏磁：首先量测变压器空载电流，在此基础上设置直流注入量为β＝0.5、1.0、1.5倍空载电流，直流注入点为变压器原边中性点。
c.构件松动，分别调整变压器绕组上下紧固螺栓、铁鄂紧固螺栓，实现变压器绕组、铁芯松动。
4)数据采集及处理：针对不同运行状态分别采集绕组及铁芯振动数据形成原始振动数据库，并进一步通过WPT振动信号处理、SOM算法运行特性辨识。
2.正常运行振动信号处理及分析
采集变压器正常运行状态下绕组及铁芯振动信号，本发明以变压器A相为例进行分析，如图8所示为变压器A相绕组及铁芯振动加速度原始信号及FFT变换结果。
进一步，以绕组振动信号为例，分析WPT变换结果。针对变压器原始振动信号，采用db9小波，进行4层小波包变换，如图9所示为WPT变换结果。
可以看出，WPT分解重构信号不仅可以确定各频段特征，还可以实现各频段信号的单独分析，相比与FFT变换而言，可实现变压器振动信号的进一步分析，对变压器振动信号的处理能力及数据利用率均较高。进一步，在WPT分解重构信号的基础上，以各终端节点(频段)能量占比为特征向量，对变压器振动信号进行量化分析。
如图10所示，分别为WPT变换能量谱及各层能量占比结果。不难看出，与分解重构信号结果一致。由图10也可以看出，WPT各节点重构信号能够反应变压器振动信号特性，因此本发明选择WPT各节点信号能量占比为不同运行状态振动信号特征参数，分析变压器不同运行状态振动特性变化情况。
3.不同运行状态下振动信号分析
本发明针对现场实际情况及变压器常见故障，选取正常运行，构件松动、直流偏磁、三相不平衡5种故障或运行状态，分别采集绕组及铁芯振动信号，提取WPT各节点能量占比为特征向量，形成如附图11-14所示结果。
4.SOM运行状态辨识
由变压器不同运行状态下WPT变换结果及振动特征参数变化情况可以看出，基于WPT分解重构信号能量占比所提取的振动特征参数能够很好的反应变压器的运行状态，结合不同运行状态下特征参数变化情况，采用SOM算法进行变压器运行状态识别。本发明针对三相不平衡、绕组松动状态选择绕组振动特征参数为识别参数；针对直流偏磁、铁芯松动选择铁芯振动特征参数为识别参数；针对正常运行状态选择绕组、铁芯振动特征参数为识别参数，因此，SOM输入层为5组神经元，并设置映射层为17*17共289个神经元。
如图15所示分别为SOM算法结果。考虑到训练过程中训练次数的通用性问题，本发明设定训练次数分别为10、20、30、50、200、500、1000次，确定合适训练次数。
如图15(a)所示分别为SOM算法各神经元之间的距离，蓝色点代表SOM算法神经元，各神经元周围区域颜色表示各神经元之间的距离，颜色越深表示神经元之间的距离越近。图15(b)所示为SOM算法竞争胜利神经元分布情况。
不难看出，训练次数为10、20、30、50次时各运行状态分类结果出现重叠情况，说明训练次数不足，当训练次数为200次时，各运行状态分类不产生重叠问题，表示训练次数足够。其中当训练次数为1000次时，验证向量输出层神经元编号为17，与输出层直流偏磁状态神经元编号一致，因此，SOM算法可识别变压器运行状态。在此基础上，选择300组数据进行训练，50组数据进行校验，验证SOM算法识别效果，并选择支持向量机(Support VectorMachine,SVM)算法与BP神经网络算法进行对比。其中识别准确率为识别正确样本与总校验样本数比值，得到如附图16所示结果
不难看出，SOM算法识别错误样本为35#、44#样本，其识别准确率为96％，而采用BP神经网络算法与SVM算法识别准确率分别为84％、86％，相比于目前常用的SVM与BP神经网络算法SOM算法具备较高的识别准确率，且对于变压器直流偏磁问题而言，SOM算法相较于其他两种算法具备更好的识别效果。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (4)
1.一种基于小波包-映射网络算法的变压器故障辨识方法，其特征在于，包括以下步骤，且以下步骤顺次进行:
步骤S1、采集变压器铁芯及绕组振动信号，并通过小波包变换方法对变压器原始振动信号进行分解重构，提取振动信号特征值；
步骤S2、将特定运行状态振动特征向量作为自组织特征映射网络训练样本集，进行自组织映射神经网络训练，得到自组织特征映射网络分类器；
步骤S3、将采样运行状态振动特征向量作为验证样本输入自组织特征映射网络分类器，实现变压器运行工况辨识。
2.根据权利要求1所述的基于小波包-映射网络算法的变压器故障辨识方法，其特征在于，所述步骤S1中采集变压器铁芯及绕组振动信号具体包括以下步骤，且以下步骤顺次进行：
步骤S1-1、设备连接
连接实验变压器、电流数据采集模块、振动数据采集模块和电压控制模块，所连接设备分别实现振动信号输出、电流数据采集、振动数据采集、变压器负载控制；
步骤S1-2、振动测点布置
针对变压器绕组及铁芯分别布置振动测点，将绕组振动测点布置于各相绕组正面中心位置，铁芯振动测点布置于上铁轭各相中心位置；
步骤S1-3、采集信号提取与存储
通过电流数据采集模块、振动数据采集模块，以变压器运行模式为索引，以时间为标签，动态采集、存储变压器不同运行模式下的电流以及振动信息；
步骤S1-4、采集信号分解
以小波变换为基础，采用最优子带树结构，优化小波变换；经过子带树结构，原始信号经过一层小波包变换得一组相对应的高频带、低频带结果，通过对每一次变换结果的处理，形成最终的小波包分解结果。
3.根据权利要求1所述的基于小波包-映射网络算法的变压器故障辨识方法，其特征在于，所述步骤S2具体包括以下步骤：
步骤S2-1、自组织神经映射网络算法
首先针对变压器原始振动采样信号进行特征参数提取，形成特征参数集X，以变压器振动采样信号小波包变换最后一层节点能量占比为特征参数，以欧式距离为判别函数进行相配节点的选择：
其中第j个神经元的欧氏距离计算如下：
式中，wij为输入层第i个神经元与映射层第j个神经元之间的权值；
权值学习过程中对胜利神经元权值进行修正，计算出判定：
Δwij＝wij(t+1)-wij(t)＝η(t)(xi(t)-wij(t)) (8)
式中，η为0～1的常数，随时间不断衰减至0；
步骤S2-2、提取振动信号特征值
采集变压器原始振动信号，并通过小波包变换方法对变压器原始振动信号进行分解重构，提取振动信号特征值；
步骤S2-3、自组织特征映射网络分类器
将特定运行状态振动特征向量作为自组织特征映射网络算法训练样本集，进行自组织映射神经网络训练，得到自组织特征映射网络算法分类器；
步骤S2-4、变压器运行工况辨识
采集变压器原始振动信号，并通过小波包变换方法对变压器原始振动信号进行分解重构，提取振动信号特征值；将特定运行状态振动特征向量作为自组织特征映射网络训练样本集，进行自组织映射神经网络训练，得到自组织特征映射网络分类器；将采样运行状态振动特征向量作为验证样本输入自组织特征映射网络分类器，实现变压器运行工况。
4.根据权利要求1所述的基于小波包-映射网络算法的变压器故障辨识方法，其特征在于，所述步骤S3中不同运行状态变压器振动信号的处理及分析具体包括以下步骤：
步骤S3-1正常运行工况下的信息采集
采集变压器正常运行状态下绕组及铁芯振动信号，经过傅里叶变换、小波包变换，对变压器振动信号进行量化分析，小波包各节点重构信号能够反应变压器振动信号特性；
步骤S3-2故障工况下的信息采集
选取正常运行，构件松动、直流偏磁、3种故障或运行状态，分别采集绕组及铁芯振动信号，提取小波包变换各节点能量占比为特征向量；
步骤S3-3变压器状态辨识
基于小波包分解重构信号能量占比所提取的振动特征参数能够很好的反应变压器的运行状态，结合不同运行状态下特征参数变化情况，采用自组织特征映射网络算法进行变压器运行状态识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310819356.7A CN116992326A (zh) | 2023-07-06 | 2023-07-06 | 一种基于小波包-映射网络算法的变压器故障辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310819356.7A CN116992326A (zh) | 2023-07-06 | 2023-07-06 | 一种基于小波包-映射网络算法的变压器故障辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116992326A true CN116992326A (zh) | 2023-11-03 |
Family
ID=88520488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310819356.7A Pending CN116992326A (zh) | 2023-07-06 | 2023-07-06 | 一种基于小波包-映射网络算法的变压器故障辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992326A (zh) |
-
2023
- 2023-07-06 CN CN202310819356.7A patent/CN116992326A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测系统及方法 | |
| CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
| Afrasiabi et al. | Integration of accelerated deep neural network into power transformer differential protection | |
| CN107219457B (zh) | 基于操作附件电流的框架式断路器故障诊断及程度评估方法 | |
| CN109033612A (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
| Yang et al. | Condition evaluation for opening damper of spring operated high-voltage circuit breaker using vibration time-frequency image | |
| Gopinath et al. | Intelligent fault diagnosis of synchronous generators | |
| CN110728257B (zh) | 基于振动灰度图像的变压器绕组故障监测方法 | |
| CN110703151A (zh) | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 | |
| CN110516742A (zh) | 一种基于组合神经网络模型的配电终端故障判别方法及系统 | |
| CN110174255A (zh) | 一种基于径向基神经网络的变压器振动信号分离方法 | |
| CN108535572A (zh) | 基于基波零序特征的计量系统二次回路监测方法及装置 | |
| CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
| CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
| CN110068776A (zh) | 基于优化支持向量机的三电平逆变器开路故障诊断方法 | |
| CN114814501A (zh) | 一种电容式电压互感器电容击穿故障在线诊断方法 | |
| Bessam et al. | A novel method for induction motors stator inter-turn short circuit fault diagnosis based on wavelet energy and neural network | |
| CN116992326A (zh) | 一种基于小波包-映射网络算法的变压器故障辨识方法 | |
| CN113591792B (zh) | 一种基于自组织竞争神经网络算法的变压器故障辨识方法 | |
| CN105651526B (zh) | 基于振动信号分析的车辆工况识别方法 | |
| CN115577584A (zh) | 一种基于时频分析和多场耦合的干式变压器绕组状态识别方法 | |
| CN114091534A (zh) | 一种基于小波包尺度-能量占比的绕组振动特征辨识方法 | |
| Shi et al. | Study of PSO-BP neural networks application in high-voltage circuit breakers mechanical fault diagnosis | |
| Zhang et al. | Diagnosis methods for inter-turn short-circuit fault degree of permanent magnet synchronous motor stator winding | |
| CN109784475A (zh) | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
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 |
Effective date of registration: 20240526 Address after: No. 124 Jilin Street, Jilin City, Jilin Province, 132012 Applicant after: JILIN POWER SUPPLY COMPANY OF STATE GRID JILINSHENG ELECTRIC POWER SUPPLY Co. Country or region after: China Applicant after: NORTHEAST DIANLI University Address before: 132012, Changchun Road, Jilin, Jilin, 169 Applicant before: NORTHEAST DIANLI University Country or region before: China |