CN117892066B - 一种磁控电抗器振动噪声数据处理方法 - Google Patents

Abstract

本发明涉及噪声数据处理技术领域，具体涉及一种磁控电抗器振动噪声数据处理方法，该方法包括：采集磁控电抗器各时间段的振动数据和电流数据，将各时间段作为当前时间段；基于振动数据的数据分布得到各周期；根据各周期内的最值分布得到当前时间段的紊乱系数；根据振动数据序列分解后的各PR分量差异得到当前时间段的趋势系数；根据紊乱系数与趋势系数以及邻近的电流数据构建当前时间段的走势稳态激励系数；基于当前时间段以及前N个时间段的走势稳态激励系数采用神经网络对振动数据进行去噪。本发明旨在解决对于噪声异常过于敏感的缺陷。

Description

一种磁控电抗器振动噪声数据处理方法

技术领域

本申请涉及噪声数据处理技术领域，具体涉及一种磁控电抗器振动噪声数据处理方法。

背景技术

磁控电抗器工作时在控制绕组通入直流电流，以直流磁通对交流磁通的助磁作用来改变铁芯的磁饱和程度，进而改变电抗器的电感，为电力系统提供连续的无功功率。交直流共同激励的工作方式和铁芯结构的特殊性使得磁控电抗器的振动噪声问题比较严重。由电抗器铁芯块、垫块组成的系统的固有频率如果与电源的激励频率相同或相近时，将会引起系统的共振。在设备运行过程中会产生较大的噪声和振动，给电抗器甚至电力系统造成危害。随着我国远距离大容量电网的不断发展，其运行的安全性和稳定性对整个电力系统的稳定运行具有重要意义。

现有电抗器振动噪声数据处理方法通常采用对采集的振动数据进行分频段分析，通过信号能量计算出特征函数，将特征函数与参考数下的标准函数进行比较，若二者的偏差大于设定阈值则进行后续处理。磁控电抗器的噪声受控制绕组通入直流电流的大小影响，不同材料产生的磁致伸缩效应也不同，导致振动噪声特征不同。因此，仅与单一标准函数比较来处理数据存在对噪声异常过于敏感的缺陷。

发明内容

为了解决上述技术问题，本发明提供一种磁控电抗器振动噪声数据处理方法，以解决现有的问题。

本发明的一种磁控电抗器振动噪声数据处理方法采用如下技术方案：

本发明一个实施例提供了一种磁控电抗器振动噪声数据处理方法，该方法包括以下步骤：

采集磁控电抗器各时间段的振动数据和电流数据，将各时间段作为当前时间段；

基于振动数据的数据分布得到各周期；根据周期内的最值分布构建周期的起伏量；根据起伏量以及周期长度构建周期的起伏平均系数；根据当前时间段内各周期的起伏平均系数构建起伏平均序列；根据起伏平均序列的数据分布得到当前时间段的紊乱系数；

采用序列分解算法得到振动数据的各PR分量；根据各PR分量的数据差异得到当前时间段的趋势系数；将紊乱系数与趋势系数的乘积作为当前时间段的走势稳态指数；根据走势稳态系数以及邻近的电流数据构建当前时间段的走势稳态激励系数；

基于当前时间段以及前N个时间段的走势稳态激励系数采用神经网络对振动数据进行去噪。

优选的，所述基于振动数据的数据分布得到各周期，包括：

将当前时间段的振动数据进行曲线拟合得到当前时间段的振动曲线，将振动曲线一阶导数为0的点记为起伏点；

将振动曲线二阶导数大于0的起伏点记为高值点，将当前时间段内振动数据的所有高值点组成高值点序列；将振动曲线二阶导数小于0的起伏点记为低值点，将当前时间段内振动数据的所有低值点组成低值点序列；

将低值点序列中任意两个低值点之间的数据组成一个周期，所述周期内包含有两个低值点、一个高值点。

优选的，所述根据周期内的最值分布构建周期的起伏量，包括：

获取周期内的高值点和两个低值点；分别计算高值点与两个低值点的差值，将两个差值的平均值作为周期的起伏量。

优选的，所述根据起伏量以及周期长度构建周期的起伏平均系数，包括：

获取周期内两个低值点之间的时序距离；将起伏量与所述时序距离的比值作为周期的起伏平均系数。

优选的，所述根据当前时间段内各周期的起伏平均系数构建起伏平均序列，具体为将当前时间段内振动数据在各周期的起伏平均系数按照时间顺序组成当前时间段振动数据的起伏平均序列。

优选的，所述根据起伏平均序列的数据分布得到当前时间段的紊乱系数，包括：

获取当前时间段的起伏平均序列中的最大值、极差以及标准差；将所述标准差的相反数作为以自然常数为底数的指数函数的指数；

将所述最大值分别与起伏平均序列中各数据的差值记为各数据的第一差值，将所述第一差值与所述极差的乘积结果除以所述指数函数的计算结果得到各数据的第一比值；将当前时间段的起伏平均序列中所有数据的所述第一比值的均值作为当前时间段的走势稳态指数。

优选的，所述采用序列分解算法得到振动数据的各PR分量，包括：

将振动数据进行曲线拟合后的振动曲线作为固有时间尺度分解算法的输入，输出各PR分量。

优选的，所述根据各PR分量的数据差异得到当前时间段的趋势系数，包括：

对于当前时间段的各PR分量各数据点，计算数据点与其所属PR分量所有数据点平均值之间的差值绝对值，将所有PR分量所有数据点的所述差值绝对值的均值作为当前时间段的趋势系数。

优选的，所述根据走势稳态系数以及邻近的电流数据构建当前时间段的走势稳态激励系数，包括：

对于当前时间段的各邻近时间段，分别计算当前时间段的电流数据均值与各邻近时间段的电流数据均值的差值，将所述差值作为以自然常数为底数的指数函数的指数；

计算所有邻近时间段的所述指数函数的计算结果的均值，将所述均值乘以当前时间段的走势稳态系数得到当前时间段的走势稳态激励系数。

优选的，所述基于当前时间段以及前N个时间段的走势稳态激励系数采用神经网络对振动数据进行去噪，包括：

将当前时间段以及前N个时间段的走势稳态激励系数组成当前时间段的走势序列，将当前时间段的走势序列、振动数据作为LSTM神经网络的输入，采用交叉熵损失函数以及adam训练优化器进行训练，得到当前时间段去噪后的振动数据。

本发明至少具有如下有益效果：

本发明通过对磁控电抗器的振动数据进行分析，构建振动数据周期性的起伏平均系数，有助于识别电抗器夹件、绕组的振动、和气隙附近空气振动对磁控电抗器的振动产生的影响；同时，根据振动数据在不同频率下的特征信号，将不同特征信号的特点进行放大，结合起伏平均系数的分布特点，构建各时间段的走势稳态系数，有利于识别铁芯受磁致伸缩效应影响产生的噪声数据；

接着，本发明结合距离当前时间的前一段时间的电流数据的变化差异，构建时间段的走势稳态激励系数，将距离当前时间的前一段时间的原始振动数据和走势稳态激励系数输入到神经网络，用于判断数据噪声，弥补了现有检测方法仅与单一标准函数比较来处理数据，存在对噪声异常过于敏感的缺陷。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的一种磁控电抗器振动噪声数据处理方法的流程图；

图2为磁控电抗器振动噪声数据检测点示意图；

图3为走势稳态激励系数指标构建流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种磁控电抗器振动噪声数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种磁控电抗器振动噪声数据处理方法的具体方案。

本发明一个实施例提供的一种磁控电抗器振动噪声数据处理方法。

具体的，提供了如下的一种磁控电抗器振动噪声数据处理方法，请参阅图1，该方法包括以下步骤：

步骤S001，使用加速度传感器采集磁控电抗器的振动数据，使用电流传感器采集控制绕组通入的电流数据。

在电力系统中，为了实现连续可调的无功补偿，磁控电抗器通过在其绕组中引入直流电流，在电抗器铁芯中产生直流偏磁。通过精确控制直流电流的大小，可以调节电抗器的电抗值和容量，实现对无功补偿的可调节性。然而，直流偏磁可能导致电抗器铁芯的磁化状态快速进入磁饱和区，引发励磁电流波形的畸变，加剧铁芯材料的磁致伸缩效应，形成严重的振动噪声。在振动达到一定程度时，甚至可能对电气设备造成损坏。

因此，需要安装电流传感器检测磁控电抗器中通入的电流大小，安装加速度传感器来检测电抗器中的振动数据。由于磁阀处振动比电抗器其他点更容易达到磁饱和，产生的振动更强烈，本实施例对该点进行振动数据的采集。其中，磁控电抗器振动噪声数据检测点示意图如图2所示。

加速度传感器用于振动数据采集的频率设置为12kHz，本实施例使用的采样频率可以确保测量的波形具有良好的连续性和无失真性。而电流数据的大小相对与电流噪声更为重要，不需要较高的采样频率，每隔10ms采集一次电流数据。得到的振动数据和电流数据/>都为时序数据。为便于数据分析，设置时间段长度为0.5s，两个时序数据都在每个时间段内进行处理。

步骤S002，对振动数据进行分解，结合电流的变化进行分析，构建各时间段的起伏平均序列的走势稳态激励系数。

在磁控电抗器内部，铁芯在受到助磁作用而改变磁饱和程度时，不同部位的磁通密度分布不一样，导致检测的振动数据呈现不规则的起伏波动。即在某一周期内起伏偏大，而另一周期内的起伏偏小,进而反映出振动的幅度大小。为方便计算起伏量，首先采用最小二乘法拟合将离散的转化为连续性数据，得到的结果记为/>。其中，最小二乘法拟合为公知技术，本实施例不再赘述。

然后对求微分，将一阶导数为0的点作为振动数据的起伏点，将二阶导数大于0的起伏点记为振动数据的高值点，将二阶导数小于0的起伏点记为振动数据的低值点。将每个时间段内振动数据的低值点序列记为/>，且将相邻两个低值点之间的数据记为一个周期，令低值点/>之间的高值点记为/>、令低值点/>之间的高值点记为/>，以此类推，可得到时间段内的所有高值点序列为/>。按照如下公式计算铁芯振动周期内的起伏量：

式中，表示时间段x内第a个周期振动数据的起伏量，/>和/>分别表示时间段x内第a个周期振动数据的高值点和低值点，/>表示时间段x内第a个周期振动数据的另一个低值点。

电抗器在正常运行下，振动数据呈现为正弦波形，起伏量和的值接近，计算的值偏小，若周期内的起伏量/>越大，表明当前周期内的振动越明显。随着振动的起伏不稳定，结合振动周期长度，计算铁芯振动周期内的起伏平均系数：

式中，表示时间段x内第a个周期长度，/>和/>分别表示时间段x内第a个周期的两个低值点，/>表示时间段x内第a个周期振动数据的平均起伏量，/>表示时间段x内第a个周期振动数据的起伏平均系数。

电抗器夹件、绕组的振动、和气隙附近空气振动都会对磁控电抗器的振动有一定的影响，使振动起伏量的大小不一致，同时振动周期也不稳定。将二者的比值作为铁芯振动周期内起伏平均系数，能够反映电抗器内部的振动状态。当起伏量越大，周期长度越短，起伏平均系数/>越大，说明振动越大，频率越高。

每个时间段内的振动数据存在多个周期，本实施例将每个周期的起伏平均系数组成一个序列，将铁芯振动时间段内的序列记为起伏平均序列，，其中，/>、/>、/>、/>分别表示时间段x内起伏平均序列中第a、a+1、a+2、a+3个值。下面结合该序列进一步分析磁控电抗器噪声数据。

对连续化的振动数据采用固有时间尺度分解算法ITD算法进行分解，ITD算法为公知技术，本实施例不再赘述。该算法能够从原始信号中分离出不同频率的特征信号，ITD算法的输入为连续化的振动数据/>，输出为代表了不同频率的PR分量。本实施例设置PR分量的层数为4，按照分解得到的顺序记为PR1、PR2、PR3和PR4。越靠前的分量越表示原始信号的高频信息，靠后的分量则表示低频分量趋势。

振动的产生主要由助磁作用改变了铁芯的磁饱和程度，加剧铁芯材料的磁致伸缩效应而导致。结合各PR分量及，构建起伏平均序列的走势稳态指数：

式中，表示时间段x内的起伏平均序列的走势稳态指数，/>表示时间段x内的起伏平均序列的紊乱系数，/>表示时间段x内的振动分量的趋势系数，/>表示时间段x内起伏平均序列的数据个数，/>为起伏平均序列中的最大值，/>表示时间段x内起伏平均序列中第a个值，/>和/>分别表示时间段x内起伏平均序列的极差和标准差，/>表示以自然常数e为底数的指数函数。/>表示PR分量层数，/>表示每一层分量的数据个数，/>表示时间段x内第j个分量中的第i个数据值，/>表示时间段x内第j个分量的数据均值，其中，/>为数据点a的第一差值，为数据点a的第一比值。

若电抗器内铁芯的振动较大，得到的起伏平均序列最大值变大，计算的各序列值与最大值之差变大。同时，极差/>和方差变大，计算的起伏平均序列紊乱系数/>变大，表示铁芯的振动周期之间存在较大差异。而分解到的不同频率分量其均值越偏离各时间点的值，/>值变大，振动分量趋势系数变大，说明该时间段内振动变化存在明显趋势。最后计算的起伏平均序列走势稳态指数/>越大，表明振动越随机，存在的数据噪声越大，铁芯受磁致伸缩效应影响显著。

磁致伸缩效应由于电抗器绕组所加的激励电流，在铁芯中产生了交变的磁通导致的，当通过的激励电流越大，电抗器绕组产生的磁通量越高，磁致伸缩效应以及铁芯上的漏磁造成的麦克斯韦电磁力引起电抗器振动就越大。结合电流数据及起伏平均序列的走势稳态指数，构建起伏平均序列的走势稳态激励系数：

式中，表示时间段x内的起伏平均序列的走势稳态激励系数，/>表示第x个时间段的前/>个时间段，/>和/>分别表示时间段x内和时间段k内的电流数据均值，/>表示时间段x内的起伏平均序列的走势稳态指数。本实施例设置/>为1分钟内的时间段数量，实施者可根据实际情况自行设定。

当电抗器绕组中通过的电流变大，当前时间段x与第k个时间段的电流均值之差为正，经指数函数计算后得到的值大于1，且电流的增加量越大，计算的值越大，表明电流的激励作用越大，/>变大。所得起伏平均序列走势稳态激励系数/>越高，表明电抗器外加的激励越大，引发的振动噪声越多。其中，走势稳态激励系数指标构建流程图如图3所示。

步骤S003，结合走势稳态激励系数，采用神经网络对磁控电抗器振动数据中的噪声进行处理。

根据当前时间段以及前N个时间段的走势稳态激励系数组成当前时间段的走势序列，将当前时间段的走势序列以及振动数据输入LSTM神经网络，同时采用交叉熵损失函数以及adam训练优化器对振动数据进行训练，输出为当前时间段去噪后的振动数据。其中，本实施例设置N为经验值50，实施者可根据实际情况自行设定。LSTM神经网络为公知技术，本实施例不再赘述。

至此，本实施例完成。

综上所述，本发明实施例通过对磁控电抗器的振动数据进行分析，构建振动数据周期性的起伏平均系数，有助于识别电抗器夹件、绕组的振动、和气隙附近空气振动对磁控电抗器的振动产生的影响；同时，根据振动数据在不同频率下的特征信号，将不同特征信号的特点进行放大，结合起伏平均系数的分布特点，构建各时间段的走势稳态系数，有利于识别铁芯受磁致伸缩效应影响产生的噪声数据；

接着，本发明实施例结合距离当前时间的前一段时间的电流数据的变化差异，构建时间段的走势稳态激励系数，将距离当前时间的前一段时间的原始振动数据和走势稳态激励系数输入到神经网络，用于判断数据噪声，弥补了现有检测方法仅与单一标准函数比较来处理数据，存在对噪声异常过于敏感的缺陷。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种磁控电抗器振动噪声数据处理方法，其特征在于，该方法包括以下步骤：

采集磁控电抗器各时间段的振动数据和电流数据，将各时间段作为当前时间段；

基于振动数据的数据分布得到各周期；根据周期内的最值分布构建周期的起伏量；根据起伏量以及周期长度构建周期的起伏平均系数；根据当前时间段内各周期的起伏平均系数构建起伏平均序列；根据起伏平均序列的数据分布得到当前时间段的紊乱系数；

采用序列分解算法得到振动数据的各PR分量；根据各PR分量的数据差异得到当前时间段的趋势系数；将紊乱系数与趋势系数的乘积作为当前时间段的走势稳态指数；根据走势稳态系数以及邻近的电流数据构建当前时间段的走势稳态激励系数；

基于当前时间段以及前N个时间段的走势稳态激励系数采用神经网络对振动数据进行去噪；

所述根据周期内的最值分布构建周期的起伏量，包括：

获取周期内的高值点和两个低值点；分别计算高值点与两个低值点的差值，将两个差值的平均值作为周期的起伏量；

所述根据起伏量以及周期长度构建周期的起伏平均系数，包括：

获取周期内两个低值点之间的时序距离；将起伏量与所述时序距离的比值作为周期的起伏平均系数；

所述根据起伏平均序列的数据分布得到当前时间段的紊乱系数，包括：

获取当前时间段的起伏平均序列中的最大值、极差以及标准差；将所述标准差的相反数作为以自然常数为底数的指数函数的指数；

将所述最大值分别与起伏平均序列中各数据的差值记为各数据的第一差值，将所述第一差值与所述极差的乘积结果除以所述指数函数的计算结果得到各数据的第一比值；将当前时间段的起伏平均序列中所有数据的所述第一比值的均值作为当前时间段的走势稳态指数；

所述根据各PR分量的数据差异得到当前时间段的趋势系数，包括：

对于当前时间段的各PR分量各数据点，计算数据点与其所属PR分量所有数据点平均值之间的差值绝对值，将所有PR分量所有数据点的所述差值绝对值的均值作为当前时间段的趋势系数；

所述根据走势稳态系数以及邻近的电流数据构建当前时间段的走势稳态激励系数的表达式为：

式中，表示时间段x内的起伏平均序列的走势稳态激励系数，/>表示第x个时间段的前/>个时间段，/>和/>分别表示时间段x内和时间段k内的电流数据均值，表示时间段x内的起伏平均序列的走势稳态指数。

2.如权利要求1所述的一种磁控电抗器振动噪声数据处理方法，其特征在于，所述基于振动数据的数据分布得到各周期，包括：

将当前时间段的振动数据进行曲线拟合得到当前时间段的振动曲线，将振动曲线一阶导数为0的点记为起伏点；

将振动曲线二阶导数大于0的起伏点记为高值点，将当前时间段内振动数据的所有高值点组成高值点序列；将振动曲线二阶导数小于0的起伏点记为低值点，将当前时间段内振动数据的所有低值点组成低值点序列；

将低值点序列中任意两个低值点之间的数据组成一个周期，所述周期内包含有两个低值点、一个高值点。

3.如权利要求1所述的一种磁控电抗器振动噪声数据处理方法，其特征在于，所述根据当前时间段内各周期的起伏平均系数构建起伏平均序列，具体为将当前时间段内振动数据在各周期的起伏平均系数按照时间顺序组成当前时间段振动数据的起伏平均序列。

4.如权利要求2所述的一种磁控电抗器振动噪声数据处理方法，其特征在于，所述采用序列分解算法得到振动数据的各PR分量，包括：

将振动数据进行曲线拟合后的振动曲线作为固有时间尺度分解算法的输入，输出各PR分量。

5.如权利要求1所述的一种磁控电抗器振动噪声数据处理方法，其特征在于，所述基于当前时间段以及前N个时间段的走势稳态激励系数采用神经网络对振动数据进行去噪，包括：

将当前时间段以及前N个时间段的走势稳态激励系数组成当前时间段的走势序列，将当前时间段的走势序列、振动数据作为LSTM神经网络的输入，采用交叉熵损失函数以及adam训练优化器进行训练，得到当前时间段去噪后的振动数据。