CN106932184A - 一种基于改进层次聚类的变压器故障诊断方法 - Google Patents
一种基于改进层次聚类的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN106932184A CN106932184A CN201710152951.4A CN201710152951A CN106932184A CN 106932184 A CN106932184 A CN 106932184A CN 201710152951 A CN201710152951 A CN 201710152951A CN 106932184 A CN106932184 A CN 106932184A
- Authority
- CN
- China
- Prior art keywords
- transformer
- vibration signal
- hierarchical clustering
- class
- imf
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于改进层次聚类的变压器故障诊断方法,所述方法包括:步骤1:建立变压器振动信号采集***,基于建立的***对变压器进行数据采样,以获取变压器振动信号;步骤2:通过希尔伯特‑黄变换方法处理获得的变压器振动信号;步骤3:通过改进的凝聚层次聚类算法对测试变压器的振动信号特征值进行层次分类,确定测试变压器所处的状态;改进的凝聚层次聚类算法为在传统凝聚层次聚类算法的基础上,将对象合并后直接利用初始距离矩阵的数据进行处理,实现了对变压器故障状态的快速有效诊断的技术效果。
Description
技术领域
本发明涉及变压器故障诊断领域,具体地,涉及一种基于改进层次聚类的变压器故障诊断方法。
背景技术
变压器是电网中最重要且贵重的电气设备之一,其运行状态的安全与否直接关系到整个电力***的安全性和稳定性。变压器在运行过程中,受到各种过电压,大电流的冲击影响,将导致的绕组铁芯等部件的松动,伴随绝缘老化、劣化,必然会引起一些故障的出现。从国内外关于变压器故障的统计分析得出:因绕组变形、绕组和铁芯压紧松动等引起的机械故障是变压器故障的主要组成部分。因此,为了保证电网安全运行,十分有必要对变压器绕组及铁芯的状态监测与故障诊断方法进行研究。
目前,变压器绕组变形检测方法有短路阻抗法、频率响应法、低压脉冲法和振动分析法。其中,振动分析法通过分析变压器箱体表面的振动信号来监测绕组和铁芯的状况。振动法检测变压器灵敏度高、安全可靠,在线监测时整个监测***与电力***无电气连接,在检测变压器绕组和铁芯的状态时表现出良好的性能。振动检测法的关键在于如何从振动信号中有效提取特征信息,建立振动特征与故障的对应关系。变压器振动信号属于非线性非平稳信号,且含有大量噪声,采用传统的快速傅里叶变换进行振动信号分析会产生较大的误差,不能真实准确地表征变压器振动的自然特征。小波分析可对变压器振动信号进行时域和频域综合分析,能有效在线诊断变压器机械故障。但其在高频频段其频率分辨率较差,而在低频频段其时间分辨率较差,对非线性信号有局限性。希尔伯特-黄分析方法是一种全新的分解方法,可以根据被分析信号本身的特点,自适应地选择频带,确定信号的不同频带的分辨率。因此,消除了小波分析的模糊和不清晰,比较适合变压器振动信号的特点。
层次聚类分析是对给定的数据对象进行层次的分类,直到满足条件为止。层次聚类分析算法具有距离和规则的相似度容易定义,不需要预先制定聚类数,层次结构清晰等优点,但其在每合并完一个类后,就必须重新计算合并后的类间距离。这对于大量数据集合来说,计算量惊人,运行时间长。
综上所述,本申请发明人在实现本申请发明技术方案的过程中,发现上述技术至少存在如下技术问题:
在现有技术中,现有的变压器故障诊断方法采用传统的层次聚类分析,存在计算量大,运行时间长的技术问题。
发明内容
本发明提供了一种基于改进层次聚类的变压器故障诊断方法,解决了现有的变压器故障诊断方法采用传统的层次聚类分析,存在计算量大,运行时间长的技术问题,实现了对变压器故障状态的快速有效诊断的技术效果。
其中,本申请中的变压器故障诊断方法,将传统的层次聚类分析可进为将对象合并后不重新计算距离,而是直接利用初始距离矩阵的数据,节省大量的计算时间,从而提高对象合并速度。
为解决上述技术问题,本申请提供了一种基于改进层次聚类的变压器故障诊断方法,包括步骤:
S100:建立变压器振动信号采集***,如图2所示。对变压器每相绕组对应的箱壁中部、底部以及箱壁侧面位置进行采样数据,以获取不同状态下变压器振动信号;
S200:通过希尔伯特-黄变换中集合经验模式分解(EEMD)方法提取变压器振动信号的特征向量;
S300:计算任意两个特征值对象之间的距离d(i,j);
S400:存储在一维数组d中,并对一维数组d按升幂的次序进行排序;
S500:对d中的当前元素,首先判定这两个对象是否已合并成一类,如果没有,就将这两个对象合成一个类,如果其中一个已被合并到某一类,则将另一个也合并到那个类中。如果它们已分别被合并到两个不同的类,则将它们所在的那两个类合并成一个类;
S600:取d中的下一个元素,重复S500,直到数组d中所有的元素处理完毕;
S700:层次分类完成,确定测试变压器所处的状态。
在所述步骤S100中,变压器振动信号采集***,具体包括步骤:
变压器振动信号采集***包括加速度传感器、数据采集卡、计算机。采集数据时,将3个ICP型加速度振动传感器(灵敏度为100mV/g)经永磁体固定在高压侧箱壁,即每相绕组对应的箱壁中部、底部以及箱壁侧面位置进行采样数据。振动数据采样频率为25.6kHz。
在所述步骤S200中,通过希尔伯特-黄变换方法处理试验所得的变压器振动信号,具体包括步骤:
希尔伯特-黄变换分析方法处理变压器振动信号主要分为两个部分,前一部分的核心是集合经验模态分解(EEMD),把变压器振动信号分解成若干个本征模态函数;后一部分是对本征模态函数(IMF)进行希尔伯特变换,得到每一个IMF随时间变化的瞬时频率和振幅,并计算出每个IMF分量的能量Ej,最终提取到变压器的状态特征向量。
在所述步骤S200中,通过集合经验模态分解方法提取变压器状态特征向量,具体包括步骤:
A1:在检测到的变压器原始振动信号x(t)上加入白噪声序列ω(t),得到改变后的振动信号X(t):
X(t)=x(t)+ω(t)(1)
A2:运用经验模态分解将加入白噪声后的振动信号X(t)分解为IMF分量;
式中,hj为X(t)分解的第j个IMF分量,rn为对X(t)分解后的余项,n为分解层数;
A3:每次在x(t)加入不同的白噪声序列ωi(t)(i=1,2,…,n),反复重复步骤A1、A2,则将第i次改变后的振动信号Xi(t);
Xi(t)=x(t)+ωi(t) (3)
分解成
式中,hij为Xi(t)分解的第j个IMF分量,rin为对Xi(t)分解后的余项;
A4:分解得到的各个IMF的均值作为最终结果;
式中,hj(t)'表示对变压器原始振动信号x(t)进行EEMD分解得到的第j个IMF分量;
A5:对EEMD分解后的IMF分量进行希尔伯特变换,得到每个IMF分量随时间变化的瞬时频率和振幅,并计算出每个IMF分量的能量Ej;
式中,Aj(i)为第j个IMF分量的振幅;nIMF为每个IMF分量的长度;
A6:计算第j个IMF分量的特征值vj,并由N个vj构成变压器特征向量V,即:
V=[v1,v2,…,vN] (8)
该特征向量V能综合表征变压器绕组的状态信息。
本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提出了一种基于改进层次聚类的变压器故障诊断方法,对变压器振动信号特征值进行分类,有效实现了变压器的在线监测与故障诊断。
该方法首先建立了变压器振动信号采集***,对变压器每相绕组对应的箱壁中部、底部以及箱壁侧面位置进行采样数据,获得变压器振动信号。其次,运用希尔伯特-黄变换方法处理试验所得的变压器振动信号。本方法运用集合经验模式分解(EEMD)方法提取了变压器状态特征向量,得到变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障这4种状态特征向量,以确定变压器故障状态分类。最后,运用改进的凝聚层次聚类算法对测试变压器的振动信号特征值进行层次分类。实验结果证明了该方法能直观识别该测试变压器所处的状态,实现对变压器故障状态的快速有效诊断。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1为基于改进层次聚类的变压器故障诊断方法步骤流程示意图;
图2为变压器振动信号采集***结构示意图;
图3为变压器故障诊断方法流程示意图;
图4为变压器四种状态聚类示意图;
图5为基于改进层次聚类算法的变压器状态聚类示意图;
图6为变压器故障诊断结果示意图。
具体实施方式
本发明提供了一种基于改进层次聚类的变压器故障诊断方法,解决了现有的变压器故障诊断方法采用传统的层次聚类分析,存在计算量大,运行时间长的技术问题,实现了对变压器故障状态的快速有效诊断的技术效果。
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1-图3,本申请提供了一种基于改进层次聚类的变压器故障诊断方法,其流程图如图1所示,包括如下步骤:
S100:建立变压器振动信号采集***:
变压器的振动是由变压器本体(铁芯、绕组)的振动及冷却装置的振动产生的。由于如风扇等冷却装置引起的振动信号频率均小于100Hz,与变压器本体振动特性明显不同,本发明主要针对的是变压器本体振动。
研究表明,变压器的铁芯振动绝大多数都是硅钢片的磁致伸缩效应导致的,通常用磁致伸缩率ε来表征,如式(9)所示。
式中,L和ΔL分别表示铁芯硅钢片线性长度和发生磁致伸缩时最大变形量。可知,变压器铁芯振动剧烈程度随着硅钢片的磁致伸缩率ε的增大而增大。
磁致伸缩使得铁芯按两倍于励磁电流的频率振动,即100Hz。由于磁致伸缩的非线性以及多级铁芯中心柱和铁轭截面的不同,导致铁芯内磁通不为正弦波,使铁芯振动信号还包含高频分量。
变压器铁芯与绕组之间由于绕组中的负载电流而存在漏磁通,绕组中的载流导体在漏磁场中会受到电磁力F的作用,该电磁力是引发变压器绕组振动的主要原因,可表示为:
F=bi2 (10)
式中,b表示变压器绕组所受的电磁力的系数,i为绕组电流。可看出电磁力的频率是电网频率的两倍。
为了简化问题,假设在振动信号处理之前已将100Hz以下的振动信号滤除,此时变压器油箱表面的振动可认为是绕组与铁芯各个方向的振动信号通过固体或液体的传递、衰减在箱体表面的叠加,因此油箱表面振动大小vtank可表示为绕组振动vwinding和铁芯振动vcore与其各自衰减系数的乘积之和,即:
vtank=c1vwinding+c2vcore (11)
式中,c1和c2分别表示绕组和铁芯振动的传递系数。
变压器振动信号采集***的主要目的是通过对变压器油箱表面振动信号的检测来研究箱体表面不同位置的振动情况。如图2所示,变压器振动信号采集***包括加速度传感器、数据采集卡、计算机。采集数据时,将3个ICP型加速度振动传感器(灵敏度为100mV/g)经永磁体固定在高压侧箱壁,即每相绕组对应的箱壁中部、底部以及箱壁侧面位置进行采样数据。振动数据采样频率为25.6kHz。
S200:通过希尔伯特-黄变换方法处理试验所得的变压器振动信号;
变压器振动信号属于非线性非平稳信号,且含有大量噪声,采用传统的快速傅里叶变换进行振动信号分析会产生较大的误差,不能真实准确地表征变压器振动的自然特征。
上世纪末,美国NASA的Norden E.Huang提出了适用于非稳态、非线性信号处理的希尔伯特-黄变换(Hilbert-Huang Transform,HTT)。HTT由经验模态分解(EMD)和希尔伯特变换(HT)组成。
EMD指把复杂的原始信号分解成若干个本征模态函数(IMF)和一个残余信号的和的过程,但EMD在分析过程中会由于信号极值点分布不均匀而产生严重的模态混叠现象。Huang提出了EMD的改进方法-集合经验模态分解(EEMD),通过添加强度相同但序列不同的白噪声来补充有缺失的信号,并对其进行分解。
本发明运用希尔伯特-黄变换分析方法处理变压器振动信号主要分为两个部分,前一部分的核心是集合经验模态分解(EEMD),把变压器振动信号分解成若干个本征模态函数;后一部分是对本征模态函数(IMF)进行希尔伯特变换,得到每一个IMF随时间变化的瞬时频率和振幅,并计算出每个IMF分量的能量Ej,最终提取到变压器的状态特征向量。
通过集合经验模态分解方法提取变压器状态特征向量,具体包括步骤:
A1:在检测到的变压器原始振动信号x(t)上加入白噪声序列ω(t),得到改变后的振动信号X(t):
X(t)=x(t)+ω(t) (1)
A2:运用经验模态分解将加入白噪声后的振动信号X(t)分解为IMF分量;
式中,hj为X(t)分解的第j个IMF分量,rn为对X(t)分解后的余项,n为分解层数;
A3:每次在x(t)加入不同的白噪声序列ωi(t)(i=1,2,…,n),反复重复步骤A1、A2,则将第i次改变后的振动信号Xi(t);
Xi(t)=x(t)+ωi(t) (3)
分解成
式中,hij为Xi(t)分解的第j个IMF分量,rin为对Xi(t)分解后的余项;
A4:分解得到的各个IMF的均值作为最终结果;
式中,hj(t)'表示对变压器原始振动信号x(t)进行EEMD分解得到的第j个IMF分量;
A5:对EEMD分解后的IMF分量进行希尔伯特变换,得到每个IMF分量随时间变化的瞬时频率和振幅,并计算出每个IMF分量的能量Ej;
式中,Aj(i)为第j个IMF分量的振幅;nIMF为每个IMF分量的长度;
A6:计算第j个IMF分量的特征值vj,并由N个vj构成变压器特征向量V,即:
V=[v1,v2,…,vN] (8)
该特征向量V能综合表征变压器绕组的状态信息。
层次聚类分析是对给定的数据对象进行层次的分类,直到满足条件为止。按照层次形成方式,可分为凝聚和***的层次聚类算法。凝聚的层次聚类是一种自底向上的策略。首先,将每个对象自为一类,然后这些类根据某种准则逐步合并,直到所有对象最终合并形成一个类。***的层次聚类则相反,采取的自顶向下的策略。然而,***方法的效率和性能较凝聚方法低。因此,本发明采用凝聚的层次聚类算法。
层次聚类算法需要从以下两方面进行分析:
(1)距离度量准则的选择
计算对象间的距离d(i,j)是经常采用的求相异度的方法。可采用闵可夫斯基距离度量准则,如式(12)所示。
式中,假设i=(xi1,xi2,…,xip)和j=(xj1,xj2,…,xjp)是两个p维的数据对象。当m=1时为城市街区(City-block)距离,m=2时为欧几里得(Euclid)距离。
(2)类间距离度量算法的选择
对于任意两个类之间的距离度量,广泛采用以下四种方法:
a)最短距离法(Single-link):
b)最长距离法(Complete-link):
c)平均值距离法:
dmean(ci,cj)=|mi-mj| (15)
d)平均距离法(Average-link):
式中,|q-q'|是两个对象q和q’之间的距离,ci和cj是类对象,mi、mj分别是类ci、cj的平均值,ni、nj分别是类ci、cj中对象的数目。
层次聚类算法的距离和规则容易定义,限制少,不需要预先制定聚类数,但运用上述方法时各有缺陷。比如,最短距离法容易受链式结构的影响,平均距离法和最长距离法倾向于集中在内部集合上形成同种的紧密类,平均值距离法聚类可能导致逆增。因此,还需结合实际情况选择层次聚类算法。
本发明通过对层次聚类算法距离度量准则和类间距离度量算法进行选择、对比,并从运行时间和相关系数考察,从而找出聚类效果最好的算法。相关系数是用来检验层次聚类算法下产生的聚类树和实际情况的相符程度,这个值越大说明与实际相符程度越高。算法对比结果如表1所示。
表1层次聚类算法对比
算法 | 运行时间 | 相关系数 | 故障诊断结果 |
Cityblock-Average | 0.366650 | 0.9518 | 绕组轴向以及径向变形 |
Euclid-Average | 0.322364 | 0.9518 | 绕组轴向以及径向变形 |
Euclid-Single | 0.341001 | 0.9497 | 绕组轴向以及径向变形、铁芯故障 |
改进Euclid-Single | 0.262306 | 0.9502 | 绕组轴向以及径向变形、铁芯故障 |
(1)距离度量准则的选择
从表1可以看出,Cityblock距离和Euclid距离算法聚类效果相同,即分类得出两种变压器故障状态,相关系数也相同。但Euclid距离算法的运行时间较短,故本发明选择Euclid距离算法。
(2)类间距离度量算法的选择
从表1可以看出,Single算法比Average算法多分类出一种故障,说明Single算法的聚类效果好。本发明选择Single算法。
为了识别变压器状态类型,本发明应用EEMD提取变压器正常状态、绕组轴向变形、绕组径向变形和铁芯故障的状态特征向量,并对其进行层次聚类,如图4所示。得到了变压器四种状态分类结果,以便实现对变压器状态的直观分类和识别。
实际上,层次聚类算法在每合并完一个类后,就必须重新计算合并后的类间距离。这对于大量数据集合来说,计算量惊人,运行时间长。若能使对象合并后不需重新计算距离,而是直接利用初始距离矩阵的数据,那么就可以节省大量的计算时间,从而提高对象合并速度。因此,本发明还需对层次聚类算法进行改进来提高层次聚类的速度。
改进的凝聚层次聚类算法步骤如下:
S300:计算任意两个特征值对象之间的距离d(i,j);
S400:存储在一维数组d中,并对一维数组d按升幂的次序进行排序;
S500:对d中的当前元素,首先判定这两个对象是否已合并成一类,如果没有,就将这两个对象合成一个类,如果其中一个已被合并到某一类,则将另一个也合并到那个类中。如果它们已分别被合并到两个不同的类,则将它们所在的那两个类合并成一个类;
S600:取d中的下一个元素,重复S500,直到数组d中所有的元素处理完毕;
S700:层次分类完成,确定测试变压器所处的状态。
为了提高层次聚类算法的速度,本发明对Euclid-Single算法进行改进,并与原算法进行对比。从表1可以看出,改进后的算法和原算法聚类结果相同,但其运行时间更短,相关系数更高。
本发明采用改进Euclid-Single层次聚类算法对测试变压器的振动信号特征值进行分类,得出了最终的故障诊断结果,如图5和图6所示。实验结果直观地显示出测试变压器有铁芯故障、绕组轴向变形和径向变形故障,与实际故障相同,可见改进的层次聚类算法故障诊断变压器状态的效果好。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
本发明提出了一种基于改进层次聚类的变压器故障诊断方法,对变压器振动信号特征值进行分类,有效实现了变压器的在线监测与故障诊断。
该方法首先建立了变压器振动信号采集***,对变压器每相绕组对应的箱壁中部、底部以及箱壁侧面位置进行采样数据,获得变压器振动信号。其次,运用希尔伯特-黄变换方法处理试验所得的变压器振动信号。本方法运用集合经验模式分解(EEMD)方法提取了变压器状态特征向量,得到变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障这4种状态特征向量,以确定变压器故障状态分类。最后,运用改进的凝聚层次聚类算法对测试变压器的振动信号特征值进行层次分类。实验结果证明了该方法能直观识别该测试变压器所处的状态,实现对变压器故障状态的快速有效诊断。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于改进层次聚类的变压器故障诊断方法,其特征在于,所述方法包括:
步骤1:建立变压器振动信号采集***,基于建立的***对变压器进行数据采样,以获取变压器振动信号;
步骤2:通过希尔伯特-黄变换方法处理获得的变压器振动信号;
步骤3:通过改进的凝聚层次聚类算法对测试变压器的振动信号特征值进行层次分类,确定测试变压器所处的状态;改进的凝聚层次聚类算法为在传统凝聚层次聚类算法的基础上,将对象合并后直接利用初始距离矩阵的数据进行处理。
2.根据权利要求1所述的基于改进层次聚类的变压器故障诊断方法,其特征在于,变压器振动信号采集***包括:多个加速度振动传感器、数据采集卡、计算机,其中,多个加速度振动传感器均与数据采集卡连接,数据采集卡与计算机连接,多个加速度振动传感器均固定在变压器的高压侧箱壁进行数据采样。
3.根据权利要求2所述的基于改进层次聚类的变压器故障诊断方法,其特征在于,所述变压器振动信号采集***具体包括3个加速度振动传感器,3个加速度振动传感器分别固定在变压器每相绕组对应的箱壁中部、底部以及箱壁侧面。
4.根据权利要求2所述的基于改进层次聚类的变压器故障诊断方法,其特征在于,加速度振动传感器灵敏度为100mV/g,数据采样频率为25.6kHz。
5.根据权利要求1所述的基于改进层次聚类的变压器故障诊断方法,其特征在于,希尔伯特-黄变换分析方法处理变压器振动信号分为两个部分:
第一部分为:集合经验模态分解,把变压器振动信号分解成若干个本征模态函数;
第二部分为:对本征模态函数进行希尔伯特变换,得到每一个本征模态函数随时间变化的瞬时频率和振幅,并计算出每个本征模态函数分量的能量,最终提取到变压器的状态特征向量,本征模态函数即为IMF。
6.根据权利要求5所述的基于改进层次聚类的变压器故障诊断方法,其特征在于,通过集合经验模态分解方法提取变压器状态特征向量,具体包括步骤:
A1:在检测到的变压器原始振动信号x(t)上加入白噪声序列ω(t),得到改变后的振动信号X(t):
X(t)=x(t)+ω(t) (1)
A2:运用经验模态分解将加入白噪声后的振动信号X(t)分解为IMF分量;
式中,hj为X(t)分解的第j个IMF分量,rn为对X(t)分解后的余项,n为分解层数;
A3:每次在x(t)加入不同的白噪声序列ωi(t)(i=1,2,…,n),反复重复步骤A1、A2,则将第i次改变后的振动信号Xi(t);
Xi(t)=x(t)+ωi(t) (3)
分解成:
式中,hij为Xi(t)分解的第j个IMF分量,rin为对Xi(t)分解后的余项;
A4:分解得到的各个IMF的均值作为最终结果;
式中,hj(t)'表示对变压器原始振动信号x(t)进行EEMD分解得到的第j个IMF分量;
A5:对EEMD分解后的IMF分量进行希尔伯特变换,得到每个IMF分量随时间变化的瞬时频率和振幅,并计算出每个IMF分量的能量Ej;
式中,Aj(i)为第j个IMF分量的振幅;nIMF为每个IMF分量的长度;
A6:计算第j个IMF分量的特征值vj,并由N个vj构成变压器特征向量V,即:
V=[v1,v2,…,vN]。 (8)
7.根据权利要求1所述的基于改进层次聚类的变压器故障诊断方法,其特征在于,通过改进的凝聚层次聚类算法对变压器的振动信号特征值进行层次分类,具体包括步骤:
凝聚层次聚类将每个变压器振动信号特征值作为对象,定义为类对象,然后这些类根据最短距离准则逐步合并,直到所有对象最终合并形成一个类。
8.根据权利要求7所述的基于改进层次聚类的变压器故障诊断方法,其特征在于,对凝聚层次聚类算法进行改进,具体包括:
B1:计算任意两个对象之间的距离d(i,j),并存储在一维数组d中;
B2:对一维数组d按从小到大的次序进行排序;
B3:对d中的当前元素,首先判定这两个对象是否已合并成一类,若没有,则将这两个对象合成一个类;若其中一个已被合并到某一类,则将另一个也合并到那个类中;若两个对象已分别被合并到两个不同的类,则将两个对象所在的那两个类合并成一个类;
B4:取d中的下一个元素,重复B3,直到数组d中所有的元素处理完毕。
9.根据权利要求1所述的基于改进层次聚类的变压器故障诊断方法,其特征在于,所述方法具体包括:
S100:建立变压器振动信号采集***,基于建立的***对变压器每相绕组对应的箱壁中部、底部以及箱壁侧面位置进行采样数据,以获取不同状态下变压器振动信号;
S200:通过希尔伯特-黄变换中集合经验模式分解方法提取变压器振动信号的特征向量;
S300:基于提取的变压器振动信号的特征向量,计算任意两个特征值对象之间的距离d(i,j);
S400:将计算获得的d(i,j)存储在一维数组d中,并对一维数组d按升幂的次序进行排序;
S500:对d中的当前元素,首先判定这两个对象是否已合并成一类,若没有,则将这两个对象合成一个类;若其中一个对象已被合并到某一类,则将另一个对象也合并到该类中;若两个对象已分别被合并到两个不同的类,则将两个对象所在的那两个类合并成一个类;
S600:取d中的下一个元素,重复S500,直到数组d中所有的元素处理完毕;
S700:层次分类完成,确定测试变压器所处的状态。
10.根据权利要求1所述的基于改进层次聚类的变压器故障诊断方法,其特征在于,提取到变压器的4种状态特征向量,分别为:变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710152951.4A CN106932184A (zh) | 2017-03-15 | 2017-03-15 | 一种基于改进层次聚类的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710152951.4A CN106932184A (zh) | 2017-03-15 | 2017-03-15 | 一种基于改进层次聚类的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106932184A true CN106932184A (zh) | 2017-07-07 |
Family
ID=59433144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710152951.4A Pending CN106932184A (zh) | 2017-03-15 | 2017-03-15 | 一种基于改进层次聚类的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106932184A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596207A (zh) * | 2018-03-21 | 2018-09-28 | 上海海事大学 | 一种基于层次聚类的岸桥电机数据处理方法 |
CN108919041A (zh) * | 2018-05-15 | 2018-11-30 | 贵州电网有限责任公司 | 一种基于聚类分析的变压器绕组状态在线监测方法 |
CN110220727A (zh) * | 2018-03-02 | 2019-09-10 | 华为技术有限公司 | 一种电机类设备的异常检测方法及装置 |
CN110363141A (zh) * | 2019-07-15 | 2019-10-22 | 郑州大学 | 用于诊断燃气调压器故障的方法 |
CN110632477A (zh) * | 2019-11-02 | 2019-12-31 | 广东石油化工学院 | 一种利用Hilbert空间因子的变压器运行状态振声检测方法和*** |
CN110794209A (zh) * | 2019-11-14 | 2020-02-14 | 云南电网有限责任公司电力科学研究院 | 绕组变形频响数据误差识别校准的方法、装置及存储介质 |
CN111624522A (zh) * | 2020-05-29 | 2020-09-04 | 上海海事大学 | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 |
CN113256096A (zh) * | 2021-05-18 | 2021-08-13 | 西华大学 | 一种计及虚假数据注入攻击的电网故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808581A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 一种数据聚类的方法、装置及Spark大数据平台 |
CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
CN106484818A (zh) * | 2016-09-26 | 2017-03-08 | 华南理工大学 | 一种基于Hadoop和HBase的层次聚类方法 |
-
2017
- 2017-03-15 CN CN201710152951.4A patent/CN106932184A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808581A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 一种数据聚类的方法、装置及Spark大数据平台 |
CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
CN106484818A (zh) * | 2016-09-26 | 2017-03-08 | 华南理工大学 | 一种基于Hadoop和HBase的层次聚类方法 |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
Non-Patent Citations (1)
Title |
---|
段明秀等: "对层次聚类算法的改进", 《湖南理工学院学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110220727A (zh) * | 2018-03-02 | 2019-09-10 | 华为技术有限公司 | 一种电机类设备的异常检测方法及装置 |
CN110220727B (zh) * | 2018-03-02 | 2021-01-29 | 华为技术有限公司 | 一种电机类设备的异常检测方法及装置 |
CN108596207A (zh) * | 2018-03-21 | 2018-09-28 | 上海海事大学 | 一种基于层次聚类的岸桥电机数据处理方法 |
CN108919041A (zh) * | 2018-05-15 | 2018-11-30 | 贵州电网有限责任公司 | 一种基于聚类分析的变压器绕组状态在线监测方法 |
CN108919041B (zh) * | 2018-05-15 | 2021-08-20 | 贵州电网有限责任公司 | 一种基于聚类分析的变压器绕组状态在线监测方法 |
CN110363141A (zh) * | 2019-07-15 | 2019-10-22 | 郑州大学 | 用于诊断燃气调压器故障的方法 |
CN110632477A (zh) * | 2019-11-02 | 2019-12-31 | 广东石油化工学院 | 一种利用Hilbert空间因子的变压器运行状态振声检测方法和*** |
CN110794209A (zh) * | 2019-11-14 | 2020-02-14 | 云南电网有限责任公司电力科学研究院 | 绕组变形频响数据误差识别校准的方法、装置及存储介质 |
CN111624522A (zh) * | 2020-05-29 | 2020-09-04 | 上海海事大学 | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 |
CN113256096A (zh) * | 2021-05-18 | 2021-08-13 | 西华大学 | 一种计及虚假数据注入攻击的电网故障诊断方法 |
CN113256096B (zh) * | 2021-05-18 | 2022-07-12 | 西华大学 | 一种计及虚假数据注入攻击的电网故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106932184A (zh) | 一种基于改进层次聚类的变压器故障诊断方法 | |
CN103439110B (zh) | 滚动轴承早期微弱故障诊断方法 | |
CN103398769B (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
CN102721465B (zh) | 电力变压器铁芯松动故障诊断与故障初步定位***及方法 | |
CN103267932B (zh) | 一种gis局部放电检测***及方法 | |
CN104748838B (zh) | 基于有限元分析的变压器绕组松动判断***和方法 | |
CN106443316A (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
CN206114822U (zh) | 一种电力变压器绕组形变状态多信息检测装置 | |
CN107560851A (zh) | 滚动轴承微弱故障特征早期提取方法 | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
CN107290041B (zh) | 一种基于相空间重构和kpcm聚类的变压器绕组松动状态监测方法 | |
CN106441547A (zh) | 一种变压器振动监测方法及装置 | |
CN103018629A (zh) | 一种基于马拉算法的电力***故障录波数据分析方法 | |
CN108398252A (zh) | 基于itd与svm的oltc机械故障诊断方法 | |
CN110991481A (zh) | 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法 | |
Tian et al. | A review of fault diagnosis for traction induction motor | |
Guezam et al. | Fault diagnosis of induction motors rotor using current signature with different signal processing techniques | |
Saidi et al. | Stator current bi-spectrum patterns for induction machines multiple-faults detection | |
CN108680860A (zh) | 一种eps电机故障检测方法 | |
CN107328467A (zh) | 一种基于递归定量分析的变压器绕组压紧力变化检测方法 | |
CN112881006B (zh) | 一种齿轮故障诊断方法 | |
Shuyou et al. | Extracting power transformer vibration features by a time-scale-frequency analysis method | |
CN109782168A (zh) | 基于小波包支持向量机的感应电机转子断条故障诊断方法 | |
Lei et al. | A Combination of WK NN to Fault Diagnosis of Rolling Element Bearings | |
Mishra et al. | Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170707 |