CN109033612A - 一种基于振动噪声及bp神经网络的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于振动噪声及BP神经网络的变压器故障诊断方法，涉及变压器故障处理技术领域，包括以下步骤：S1、通过噪声源识别模块采集变压器各个区域的振动噪声声压信号，并依据所述振动噪声声压信号得到最大噪声源所在的区域；S2、通过振动信号测量模块对所述最大噪声源所在的区域，采集振动信号；S3、采用BP神经网络算法对所述振动信号进行变压器故障诊断。本发明通过S1和S2对变压器噪声声压信号的采集，再通过BP神经网络算法对所述振动信号进行变压器故障诊断的结合，大大的提高了故障诊断的精度，从而解决了通过变压器状态信息的振动信号对变压器故障诊断困难的缺点。

Description

一种基于振动噪声及BP神经网络的变压器故障诊断方法

技术领域

本发明属于变压器故障处理技术领域，尤其涉及一种基于振动噪声及BP神经网络的变压器故障诊断方法。

背景技术

电力变压器是电力***中最重要的设备之一，一旦变压器发生故障，将会对电网造成巨大的影响。因此，对变压器的维修、检测工作非常重要。然而，变压器结构复杂，维修工作量大，难度较高。并且经常性的拆装变压器，也容易损坏元器件，降低变压器运行的可靠性。带电检故障诊断术对于变压器故障诊断显得尤为迫切。在变压器故障诊断的方法中，振动法是近年来发展较为迅速且具有良好用前景的可靠变压器故障诊断技术。振动法通过分析变压器的邮箱振动信号来进行故障诊断。变压器振动信号包含变压器的故障信息，但是由于变压器体积庞大，获取全面的变压器状态信息的振动信号是一大难点。因此，电网急需一种更为有效的方法来对变压器进行故障诊断。

发明内容

本发明的目的在于提供一种，从而解决了现有通过变压器状态信息的振动信号对变压器故障诊断困难的缺点。

为实现上述目的，本发明提供了一种基于振动噪声及BP神经网络的变压器故障诊断方法，包括以下步骤：

S1、通过噪声源识别模块，采集变压器各个区域的振动噪声声压信号，并依据所述振动噪声声压信号得到最大噪声源所在的区域；

S2、通过振动信号测量模块对所述最大噪声源所在的区域，采集振动信号；

S3、采用BP神经网络算法对所述振动信号进行变压器故障诊断。

进一步的，所述S1包括：

S10、将所述振动噪声声压信号进行傅里叶变化，得到声压级最大频段；

S11、将所述声压级最大频段对应的振动噪声声压信号进行波束形成算法计算，得到变压器箱体表面各声源区域的振动噪声声压的最大噪声源所处的位置；

S12、依据所述最大噪声源所处的位置确定最大噪声源所处的区域。

进一步的，所述振动信号测量模块采用加速度传感器阵列对所述振动信号进行采集。

进一步的，所述S3包括：

S30、依据所述振动信号得到多组振动信号的训练样本数据和各组训练样本数据对应的变压器故障类型；

S31、将各组所述训练样本数据进行FFT处理得到振动信号的特征量，所述特征量作为BP神经网络输入层的神经元，所述特征量的数量为输入层神经元数量为m；

S32、将各组所述特征量进行归一化处理，得到各组特征量的归一化数据；

S33、对所述变压器故障类型进行编码，得到所述变压器故障类型的数量，所述变压器故障类型为BP神经网络输出层的神经元，所述变压器故障类型的数量为输出层神经元数量n；

S34、通过所述输入层神经元数量为m和输出层神经元数量n得到BP神经网络隐含层神经元数量h；

S35、依据所述输入层神经元数量为m、输出层神经元数量n及BP神经网络隐含层神经元数量h构建初始BP神经网络；

S36、依据各组所述特征量和与各组所述特征量对应的变压器故障类型，对所述BP神经网络进行训练，得到训练后的BP神经网络；

S37、提取待诊断的变压器振动信号的特征量，采用训练后得到的BP神经网络进行诊断，得到其故障类型。

进一步的，所述振动信号的特征量包括：基频比重、基本振幅、主频比重、主频振幅及振动熵。

进一步的，所述变压器故障类型包括：无故障、铁芯故障和绕组故障。

进一步的，所述S34包括：

S3400、采用下式计算隐含层神经元数量：

式(6)中，h为隐含层神经元数量，a为1-10之间的调节常数，m为输入层神经元数量，n为输出层神经元数量；

S3401、从h_min开始，逐个增加神经元个数直至h_max，将[h_min,h_max]分别进行训练验证；

S3402、选取训练验证结果中最优验证结果所对应的神经元个数，所述神经元个数为BP神经网络隐含层神经元数量h。

进一步的，所述S36中的BP神经网络训练包括以下步骤：

S3600、将步骤S31得到各组训练样本数据的特征量输入所述BP神经网络，得到输出结果和输出结果的误差；

S3601、判断所述误差否小于预设定的阈值，若所述误差小于预设定的阈值，则进入步骤S3602；若所述误差大于预设定的阈值，则进入步骤S3603；

S3602、所述初始BP神经网络采用梯度下降法进行反向传递，沿着相对误差平方和的最速下降方向，连续调整网络的权值和阈值，再经过输出层、隐含层和输入层进行反向计算，输出各层的结果，返回步骤S35；

S3603、采用所述输出结果构建训练后的BP神经网络。

与现有的技术相比，本发明具有如下有益效果：

1、本发明所提供的一种基于振动噪声及BP神经网络的变压器故障诊断方法，通过噪声源识别模块得到变压器最大噪声源所在的区域，通过振动信号测量模块采集信号，最后通过BP神经网络故障诊断模块采用BP神经网络算法对所述振动信号进行变压器故障诊断。通过BP神经网络故障诊断模块中采用多种特征量，通过多方面的数据进行BP神经网络计算，从而解决了通过变压器状态信息的振动信号对变压器故障诊断困难的缺点；通过噪声源识别模块、振动信号测量模块和BP神经网络故障诊断模块的结合，大大的提高了故障诊断的精度。

2、本发明所提供的振动信号测量模块采用加速度传感器阵列对最大噪声源所在的区域采集振动信号，将加速度传感器阵列布置在最大噪声源所在的离振动噪声源最近的变压器外壳处，能够采集到信息最丰富的振动信号，为故障诊断提供数据基础。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，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他的附图。

图1是本发明一种基于振动噪声及BP神经网络的变压器故障诊断方法的流程图。

具体实施方式

下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明所提供的基于振动噪声及BP神经网络的变压器故障诊断方法包括以下步骤：

S1、通过噪声源识别模块采用传声器阵列，采集变压器各个区域的振动噪声声压信号P_n，并依据振动噪声声压信号得到最大噪声源所在的区域。采用噪声源识别模块能够通过图像的形式直观地呈现振动噪声源的位置及强度。S1包括以下步骤：

S10、将振动噪声声压信号P_n进行傅里叶变化，获得声压级最大频段f_max；

S11、将声压级最大频段f_max对应的振动噪声声压信号进行波束形成算法计算，得到变压器箱体表面各声源区域的振动噪声声压的最大噪声源所处的位置；

波束形成算法的计算公式为：

式(1)中，B(t,θ)为声压级最大频段f_max对应的振动噪声声压信号的位置，P_n为声压级最大频段f_max对应的振动噪声声压信号；θ为声源聚焦方向；k_n为声压级最大频段f_max对应的振动噪声声压信号的权重向量，这里取k_n＝1；n＝1,2......N，N为传声器个数，τ为补偿时延，τ＝l_nsinθ/c₀，l_n是序号为n的传声器与参考传声器之间的距离，c₀为声波在传播介质中的传播速度，t为测量的时间；

S12、依据最大噪声源所处的位置确定最大噪声源所处的区域W。

S2、通过振动信号测量模块采用加速度传感器阵列，对最大噪声源所在的区域W采集振动信号P，将加速度传感器阵列布置在最大噪声源所在的离振动噪声源最近的变压器外壳处，能够采集到信息最丰富的振动信号。

S3、采用BP神经网络算法对振动信号进行变压器故障诊断；其包括以下步骤：

S30、依据振动信号得到多组振动信号的训练样本数据和各组训练样本数据对应的变压器故障类型。

S31、将各组训练样本数据进行FFT处理得到振动信号的特征量，将所得的特征量作为BP神经网络输入层的神经元，特征量的数量为输入层神经元数量为m；特征量包括基频比重、基本振幅、主频比重、主频振幅及振动熵，即BP神经网络输入层神经元数量m＝5时，特征量的计算公式如下：

基频幅值：振动信号的基频f是电流信号基频的2倍，所以振动信号的基频f为100Hz，经FFT处理后，得到基频幅值A₁₀₀；

基频比重：

式(2)中，P₁₀₀为振动信号的基频f为100Hz的基频比重，f为振动信号的基频，f_max为振动信号的基频的最大值，A_f为振动频谱中频率f处所对应的振幅；

主频幅值：选取振动信号的基频f的整数倍，基频f为100Hz，选取的幅值如：200Hz、300Hz、400Hz......f_maxHz，选取幅值最大的为主频幅值A_main，即A_main＝max{A₂₀₀,A₃₀₀,A₄₀₀......A_max}；

主频比重：

式(3)中，P_main为振动信号的基频f为100的主频比重；

振动熵：

式(4)中，P_f为振动信号的基频为f的比重，TVE为振动信号的基频为f的振动熵。

其中，实施例1，通过噪声源识别模块和振动信号测量模块对变压器的铁芯和绕组处于故障和正常时两种状态时进行检测，得到铁芯故障及正常时的振动信号和绕组故障及正常时的振动信号，通过骤S31对铁芯故障及正常时的振动信号和绕组故障及正常时的振动信号计算，得到的绕组故障样本特征量和铁芯故障样本特征量，如表1和表2所示。

表1：绕组故障样本特征量

	基频振幅	基频比重	主频幅值	主频比重	振动熵
						正常	0.159	3％	0.698	64％	1.6091
故障	0.299	7％	0.957	75％	1.3177

表2：铁芯故障样本特征量

	基频振幅	基频比重	主频幅值	主频比重	振动熵
						正常	0.60	3％	1.4322	57％	2.0457
故障	0.7895	3.1％	2.1659	75％	1.3537

S32、将各组特征量进行归一化处理，得到各组特征量的归一化数据；归一化处理的公式为：

式(5)中，x_i是归一化后的数据，是样本特征量，和分别是样本特征量的最小数据和最大数据。

S33、对变压器故障类型进行编码，得到变压器故障类型的数量；变压器故障类型为BP神经网络输出层的神经元，输出层神经元数量n。变压器故障类型包括：无故障y_k1、铁芯故障y_k2及绕组故障y_k3，则BP神经元网络输出层神经元数量n＝3。对变压器故障类型进行编码的方式为：当变压器处于第i种状态时，y_ki＝1,y_kj＝0(j≠i)，网络输出为Y_k＝[y_k1,y_k2,y_k3]。为了使BP神经网络具有更好的泛化能力，实际运算时网络训练样本输出y_ki＝0.9,y_kj＝0.1(j≠i)；

其中，将实施例1得到的表1和表2的样本特征量依次输入BP神经网络，分别得到绕组样本的BP神经网络输出故障编码和铁芯故障样本的BP神经网络输出故障编码，如表4和表5所示。

表4：绕组样本的BP神经网络输出故障编码

表5：铁芯故障样本的BP神经网络输出故障编码

S34、通过输入层神经元数量为m和输出层神经元数量n得到BP神经网络隐含层神经元数量h，其包括以下步骤：

S3400、采用下式计算隐含层神经元数量：

式(6)中，h为隐含层神经元数量，a为1-10之间的调节常数，m为输入层神经元数量，n为输出层神经元数量；

S3401、从h_min开始，逐个增加神经元个数直至h_max，将[h_min,h_max]分别进行训练验证；

S3402、选取训练验证结果中最优验证结果所对应的神经元个数，所得神经元个数为BP神经网络隐含层神经元数量h；其中，最优验证结果的计算如下，例如：

1.首先需要对样本库(已知变压器故障类型)进行训练；

2.样本库中的每一个样本都有一个已知的、固定的故障类型编码，即标准库；

3.BP神经网络的重要参数h，范围为[h_min,h_max]，训练过程就是将h带进去计算，即步骤S3401；

4.将h1带进去步骤S3401迭代，样本库经BP神经网络计算得到每个样本对应的编码，即输出库1，输出库1与标准库之间会有一个偏差E1；同理，h2带进去迭代时，会得到输出库2，输出库2与标准库的偏差为E2；以此类推，每个h对应得到一个偏差E，选取最小偏差E，最小偏差E对应的h就是最优验证结果。

实施例2，振动信号测量模块采用加速度传感器测量得到100组变压器原始振动信号，其中30组为铁芯故障振动信号，30组绕组故障振动信号，40组为无故障振动信号。通过基于振动噪声及BP神经网络的变压器故障诊断方法，得到BP神经网络的架构为5-8-3，即输入层有5个神经元，输出层有3个神经元，隐含层有8个神经元。

S35、依据输入层神经元数量为m、输出层神经元数量n、BP神经网络隐含层神经元数量h、输入层神经元i到隐含层神经元j之间的权值ω_ij及隐含层神经元j到输出层神经元k之间的权值ω_jk构建初始BP神经网络；

其中，BP神经网络的激活函数采用S型函数f(x)：

隐含层神经元j的输出为s_j：

式(8)中，ω_ij为输入层神经元i到隐含层神经元j之间的权值，θ₁，θ₂为偏置量，x_i为输出层的第i个输入量；

输出层神经元k的输出为y_k：

式(9)中，ω_jk为隐含层神经元j到输出层神经元k之间的权值，θ₁，θ₂为偏置量。

S36、依据各组所述特征量和与各组所述特征量对应的变压器故障类型，对所述BP神经网络进行训练，得到训练后的BP神经网络，BP神经网络训练包括以下步骤：

S3600、将步骤S31得到各组训练样本数据的特征量输入初始BP神经网络，得到输出结果，通过输出结果得到输出结果的误差；总误差E的计算公式为：

式(10)中，d_ij为第i个样本第j个编码的输出值，y_ij为第i个样本第j个编码的期望值；

S3601、判断误差否小于预设定的阈值，若误差小于预设定的阈值，则进入步骤S3602；若误差大于预设定的阈值，则进入步骤S3603；

S3602、初始BP神经网络采用梯度下降法进行反向传递，沿着相对误差平方和的最速下降方向，连续调整网络的权值和阈值，再经过输出层、隐含层和输入层进行反向计算，输出各层的结果，返回步骤S35；

S3603、采用输出结果构建训练后的BP神经网络。

S37、提取待诊断的变压器振动信号的特征量，采用训练后得到的BP神经网络进行诊断，得到其故障类型。

以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于振动噪声及BP神经网络的变压器故障诊断方法，其特征在于：包括以下步骤：

S1、通过噪声源识别模块，采集变压器各个区域的振动噪声声压信号，并依据所述振动噪声声压信号得到最大噪声源所在的区域；

S2、通过振动信号测量模块对所述最大噪声源所在的区域，采集振动信号；

S3、采用BP神经网络算法对所述振动信号进行变压器故障诊断。

2.根据权利要求1所述的变压器故障诊断方法，其特征在于：所述S1包括：

S10、将所述振动噪声声压信号进行傅里叶变化，得到声压级最大频段；

S11、将所述声压级最大频段对应的振动噪声声压信号进行波束形成算法计算，得到变压器箱体表面各声源区域的振动噪声声压的最大噪声源所处的位置；

S12、依据所述最大噪声源所处的位置确定最大噪声源所处的区域。

3.根据权利要求1所述的变压器故障诊断方法，其特征在于：所述振动信号测量模块采用加速度传感器阵列对所述振动信号进行采集。

4.根据权利要求1所述的变压器故障诊断方法，其特征在于：所述S3包括：

S30、依据所述振动信号得到多组振动信号的训练样本数据和各组训练样本数据对应的变压器故障类型；

S31、将各组所述训练样本数据进行FFT处理得到振动信号的特征量，所述特征量作为BP神经网络输入层的神经元，所述特征量的数量为输入层神经元数量为m；

S32、将各组所述特征量进行归一化处理，得到各组特征量的归一化数据；

S33、对所述变压器故障类型进行编码，得到所述变压器故障类型的数量，所述变压器故障类型为BP神经网络输出层的神经元，所述变压器故障类型的数量为输出层神经元数量n；

S34、通过所述输入层神经元数量为m和输出层神经元数量n得到BP神经网络隐含层神经元数量h；

S35、依据所述输入层神经元数量为m、输出层神经元数量n及BP神经网络隐含层神经元数量h构建初始BP神经网络；

S36、依据各组所述特征量和与各组所述特征量对应的变压器故障类型，对所述BP神经网络进行训练，得到训练后的BP神经网络；

S37、提取待诊断的变压器振动信号的特征量，采用训练后得到的BP神经网络进行诊断，得到其故障类型。

5.根据权利要求4所述的变压器故障诊断方法，其特征在于：所述振动信号的特征量包括：基频比重、基本振幅、主频比重、主频振幅及振动熵。

6.根据权利要求4所述的变压器故障诊断方法，其特征在于：所述变压器故障类型包括：无故障、铁芯故障和绕组故障。

7.根据权利要求4所述的变压器故障诊断方法，其特征在于：所述S34包括：

S3400、采用下式计算隐含层神经元数量：

式(6)中，h为隐含层神经元数量，a为1-10之间的调节常数，m为输入层神经元数量，n为输出层神经元数量；

S3401、从h_min开始，逐个增加神经元个数直至h_max，将[h_min,h_max]分别进行训练验证；

S3402、选取训练验证结果中最优验证结果所对应的神经元个数，所述神经元个数为BP神经网络隐含层神经元数量h。

8.根据权利要求4所述的变压器故障诊断方法，其特征在于：所述S36中的BP神经网络训练包括以下步骤：

S3600、将步骤S31得到各组训练样本数据的特征量输入所述BP神经网络，得到输出结果和输出结果的误差；

S3601、判断所述误差否小于预设定的阈值，若所述误差小于预设定的阈值，则进入步骤S3602；若所述误差大于预设定的阈值，则进入步骤S3603；

S3602、所述初始BP神经网络采用梯度下降法进行反向传递，沿着相对误差平方和的最速下降方向，连续调整网络的权值和阈值，再经过输出层、隐含层和输入层进行反向计算，输出各层的结果，返回步骤S35；

S3603、采用所述输出结果构建训练后的BP神经网络。