CN109813417A - 一种基于改进emd的并联电抗器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于改进EMD的并联电抗器故障诊断方法，步骤1：利用振动传感器采集并联电抗器正常状态和故障状态下油箱表面的信号；步骤2：通过改进经验模态分解算法对电抗器不同状态下振动信号进行处理；步骤3：分别得到正常状态、故障状态下的特征量；步骤4：通过对未知状态下振动信号区间最大功率特征矩阵，与正常状态、故障状态下的特征量所构成的区间最大功率特征矩阵进行匹配，断判出并联电抗器所处状态。本发明有效的抑制经验模态分解(EMD)过程中出现的模态混叠现象，检测成本低，实验方法简单，易于工程实现。

Description

一种基于改进EMD的并联电抗器故障诊断方法

技术领域

本发明涉及一种基于改进EMD的并联电抗器故障诊断方法，属于电力设备安全监测技术领域。

背景技术

目前，随着中国经济的发展，电力需求容量不断的提升，电能质量问题备受关注。为增强电力***中的无功补偿与无功平衡，抑制***过电压，提高电能质量和供电可靠性，并联电抗器得到了广泛的使用。1000kV特高压输变电工程输送容量大、距离远，线路侧均配置1000kV并联电抗器来补偿远距离输电线路容抗。截止2015年底，国家电网公司***220kV至1000kV高压并联电抗器在运量为1703台，其中，江苏电网运行中的1000kV并联电抗器共21台,年平均增长率为11.1％，投运1000kV特高压及750kV超高压输变电工程中，均发生过多起高压并联电抗器绝缘缺陷。因此，保障并联电抗器安全可靠的运行是保持电力***稳定的关键。

经验模态分解(EMD)是一种基于信号特征时间尺度的时域分解方法，它的特点是能够将非平稳信号按多尺度标准逐次分离，得到一系列具有不同特征时间尺度的固有模态函数(IMF)，能够很好地体现非平稳信号的局部特性，已应用于信号检测、桥梁故障监测、医学信号监测等众多工程领域。但由于EMD方法应用中存在模态混叠等问题，阻碍了EMD方法的推广。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于改进EMD的并联电抗器故障诊断方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：一种基于改进EMD的并联电抗器故障诊断方法，包括如下步骤：

步骤1：设定采样频率和采样时间，利用振动传感器采集并联电抗器正常状态和故障状态下油箱表面的信号；

步骤2：通过改进经验模态分解算法对电抗器不同状态下振动信号进行处理；

步骤3：将步骤2中不同状态下振动信号分解的IMF分量功率谱最大幅值对应频率区间的功率谱积分值与所有通道的IMF分量的分量谱积分值的比值作为特征量；分别得到正常状态、故障状态下的特征量；

步骤4：通过对未知状态下振动信号进行步骤2-3的处理，得到特征量并构成区间最大功率特征矩阵，再与正常状态、故障状态下的特征量所构成的区间最大功率特征矩阵进行匹配，断判出并联电抗器所处状态。

作为优选方案，所述步骤1中的采样频率不少于16kHz，采样时间不少于0.5s；振动传感器通过粘接或者利用磁铁吸附在并联电抗器油箱表面。

作为优选方案，所述步骤2通过掩膜信号法优化经验模态分解算法中的模态混叠现象，具体步骤如下：

2.1：设x(t)为被分析振动信号，创建一个掩膜信号s(t)，分别与振动信号进行运算：

2.2：对x₊(t)和x_-(t)分别进行EMD分解，得到固有模态函数h₊(t)和h_-(t)。

2.3：x(t)的第一个固有模态函数(IMF)为：

2.4：不断重复上面步骤可得到各阶的IMF分量和余量即：

x(t)＝∑c_i(t)+r(t) (3)

式中c_i(t)为各阶IMF，r(t)为余量。

2.5：对于信号u(t)进行Hilbert变换，得到v(t)，即：

式中u(τ)原始信号，v(t)为原始信号进行Hilbert变换得到的信号，π为周围率、τ为积分变量、t为采样时间。

构造解析信号：

z_i(t)＝u(t)+jv(t)＝a_i(t)e^φi(t) (5)

求出幅值函数:

相位函数：

2.6：用瞬时频率和振幅来代替功率谱描述信号的频率，从而得到Hilbert谱h(w,t)为：

其中，RP表示求实部，a_i(t)幅值函数，w_i(t)为信号u(t)的相角；而Hilbert边际谱H(w)：

其中，Z为信号的总长度，h(w,t)为Hilbert谱，反映信号的幅值随时间和频率的变化规律，而H(w)则反映信号在整个数据序列上幅值随频率变化的情况。

2.7：对振动信号进行经验模态分解后，振动信号被分解成若干个简谐振动振动信号IMF和余量；IMF是按照频率从高到低逐次得到的，而且每个IMF都有明确的物理意义的。信号中不存在噪音等异常事件时，经过EMD分解后，IMF中不会存在模态混叠现象，信号分解遵守能量守恒定律。如果信号中出现模态混叠现象说明分解过程中不遵守能量守恒定律，说明IMF₁的能量泄露存在于IMF_m中，所以定义改进的掩膜信号频率为：

式中，a₁为IMF₁的Hilbert包络幅值，f₁(i)为Hilbert瞬频估计法计算出的IMF₁的瞬时频率；a_m为IMF_m的Hilbert包络幅值，f_m(i)为Hilbert瞬频估计法计算出的IMF_m的瞬时频率，f^*代表的IMF₁和IMF_m在k个采样点上的平均瞬时频率；于是得到所构建的改进的掩膜信号S(t)，即

S(t)＝A₀sin(2πf^*f·t) (11)

A₀在IMF1平均幅值的1～2倍之间选取，根据经验原则通常认为1.6倍为最优值，f为信号的采样频率，f*为上述所求的IMF₁和IMF_m在k个采样点上的所求得平均瞬时频率，t为采样时间。

作为优选方案，将步骤2中分解的IMF分量功率谱最大幅值对应频率区间的功率谱积分值与所有通道的IMF分量的分量谱积分值的比值作为特征量IMFP；如公式(12)所示：

式中k为采集信号的通道数，i为信号分解的得到IMF的层数，f_max为功率谱最大幅值对应的频率，P(f)为功率谱密度，a,b值为积分区间。

作为优选方案，所述区间最大功率特征矩阵为计算所有通道的IMPF的值之和。

有益效果：本发明提供的一种基于改进EMD的并联电抗器故障诊断方法，通过在采集到的原始信号中加入掩膜信号，有效的抑制经验模态分解(EMD)过程中出现的模态混叠现象。然后根据分解得到的固有模态函数(IMF)求得区间最大功率特征矩阵，在此基础上对并联电抗器绕组压力状态进行监测。计算结果显示随着绕组压紧状态的改变，区间最大功率特征矩阵有明显的差异。

附图说明

图1为本发明方法的流程示意图。

图2为传统EMD分解后的IMF₁，IMF₂。

图3为基于改进EMD算法分解后的IMF₁，IMF₂。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于改进EMD的并联电抗器故障诊断方法，包括如下步骤：

步骤1：安装好相应的测量装置，包括振动传感器，数据采集仪和微处理器等；

步骤2：***初始化，同时启动采样电抗器振动信号；

首先对电抗器正常状态下振动信号进行分析，如图2-3所示，传统EMD分解后的IMF₁，IMF₂和基于改进EMD算法分解后的IMF₁，IMF₂。

采集的振动信号均表现为非平稳性与强时变性的特征，而本文所提出的改进掩膜信号法有效的抑制经验模态分解过程中的出现的模式混叠现象。对比优化前后得到的固有模特函数IMF，计算IMF所对应的边际谱，如图2与3所示。可以明显看出加入掩膜信号后抑制了传统EMD算法的模态混叠现象。

通过公式(12)来计算每个采集点的各个IMF的IMPF值，所计算得到的区间最大功率特征矩阵即为正常状态下的振动特征，如表1所示。

表1正常状态下最大功率特征矩阵

为了较明显的比较电抗器在不同运行状态下求得的区间最大功率特征矩阵的差异，根据cosine相识度公式T来计算不同工况下区间最大功率特征矩阵差异。

式中，x_i和y_i(1≤i≤n)为不同区间最大功率特征矩阵的各个元素。而且0≤T≤1，T值越小说明两区间最大功率特征矩阵越不相似，T值越大越相似。

表2是电抗器正常状态下采集的8组振动信号，然后计算出振动信号的区间最大功率特征矩阵进行比较的结果。

表2正常切换时振动信号区间最大功率特征矩阵相识度

由表2可知随机选取的8数据的区间最大功率特征矩阵相识度T都≥0.9，说明这8组数据区间最大功率特征矩阵相似度非常高。

表3为电抗器绝缘老化状态下的最大功率特征矩阵数据，表4是电抗器在正常工况下和绝缘老化状态下对应的区间最大功率特征矩阵的相识度比较结果。

表3电抗器绝缘老化区间最大功率特征矩阵

表4正常状态与绝缘老化状态最大功率特征矩相识度

由表4可知随机选取的8数据的区间最大功率特征矩阵相识度T都小于0.5，说明这8组数据区间最大功率特征矩阵相似度低。

因此，由故障前后信号分解得到IMF求得不同的区间最大功率特征矩阵，通过研究最大功率特征矩阵间的相识度T可以进行故障诊断。当T取值大于0.9时，电抗器为正常状态；T取值小于0.5时，电抗器为故障状态；T取值介于0.5到0.9之间时，本方法无法做出有效判别。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于改进EMD的并联电抗器故障诊断方法，其特征在于：包括如下步骤：

步骤1：设定采样频率和采样时间，利用振动传感器采集并联电抗器正常状态和故障状态下油箱表面的信号；

步骤2：通过改进经验模态分解算法对电抗器不同状态下振动信号进行处理；

步骤3：将步骤2中不同状态下振动信号分解的IMF分量功率谱最大幅值对应频率区间的功率谱积分值与所有通道的IMF分量的分量谱积分值的比值作为特征量；分别得到正常状态、故障状态下的特征量；

步骤4：通过对未知状态下振动信号进行步骤2-3的处理，得到特征量并构成区间最大功率特征矩阵，再与正常状态、故障状态下的特征量所构成的区间最大功率特征矩阵进行匹配，断判出并联电抗器所处状态。

2.根据权利要求1所述的一种基于改进EMD的并联电抗器故障诊断方法，其特征在于：所述步骤1中的采样频率不少于16kHz，采样时间不少于0.5s。

3.根据权利要求1所述的一种基于改进EMD的并联电抗器故障诊断方法，其特征在于：所述振动传感器通过粘接或者利用磁铁吸附在并联电抗器油箱表面。

4.根据权利要求1所述的一种基于改进EMD的并联电抗器故障诊断方法，其特征在于：所述步骤2通过掩膜信号法优化经验模态分解算法中的模态混叠现象，具体步骤如下：

2.1：设x(t)为被分析振动信号，创建一个掩膜信号s(t)，分别与振动信号进行运算：

2.2：对x₊(t)和x_-(t)分别进行EMD分解，得到固有模态函数h₊(t)和h_-(t)；

2.3：x(t)的第一个固有模态函数(IMF)为：

2.4：不断重复上面步骤可得到各阶的IMF分量和余量即：

x(t)＝∑c_i(t)+r(t) (3)

式中c_i(t)为各阶IMF，r(t)为余量；

2.5：对于信号u(t)进行Hilbert变换，得到v(t)，即：

式中u(τ)原始信号，v(t)为原始信号进行Hilbert变换得到的信号，π为周围率、τ为积分变量、t为采样时间；

构造解析信号：

z_i(t)＝u(t)+jv(t)＝a_i(t)e^φi(t) (5)

求出幅值函数:

相位函数：

2.6：用瞬时频率和振幅来代替功率谱描述信号的频率，从而得到Hilbert谱h(w,t)为：

其中，RP表示求实部，a_i(t)幅值函数，w_i(t)为信号u(t)的相角；而Hilbert边际谱H(w)：

其中，Z为信号的总长度，h(w,t)为Hilbert谱；

2.7：对振动信号进行经验模态分解后，振动信号被分解成若干个简谐振动振动信号IMF和余量；定义改进的掩膜信号频率为：

式中，a₁为IMF₁的Hilbert包络幅值，f₁(i)为Hilbert瞬频估计法计算出的IMF₁的瞬时频率；a_m为IMF_m的Hilbert包络幅值，f_m(i)为Hilbert瞬频估计法计算出的IMF_m的瞬时频率，f^*代表的IMF₁和IMF_m在k个采样点上的平均瞬时频率；于是得到所构建的改进的掩膜信号S(t)，即

S(t)＝A₀sin(2πf^*f·t) (11)

A₀在IMF1平均幅值的1～2倍之间选取，f为信号的采样频率，f*为上述所求的IMF₁和IMF_m在k个采样点上的所求得平均瞬时频率，t为采样时间。

5.根据权利要求4所述的一种基于改进EMD的并联电抗器故障诊断方法，其特征在于：所述选取A₀在IMF1平均幅值1.6倍数值。

6.根据权利要求1所述的一种基于改进EMD的并联电抗器故障诊断方法，其特征在于：将步骤2中分解的IMF分量功率谱最大幅值对应频率区间的功率谱积分值与所有通道的IMF分量的分量谱积分值的比值作为特征量IMFP；如公式(12)所示：

式中k为采集信号的通道数，i为信号分解的得到IMF的层数，f_max为功率谱最大幅值对应的频率，P(f)为功率谱密度，a,b值为积分区间。

7.根据权利要求1所述的一种基于改进EMD的并联电抗器故障诊断方法，其特征在于：所述区间最大功率特征矩阵为计算所有通道的IMPF的值之和。