CN110132565A - 一种基于小波包和神经网络结合的oltc故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于小波包和神经网络结合的OLTC故障诊断方法，包括步骤：(1)将振动检测探头贴敷在有载分接开关的箱壁顶端，分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号，且每个状态下分别采集多组振动信号；(2)利用小波包分解原理将OLTC振动信号分解到不同频段中；(3)计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量；(4)利用置信度和神经网络相结合的方法进行故障模式识别。该方法可实时监测变压器有载分接开关的工作状态，满足有载分接开关实时故障诊断的要求，为有目的的检修提供数据支撑和理论依据，避免浪费人力、物力和时间。

Description

一种基于小波包和神经网络结合的OLTC故障诊断方法

技术领域

本发明涉及一种电力设备故障诊断方法，具体涉及一种基于小波包和神经网络结合的OLTC故障诊断方法。

背景技术

有载分接开关(OLTC)是电力变压器的一个重要组成部分，其运行状况直接关系到变压器及***的稳定与安全。OLTC是变压器故障率最高部件之一，其故障不但直接影响变压器运行，而且影响电网质量与电网运行。根据沟内资料统计，由OLTC故障引起的事故约占变压器总事故的28％左右且故障类型基本为机械故障，例如触头松动、触头脱落、机构卡涩、滑档、拒动等。机械故障会直接损坏OLTC和变压器本身，进而引起其他更严重的电气故障，以致造成严重的后果。因此，对运行中的OLTC的机械性能进行监测，及早发现其故障隐患，对变压器及电力***的安全运行有着十分重大的意义。

目前，对有载分接开关机械故障的诊断方法主要是停电检修和在线监测。有载分接开关的停电检修往往周期较长，难以及时发现早期的机械故障，经常在停电检修前即发生故障损坏，并且停电检修影响变压器正常运行，需要耗费大量人力、物力和财力。在线监测方法主要有基于热噪声诊断法和基于振动的在线监测等，基于热噪声的诊断是由于变压器分接开关故障后发热产生的热噪声传播到变压器外面，通过在变压器外壳上安装噪声传感器检测来进行分接开关故障诊断，但热噪声传到传感器时，能量损耗太大再加上各种噪音大干扰工程运用很难实现。

发明内容

发明目的：为了克服现有技术的缺陷，本发明提供一种基于小波包和神经网络结合的OLTC故障诊断方法，通过该方法能及时发现有载分接开关运行过程中的潜伏性故障，提高有载分接开关可靠性。

技术方案：本发明所述的一种基于小波包和神经网络结合的OLTC故障诊断方法，包括以下步骤：

(1)将振动检测探头贴敷在有载分接开关的箱壁顶端，分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号，且每个状态下分别采集多组振动信号；

(2)利用小波包分解原理将OLTC振动信号分解到不同频段中；

(3)计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量；

(4)利用置信度和神经网络相结合的方法进行故障模式识别。

其中，所述步骤(2)中，将振动信号s(t)进行小波包分解，选择一个小波并确定一个小波分解的层次j，然后对振动信号进行j层小波包分解；具体的：

其中，k＝2^j-1为分解次数，j为分解层数j＝0,1,2,…；f_j,k(t_k)是在小波包分解到相应节点(j,k)上的重构信号。

所述步骤(3)中，根据信号的时间特性将分解后的振动信号分成N段,并对每一段时间内的信号计算其能量：

其中，A_i(t)为第i分段信号的幅值，i＝1,2,…,N；t_i-1-t_i为第i分段的起止时间点；

将信号的各个分段能量进行归一化处理，得到归一化值ε_j,k(i)：

根据信息熵的基本理论，定义信号小波包分解的第j层k节点的小波包能谱熵为：

式中，H_j,k为信号小波包分解的第j层k节点的小波包能谱熵。

作为优选，采用db10小波进行3层小波包变换，分解得到8个频段，分别提取这8个频段的小波包能谱熵，进而以这8个小波包能谱熵为元素，组成能谱熵向量T，T＝[H₃₀,H₃₁,H₃₂,H₃₃,H₃₄,H₃₅,H₃₆,H₃₇]；

其中，H₃₀为小波包分解的第3层第0个节点计算出的能谱熵值；

H₃₁为小波包分解的第3层第1个节点计算出的能谱熵值；

H₃₂为小波包分解的第3层第2个节点计算出的能谱熵值；

H₃₃为小波包分解的第3层第3个节点计算出的能谱熵值；

H₃₄为小波包分解的第3层第4个节点计算出的能谱熵值；

H₃₅为小波包分解的第3层第5个节点计算出的能谱熵值；

H₃₆为小波包分解的第3层第6个节点计算出的能谱熵值；

H₃₇为小波包分解的第3层第7个节点计算出的能谱熵值。

所述步骤(4)中，将小波包能谱熵向量T作为网络的输入特征向量，各特征元素对应于相应网络的输入神经元，神经网络模型的输出变量则是OLTC的某种状态模式编码Y＝[Y₀,Y₁,Y₂]；以y＝[y₀,y₁,y₂]表示网络某个实际输出向量，Y＝[Y₀,Y₁,Y₂]为对应的标准编码，用β表示置信度，则：

式中：y_i为实际输出量，Y_i为标准编码。

具体的算法步骤如下：

首先将网络实际输出向量中的每个元素进行四舍五入法,得到一个标准编码；

然后根据式(5)计算每个输出向量的置信度β，若β大于阈值γ，则对应标准码进行故障类型判断；若β小于阈值γ，则判定该输出向量对应的模式类型为新未知类型，转为标准编码Y＝[0,0,0]，其中，阈值γ＝0.8。

有益效果：该故障诊断方法基于振动法提取特征量，然后与神经网络相结合实现OLTC的故障诊断，具有速度快，结论直观，诊断机械故障正确率高特点。具体而言，其采用的小波包分解和能量熵结合的方法易于表征信号的故障信息，有利于故障特征提取。另外，引入了置信度的概念，对神经网络的故障模式识别结果做出了准确的评价，使该网络具有新故障模式识别功能，因此得到更高诊断准确率。与传统的神经网络相比，采用置信度和神经网络相结合故障识别率高，结合精确的特征提取方法，更适用于工程应用。

附图说明

图1是本发明的流程图；

图2是OLTC正常状态下的振动信号；

图3是小波包分解结构示意图。

具体实施方式

下面，结合附图对本发明做进一步详细说明。

如图1所示，本实施例公开了一种基于小波包和神经网络结合的OLTC故障诊断方法，具体包括以下步骤：

(1)将振动检测探头贴敷在有载分接开关的箱壁顶端，分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号，且每个状态下分别采集80组振动信号；

因为OLTC垂直顶端(箱壁顶端)直接与触头动作结构相连所以顶端的振动信号应该最强，因此，将振动传感器放置于OLTC的垂直顶端，采集的信号如图2所示。

(2)利用小波包分解原理将OLTC振动信号分解到不同频段中；

将振动信号s(t)进行小波包分解，选择db10小波并确定一个小波分解的层次j，然后对振动信号进行j层小波包分解，分解结构如图3所示；具体的，设故障信号s(t)，根据小波包的定义可作如下分解：

其中，k＝2^j-1＝8为分解次数，j为分解层数，本实施例中j＝3；f_j,k(t_k)是在小波包分解到相应节点(j,k)上的重构信号。

(3)计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量；

该步骤中，根据信号的时间特性将分解后的振动信号分成N段,作为优选，本实施例中，N＝10；并对每一段时间内的信号计算其能量：

其中，A_i(t)为第i分段信号的幅值，i＝1,2,…,N；t_i-1-t_i为第i分段的起止时间点；

将信号的各个分段能量进行归一化处理，得到归一化值ε_j,k(i)：

根据信息熵的基本理论，定义信号小波包分解的第j层k节点的小波包能谱熵为：

式中，H_j,k为信号小波包分解的第j层k节点的小波包能谱熵。

作为优选，采用db10小波进行3层小波包变换，分解得到8个频段，分别提取这8个频段的小波包能谱熵，进而以这8个小波包能谱熵为元素，组成能谱熵向量T，T＝[H₃₀,H₃₁,H₃₂,H₃₃,H₃₄,H₃₅,H₃₆,H₃₇]；

其中，H₃₀为小波包分解的第3层第0个节点计算出的能谱熵值，其他依次类推。部分能谱熵的箱梁T数据见表1：

表1 部分能谱熵向量T数据

(4)利用置信度和神经网络相结合的方法进行故障模式识别。

在该步骤中，将小波包能谱熵向量T作为网络的输入特征向量，各特征元素对应于相应网络的输入神经元，神经网络模型的输出变量则是OLTC的某种状态模式编码Y＝[Y₀,Y₁,Y₂]，如表2所示：

表2 OLTC故障类型编码

若以y＝[y₀,y₁,y₂]表示网络某个实际输出向量，Y＝[Y₀,Y₁,Y₂]为对应的标准编码，用β表示置信度，则：

式中：y_i为实际输出量，Y_i为标准编码。

具体的算法步骤如下：

首先将网络实际输出向量中的每个元素进行四舍五入法,得到一个标准编码；

然后根据式(5)计算每个输出向量的置信度β，若β大于阈值γ，则对应标准码进行故障类型判断；若β小于阈值γ，则判定该输出向量对应的模式类型为新未知类型，转为标准编码Y＝[0,0,0]，其中，作为优选，本实施例的阈值γ＝0.8。

将步骤1采集的到80组数据其中的40组带入神经网络进行训练，还有40组进行测试，测试部分结果如表3所示：

表3 部分神经网络识别结果

同时统计40组测试数据的结果如表4所示：

表4 测试结果

从实验的结果来看本发明所提的方法识别故障率高，适合工程应用。

Claims (6)

1.一种基于小波包和神经网络结合的OLTC故障诊断方法，其特征在于，包括以下步骤：

(1)将振动检测探头贴敷在有载分接开关的箱壁顶端，分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号，且每个状态下分别采集多组振动信号；

(2)利用小波包分解原理将OLTC振动信号分解到不同频段中；

(3)计算各频段的能谱熵值，以此构造小波包能谱熵向量作为神经网络的输入向量；

(4)利用置信度和神经网络相结合的方法进行故障模式识别。

2.根据权利要求1所述的基于小波包和神经网络结合的OLTC故障诊断方法，其特征在于，所述步骤(2)中，将振动信号s(t)进行小波包分解，选择一个小波并确定一个小波分解的层次j，然后对振动信号进行j层小波包分解；具体的：

其中，k＝2^j-1为分解次数，j为分解层数j＝0,1,2,…；f_j,k(t_k)是在小波包分解到相应节点(j,k)上的重构信号。

3.根据权利要求2所述的基于小波包和神经网络结合的OLTC故障诊断方法，其特征在于，所述步骤(3)中，根据信号的时间特性将分解后的振动信号分成N段,并对每一段时间内的信号计算其能量：

其中，A_i(t)为第i分段信号的幅值，i＝1,2,…,N；t_i-1-t_i为第i分段的起止时间点；

将信号的各个分段能量进行归一化处理，得到归一化值ε_j,k(i)：

根据信息熵的基本理论，定义信号小波包分解的第j层k节点的小波包能谱熵为：

式中，H_j,k为信号小波包分解的第j层k节点的小波包能谱熵。

4.根据权利要求3所述的基于小波包和神经网络结合的OLTC故障诊断方法，其特征在于，采用db10小波进行3层小波包变换，分解得到8个频段，分别提取这8个频段的小波包能谱熵，进而以这8个小波包能谱熵为元素，组成能谱熵向量T，T＝[H₃₀,H₃₁,H₃₂,H₃₃,H₃₄,H₃₅,H₃₆,H₃₇]；

其中，H₃₀为小波包分解的第3层第0个节点计算出的能谱熵值；

H₃₁为小波包分解的第3层第1个节点计算出的能谱熵值；

H₃₂为小波包分解的第3层第2个节点计算出的能谱熵值；

H₃₃为小波包分解的第3层第3个节点计算出的能谱熵值；

H₃₄为小波包分解的第3层第4个节点计算出的能谱熵值；

H₃₅为小波包分解的第3层第5个节点计算出的能谱熵值；

H₃₆为小波包分解的第3层第6个节点计算出的能谱熵值；

H₃₇为小波包分解的第3层第7个节点计算出的能谱熵值。

5.根据权利要求4所述的基于小波包和神经网络结合的OLTC故障诊断方法，其特征在于，所述步骤(4)中，将小波包能谱熵向量T作为网络的输入特征向量，各特征元素对应于相应网络的输入神经元，神经网络模型的输出变量则是OLTC的某种状态模式编码Y＝[Y₀,Y₁,Y₂]；以y＝[y₀,y₁,y₂]表示网络某个实际输出向量，Y＝[Y₀,Y₁,Y₂]为对应的标准编码，用β表示置信度，则：

式中：y_i为实际输出量，Y_i为标准编码。

6.根据权利要求5所述的基于小波包和神经网络结合的OLTC故障诊断方法，其特征在于，具体算法步骤如下：

首先将网络实际输出向量中的每个元素进行四舍五入法,得到一个标准编码；

然后根据式(5)计算每个输出向量的置信度β，若β大于阈值γ，则对应标准码进行故障类型判断；若β小于阈值γ，则判定该输出向量对应的模式类型为新未知类型，转为标准编码Y＝[0,0,0]，其中，阈值γ＝0.8。