CN112183400B - 一种新型的配电变压器潜伏性故障特征提取方法及*** - Google Patents
一种新型的配电变压器潜伏性故障特征提取方法及*** Download PDFInfo
- Publication number
- CN112183400B CN112183400B CN202011062661.9A CN202011062661A CN112183400B CN 112183400 B CN112183400 B CN 112183400B CN 202011062661 A CN202011062661 A CN 202011062661A CN 112183400 B CN112183400 B CN 112183400B
- Authority
- CN
- China
- Prior art keywords
- order
- distribution transformer
- empirical wavelet
- entropy
- adopting
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/72—Testing of electric windings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种新型的配电变压器潜伏性故障特征提取方法及***,包括步骤:采用改进经验小波变换方法对配电变压器的振动信号进行分解,获得各阶经验小波函数分量;剔除干扰分量并选取相关系数高的分量,得到筛选后的l阶经验小波函数分量;采用精细化复合多尺度分散熵对筛选后的各阶经验小波函数分量进行量化分析,从多个时间尺度衡量各分量分布的不确定性;采用数学统计量对筛选后的各阶经验小波函数分量进行统计分析;将精细化复合多尺度分散熵和数学统计量的分析结果共同构成配电变压器混合特征。本发明所构建的特征能够更好的表征配电变压器的故障特性。
Description
技术领域
本发明涉及配电网技术领域,特别是一种新型的配电变压器潜伏性故障特征提取方法及***。
背景技术
配电变压器的安全运行是电力公司提供稳定、可靠、优质供电服务的重要保证。然而,当下配电变压器在实际运行过程中存在着长期过负荷运行、老化加剧、工作寿命下降等问题;此外,配电变压器时常受到短路冲击的影响,这为安全运行埋下了隐患。在配电网中,配电变压器不可避免受各种因素引发故障和事故,相较于大型变压器而言,其虽单价较为便宜,但是因为停电而造成的间接损失确是难以估量的。对于事故后变压器的现场修复也存在很大难度,变压器的检修不仅对环境和天气有严格的要求,现场的工艺也难以得到满足。因此,事故后的变压器一般都需要返厂修复改造,这就要求电力公司需提前做好备用变压器的储备工作,防止因配电变压器损坏造成长时间停电。
电力设备的维护方式可划分为事后检修、定期计划检修和状态检修三种。由于国内电力公司早期对配电网的重视度较低,对于配电变压器的维护工作采用的是事后检修和计划检修相结合的管理模式,对于一些重要台区以及专用配电变压器定期检查维护,而次要的配电变压器则故障后再进行抢修。这种检修管理模式有一定的科学合理性,在一定程度上能保障供电可靠性。但事后检修受制于客观原因,随机性较强,只能被动抢修;计划检修则按照规程定期维护,到期必修,忽略了个体设备的实际情况,存在盲目性和强制性,极易造成人力物力的巨大损失。随着国民经济的发展和人民物质文化生活水平的不断提高,我国传统的技术和管理手段已经无法适应新的形势,因此,电力***智能化成为我国电力事业发展的必然趋势。为了加快电力***智能化建设,保证电力设备安全可靠运行,不仅要对运行中电力设备的运行状态进行实时监测,而且要能对潜伏性故障进行辨识。
目前,根据国内外的统计结果表明,绕组和铁芯故障是变压器最常见的故障。国外有统计显示,工作年限超过四年的变压器,存在各种故障的概率超过2.6%。变压器在出厂后,绕组和铁芯的紧压程度将会随着运输、组装、投运之后的绝缘老化、短路故障等的发生而逐渐降低,从而造成铁芯松动、绕组变形。因机械特性发生改变,将造成变压器抵抗短路电流冲击的能力降低,进一步造成绝缘强度的降低,引发严重的事故。显然,在变压器运行过程中,绕组和铁芯故障占据了很大一部分。基于状态检修技术的发展,以振动信号为分析对象的检修策略因其非侵入式的信号获取方式获得了广泛的关注。振动分析法检测时与电力***不产生电气连接,无需变压器停电检测,并且可同时对变压器绕组和铁芯的状况进行诊断,是一种安全无干扰、可靠性高的在线监测方法,对于提高诊断的实时性和准确性十分有利。
发明内容
有鉴于此,本发明的目的是提出一种新型的配电变压器潜伏性故障特征提取方法及***,所构建的特征能够更好的表征配电变压器的故障特性。
本发明采用以下方案实现:一种新型的配电变压器潜伏性故障特征提取方法,具体包括以下步骤:
采用改进经验小波变换方法对配电变压器的振动信号进行分解,获得各阶经验小波函数分量;
剔除干扰分量并选取与原信号相关系数高的分量,得到筛选后的l阶经验小波函数分量;
采用精细化复合多尺度分散熵对筛选后的各阶经验小波函数分量进行量化分析,从多个时间尺度衡量各分量分布的不确定性;
采用数学统计量对筛选后的各阶经验小波函数分量进行统计分析;
将精细化复合多尺度分散熵和数学统计量的分析结果共同构成配电变压器混合特征。
进一步地,所述采用改进经验小波变换方法对配电变压器的振动信号进行分解,获得各阶经验小波函数分量具体为:
获取配电变压器的振动信号;
采用改进经验小波变换EWT方法分解获取的振动信号。
具体的,所述采用改进经验小波变换EWT方法分解获取的特征信号具体为:
步骤S11:对输入信号f(n)进行傅里叶变换,得到傅里叶频谱;
步骤S12:采用频谱包络法计算傅里叶频谱的包络线;
步骤S13:计算包络线的阈值T,并使用阈值对包络线进行修正:保留包络线中大于阈值的部分,对小于阈值的部分进行置0操作;
T=Al+r(Ah-Al)
r=C/SNR
其中,Ah和Al分别为包络频谱中的最大值和最小值,SNR为信噪比,C为控制阈值大小的一个常数,r与SNR成反比。考虑到配电变压器振动信号的信噪比通常大于85dB,C取10,则r取为0.1。
步骤S14:采用平滑处理技术对频谱包络线进行优化,去除包络线中的平顶部分,使包络线变得平滑、不存在一阶不可导点。
步骤S15:***部极大值个数K,将其设置为分解的经验小波函数的个数;定位局部极小值的位置,并将其位置频率按升序进行排序,用来进行频谱划分的依据;
步骤S16:对每个频段的傅里叶频谱进行经验小波分解,得到;
式中,x(t)为分解后的原始信号,ck(t)为第k阶EWF分量,k=1,2,...,K,K为S15步骤中局部极大值个数。
进一步地,所述剔除干扰分量并选取与原信号相关系数高的分量具体为:
采用傅里叶变换获取各分量的幅频特性,根据配电变压器振动信号所具有的特性,对信号中的低频干扰信号进行剔除,计算除剔除分量外的其他分量与原信号的相关系数,选取相关系数高的前l阶分量作进一步研究。
进一步地,剔除第一阶经验小波函数EWF分量并选取相关系数高的前4阶分量。
进一步地,所述采用精细化复合多尺度分散熵对筛选后的各阶经验小波函数分量进行量化分析具体为:
选择尺度因子的数量n,对筛选后的l阶经验小波函数分量,一阶小波函数分量得到n个多尺度熵值,共得到n*l个熵值。
进一步地,所述采用数学统计量对筛选后的各阶经验小波函数分量进行统计分析具体为:
采用m种数学统计量,分别对筛选后的l阶经验小波函数分量进行特征提取,得到m*l个特征值。
进一步地,所采用的数学统计量包括:峰值、均值、平均幅值、方差、均方根、方根幅值、峭度、斜度、峰峰值、裕度指标、波形指标、脉冲指标、峰值指标、峭度指标。
进一步地,所述将精细化复合多尺度分散熵和数学统计量的分析结果共同构成配电变压器混合特征具体为:
将采用精细化复合多尺度分散熵对筛选后的各阶经验小波函数分量进行量化分析得到的特征与采用数学统计量对筛选后的各阶经验小波函数分量进行统计分析得到的特征拼接起来,得到构建的混合特征。
本发明还提供了一种新型的配电变压器潜伏性故障特征提取***,包括采集器、处理器、存储器以及存储于存储器上并能够被处理器运行的计算机程序,所述采集器采集配电变压器的振动信号,并将其传输给处理器,当处理器运行所述计算机程序时,实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序,当处理器运行该计算机程序时,实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:
1、本发明采用改进EWT分解配电变压器振动信号。与小波变换相比,具备较强的自适应性,分解分量以固有频率为基准,避免了小波变换等带宽的划分;与经验模态分解相比,提高了分解精度,并且能够抑制对高频噪声分量的过度分解。与传统EWT相比,可以自适应的确定分解个数,对频带进行更合理的划分。鉴于改进EWT分解的高精准度,对振动信号中所出现的低频高幅值干扰信号,它可以很便捷地进行滤除,大大简化了滤波所需的手段。
2、本发明采用混合特征表征配电变压器振动信号具有的一般特性。RCMDE相较于其它多尺度熵,它对短时间序列复杂度的度量更为准确,并且计算量较小;精细化复合的方式又为多尺度分散熵提供了高精度的度量标准。熵虽然具备较强的表征能力,但其存在固有的弊端,为此,本发明采用数学统计量对RCMDE特征的表征能力加以补充。数学统计量能够反映出振动信号所具有的基本数学属性,其计算量较小,将其作为补充特征,同样具备一定的表征能力。
附图说明
图1为本发明实施例的方法原理示意图。
图2为本发明实施例的改进EWT分解的结果示意图。
图3为本发明实施例有无滤波处理的对比示意图。其中,(a)为无滤波处理的结果,(b)为有滤波处理的结果。
图4为本发明实施例提取的RCMDE特征值示意图。
图5为本发明实施例提取的数学统计量示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种新型的配电变压器潜伏性故障特征提取方法,具体包括以下步骤:
步骤S1:采用改进经验小波变换方法对配电变压器的振动信号进行分解,获得各阶经验小波函数分量;具体为:获取配电变压器的振动信号;采用改进经验小波变换EWT方法分解获取的振动信号;具体为:
步骤S11:对输入的配电变压器的振动信号f(n)进行傅里叶变换,得到傅里叶频谱;
步骤S12:采用频谱包络法计算傅里叶频谱的包络线;
步骤S13:计算包络线的阈值T,并使用阈值对包络线进行修正,保留包络线中大于阈值的部分,对小于阈值的部分进行置0操作;其中,阈值的计算如下:
T=Al+r(Ah-Al);
r=C/SNR;
式中,Ah和Al分别为包络频谱中的最大值和最小值,SNR为信噪比,C为控制阈值大小的一个常数,r与SNR成反比;
步骤S14:采用平滑处理技术对频谱包络线进行优化,去除包络线中的平顶部分,使包络线变得平滑、不存在一阶不可导点;
步骤S15:统计包络线的局部极大值个数K,将其设置为分解的经验小波函数的个数;定位包络线的局部极小值的位置,并将其位置频率按升序进行排序,用来进行频谱划分的依据;
步骤S16:对每个频段的傅里叶频谱进行经验小波分解,得到:
式中,x(t)为分解后的原始信号,ck(t)为第k阶EWF分量,k=1,2,...,K,K为分解的总阶数,即S15步骤中的局部极大值个数;EWT可将原始振动信号变换到不同的时间尺度范围内,各阶分量代表着振动信号局部的频率信息。
步骤S2:剔除干扰分量并选取与原信号相关系数高的分量,得到筛选后的l阶经验小波函数分量;具体为:采用傅里叶变换获取各分量的幅频特性,根据配电变压器振动信号所具有的特性,对信号中的低频干扰信号进行剔除,计算除剔除分量外的其他分量与原信号的相关系数,选取相关系数最高的前4阶分量。在本实施例中,剔除第一阶经验小波函数EWF分量并选取相关系数高的前4阶分量。
具体的,在配电变压器振动信号的实际采集过程中,外部环境的干扰存在使得振动信号中部分极值不遵循着周期性的变化,而是以超出正常局部极大值或极小值的形式表现出来。这种极值的变化在傅里叶幅频特性图中表现得更为直观,即存在高幅值、低频率的分解分量,一般情况下,该分量属于低频干扰分量。不同时段采集的振动信号,所出现的低频干扰分量各有差异。为此,为对配电变压器振动信号进行准确地分析,低频干扰信号需要被排除在有效分量之外,具体实现做法如下:
考虑到配电变压器振动信号存在100Hz的基频分量以及可能存在的50Hz及其倍频分量的实际情况,本实施规定低于50Hz的频率分量为低频干扰信号。EWT分解出多阶EWF分量,由傅里叶变换可将各EWF分量映射在幅频特性图中。直观上,经过对比多种配电变压器潜伏性故障的幅频特性图,可得出结论:第1阶EWF分量低频、高幅值,且具有非周期性,它主要由惯性引起的;从该阶分量中提取能够辨识配电变压器故障与否的特征是不可行的。故而,本实施例通过弃除第一阶分量来达到抑制低频干扰信号的目的。
具体的,计算除剔除分量外的其他分量与原信号的相关系数具体为:可以通过计算Pearson相关系数和Spearman相关系数,本实施例计算公式如下两式所示。然后计算两者的平均值作为平均系数,并对平均系数进行降序排序,选取相关系数高的前4个分量作进一步研究。
步骤S3:采用精细化复合多尺度分散熵对筛选后的各阶经验小波函数分量进行量化分析,从多个时间尺度衡量各分量分布的不确定性,更能够反映出配电变压器潜伏性故障与正常状态的差异;具体为:选择尺度因子的数量n,对筛选后的l阶经验小波函数分量,一阶小波函数分量得到n个多尺度熵值,共得到n*l个熵值。
具体的,采用精细化复合多尺度分散熵(RCMDE)作为配电变压器潜伏性故障的一类特征。RCMDE从多个时间尺度衡量时间序列分布的不确定性或不规则性,相较于多尺度样本熵、多尺度排列熵,它对短时间序列复杂度的衡量更为准确,而对于长时间序列复杂度的衡量不仅计算速度快而且熵值稳定性高。本实施例就RCMDE在对长、短时间序列复杂度评估方面存在的优势,将其运用在配电变压器潜伏性故障特征提取的过程中,从多个时间尺度确定EWF分量的复杂度。配电变压器潜伏性故障的产生,势必对其本身固有频率产生冲击作用,从而引起变压器器身振动状态的变化。振动状态的变化更多反应在频率范围的改变,本实施例根据改进EWT分解的各阶分量在频率范围存在差异这一特性,以RCMDE作为量化准则,探究配电变压器正常与否时各阶EWF分量之间复杂度的差异。计算RCMDE的步骤如下:
假定存在一长度为L的单变量信号:u={u1,u2,…,uL}。在MDE算法中,首先,将原始信号u划分为多组长度为τ的非重叠分段,其中τ为尺度因子。其次,计算每个分段的平均值以得出粗粒度信号,计算公式如下所示:
通过分散熵(DisEn)的方法计算每个粗粒度信号的熵值。
对于一长度为N的单变量时间序列:x={x1,x2,...,xN},其DisEn可定义为:
1)首先,将xj(j=1,2,…,N)映射为c类,每个类别均是从1至c的整数索引。在最大或最小值明显大于或小于信号的均值或中值的情况下,采用正态累积分布函数(NCDF)映射方法能够解决xj的主要信息仅分配为少数几个类别的问题。NCDF方法将x映射为y={y1,y2,…,yN},其中y∈[0,1]。NCDF的映射公式如下:
其中σ和μ分别是时间序列x的标准差和平均值。
接着,采用线性算法为每个yi分配一个从1到c的整数。为实现该映射过程,可通过来实现转换,其中表示通过四舍五入将(c·yj+0.5)的值映射为(1,c)之间的一类。尽管该步骤是线性的,但由于采用了NCDF非线性处理,使得整个映射过程呈现非线性。值得注意的是,在此步骤中可以使用其它线性和非线性映射技术。
4)最终,基于香农熵的定义,DisEn值的计算公式如下:
当所有可能的分散模式具有相等的概率值时,DisEn将获得最大值,其值为ln(cm)。相反,若仅存在一个不同于零的这说明该序列为一个完全规则或可预测的时间序列,此时DisEn将获得的最小值。在本实施例中,将作为归一化的DisEn应用。
在精细化复合多尺度分散熵(RCMDE)中,对于尺度因子τ来说,不同τ值的时间序列,建立粗粒化过程具有不同的起点,RCMDE可表示为对那些移位序列的分散模式平均值进行香农熵计算。u中第k个粗粒化时间序列可表示为:
其次,对于每个尺度因子来说,RCMDE可定义为如下:
步骤S4:采用数学统计量对筛选后的各阶经验小波函数分量进行统计分析;具体采用m种数学统计量,分别对筛选后的l阶经验小波函数分量进行特征提取,得到m*l个特征值。其中,所采用的数学统计量包括:峰值、均值、平均幅值、方差、均方根、方根幅值、峭度、斜度、峰峰值、裕度指标、波形指标、脉冲指标、峰值指标、峭度指标。
具体的,采用数学统计量对EWF分量进行量化,并将其作为配电变压器潜伏性故障的第二类特征。诸如均值、标准差、方差、偏斜度、峭度、峰峰值、方根幅值、平均幅值、峰值、波形指标、峰值指标、脉冲指标、裕度指标等统计量在一定程度上能够对不同类型振动信号进行量化对比,本实施例在特征提取的过程中引入上述各统计量,并将引起状态差异较大的一些变量作为有效的特征值。各数学统计量的相关计算公式如下所示:
1、峰值:Xp=max{|xi|};
9、峰峰值:Xpp=max{xi}-min{xi};
根据以上14种在不同设备振动信号特征提取过程中常采用的数学统计量,分别对配电变压器振动信号进行特征提取,抽取能够表征出潜伏故障下的特征量,并用于后续构建混合特征。
步骤S5:将精细化复合多尺度分散熵和数学统计量的分析结果共同构成配电变压器混合特征。即,将采用精细化复合多尺度分散熵对筛选后的各阶经验小波函数分量进行量化分析得到的特征与采用数学统计量对筛选后的各阶经验小波函数分量进行统计分析得到的特征拼接起来,得到构建的混合特征。
最后,采用支持向量机、K-最近邻法、核极限学习机、贝叶斯、随机森林分类算法进行验证所提方法的有效性。
本实施例还提供了一种新型的配电变压器潜伏性故障特征提取***,包括采集器、处理器、存储器以及存储于存储器上并能够被处理器运行的计算机程序,所述采集器采集配电变压器的振动信号,并将其传输给处理器,当处理器运行所述计算机程序时,实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序,当处理器运行该计算机程序时,实现如上文所述的方法步骤。
特别的,本实施例选用型号为S11-M-315/10的中压变压器作为分析对象;选用型号为LC0102T的压电加速度传感器;选用NI公司的USB-6211型多功能数据采集模块;上位机软件是由LabVIEW编程。配电变压器振动信号仅考虑在空载情况下采集,模拟的潜伏性故障包括有绕组变形、上铁轭紧固螺丝松动两种状态。获取配电变压器振动信号:采样频率设为2kHz,截取时长0.5s的振动信号,即信号长度为1000个数据点。
EWT分解振动信号:考虑到配电变压器振动信号的固有震荡频率主要集中在100Hz及其少数倍频部分,分解结果如图2所示。在分解过程中,选择两个局部极大值中间的局部极小值作为傅里叶频谱检测的方法,而未采用自适应检测方法的原因在于:振动信号中含有噪声分量,若自适应检测,易把噪声分量过度分解,一方面信号分解时间延长,另一方面过度分解的分量包含的有效信息较少。
由图2不难发现,ewt(1)分量相较于其余分量,幅值明显较高,而频率最低且不遵循周期性的变化。该现象反映在傅里叶频谱图上的结果如图3中的(a)所示,在趋近于0Hz附近出现较大幅值的频率分量。理论上,配电变压器振动信号中不存在该低频高幅值的分量,产生该现象的原因与傅里叶变换的机制存在直接联系。为此,本实施例通过滤除第一阶分量来达到抑制低频干扰信号对后续特征提取的影响。滤除第一阶分量后的各阶频谱图如图3中的b所示,显然方法能够起到消除低频高幅值的效果。
RCMDE特征提取:取改进EWT分解的相关系数高的前4阶分量用于特征提取。对于RCMDE的参数选择,本案例根据多次重复实验选择最优的参数组合,其中,嵌入维数设为2,分散熵中划分的类别数设为4,时间延迟设为1,尺度因子的数量设为4。一个分解分量可获得4个多尺度熵值,四阶分量共可获得12个熵值,故而一样本可由16个多尺度的熵值予以表征。图4展示了一样本所获取的RCMDE特征值。
数学统计量特征提取:取改进EWT分解的相关系数高的前4阶分量用于特征提取。以均值、标准差、方差、偏斜度、峭度、峰峰值、方根幅值、平均幅值、峰值、波形指标、峰值指标、脉冲指标、裕度指标等统计量对各阶分量进行量化,量化的结果如图5所示。一个分解分量可获得14个特征,四阶分量共可获得56个特征值。
混合特征的构成:由16个RCMDE特征与56个数学统计量拼接而成,即一个样本由82个特征值构成。
最后,本实施例根据构造的混合特征,采用支持向量机(SVM)、K-最近邻法(KNN)、核极限学习机(KELM)、朴素贝叶斯(NB)、随机森林(RF)五组分类器构建分类模型,用于验证所提特征提取方法是否有效。
本实施例采用以上技术之后,能够有效进行特征提取,通过多种分类器验证,均能达到较高的识别率。在对正常状态、绕组变形状态、上铁轭紧固螺丝松动状态分类时,每类状态样本数为150,其中,2/3的样本用于训练分类模型,1/3的样本用于测试模型的分类性能,下表给出了多种分类器的分类准确率率。
SVM | KNN | KELM | NB | RF | |
正常状态 | 98% | 98.67% | 96.25% | 96% | 97.33% |
绕组变形 | 94.67% | 95.33% | 96.25% | 92.67% | 94.67% |
螺丝松动 | 99.33% | 99.33% | 97.5% | 98.33% | 99.33% |
同时,为了验证本文所提的特征提取方法的有效性,本实施例采用了常规提取的数学统计量特征和分散熵特征,分别送入上述对应的五种分类器中,得到的结果如下两表:
由上面两个表格可以看出,采用本发明提取的特征,能够获得更高的识别率,更能够反应配变变压器的特性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种新型的配电变压器潜伏性故障特征提取方法,其特征在于,包括以下步骤:
采用改进经验小波变换方法对配电变压器的振动信号进行分解,获得各阶经验小波函数分量;
剔除干扰分量并选取与原信号相关系数高的分量,得到筛选后的l阶经验小波函数分量;
采用精细化复合多尺度分散熵对筛选后的各阶经验小波函数分量进行量化分析,从多个时间尺度衡量各分量分布的不确定性;
采用数学统计量对筛选后的各阶经验小波函数分量进行统计分析;
将精细化复合多尺度分散熵和数学统计量的分析结果共同构成配电变压器混合特征;
选择尺度因子的数量n,对筛选后的l阶经验小波函数分量,一阶小波函数分量得到n个多尺度熵值,共得到n*l个熵值;
采用精细化复合多尺度分散熵RCMDE作为配电变压器潜伏性故障的一类特征;RCMDE从多个时间尺度衡量时间序列分布的不确定性或不规则性;计算RCMDE的步骤如下:
在MDE算法中,首先,将原始信号u划分为多组长度为τ的非重叠分段,其中τ为尺度因子;其次,计算每个分段的平均值以得出粗粒度信号,计算公式如下所示:
通过分散熵DisEn的方法计算每个粗粒度信号的熵值;
对于一长度为N的单变量时间序列:x={x1,x2,...,xN},其DisEn定义为:
1)首先,将xj(j=1,2,…,N)映射为c类,每个类别均是从1至c的整数索引;NCDF方法将x映射为y={y1,y2,…,yN},其中y∈[0,1];NCDF的映射公式如下:
其中σ和μ分别是时间序列x的标准差和平均值;
4)最终,基于香农熵的定义,DisEn值的计算公式如下:
当所有可能的分散模式具有相等的概率值时,DisEn将获得最大值,其值为ln(cm);相反,若仅存在一个不同于零的这说明该序列为一个完全规则或可预测的时间序列,此时DisEn将获得的最小值;在本实施例中,将作为归一化的DisEn应用;
在精细化复合多尺度分散熵RCMDE中,对于尺度因子τ来说,不同τ值的时间序列,建立粗粒化过程具有不同的起点,RCMDE可表示为对那些移位序列的分散模式平均值进行香农熵计算;u中第k个粗粒化时间序列表示为:
其次,对于每个尺度因子来说,RCMDE定义为如下:
所述采用改进经验小波变换方法对配电变压器的振动信号进行分解,获得各阶经验小波函数分量具体为:
获取配电变压器的振动信号;
采用改进经验小波变换EWT方法分解获取的振动信号;
所述采用改进经验小波变换EWT方法分解获取的振动信号具体为:
步骤S11:对输入的配电变压器的振动信号f(n)进行傅里叶变换,得到傅里叶频谱;
步骤S12:采用频谱包络法计算傅里叶频谱的包络线;
步骤S13:计算包络线的阈值T,并使用阈值对包络线进行修正,保留包络线中大于阈值的部分,对小于阈值的部分进行置0操作;其中,阈值的计算如下:
T=Al+r(Ah-Al);
r=C/SNR;
式中,Ah和Al分别为包络频谱中的最大值和最小值,SNR为信噪比,C为控制阈值大小的一个常数,r与SNR成反比;
步骤S14:采用平滑处理技术对频谱包络线进行优化,去除包络线中的平顶部分,使包络线变得平滑、不存在一阶不可导点;
步骤S15:统计包络线的局部极大值个数K,将其设置为分解的经验小波函数的个数;定位包络线的局部极小值的位置,并将其位置频率按升序进行排序,用来进行频谱划分的依据;
步骤S16:对每个频段的傅里叶频谱进行经验小波分解,得到:
式中,x(t)为分解后的原始信号,ck(t)为第k阶EWF分量,k=1,2,...,K,K为S15步骤中的局部极大值个数。
2.根据权利要求1所述的一种新型的配电变压器潜伏性故障特征提取方法,其特征在于,所述剔除干扰分量并选取与原信号相关系数高的分量具体为:
采用傅里叶变换获取各分量的幅频特性,根据配电变压器振动信号所具有的特性,对信号中的低频干扰信号进行剔除,计算除剔除分量外的其他分量与原信号的相关系数,选取相关系数高的前l阶分量。
3.根据权利要求2所述的一种新型的配电变压器潜伏性故障特征提取方法,其特征在于,剔除第一阶经验小波函数EWF分量并选取相关系数高的前4阶分量。
4.根据权利要求1所述的一种新型的配电变压器潜伏性故障特征提取方法,其特征在于,所述采用精细化复合多尺度分散熵对筛选后的各阶经验小波函数分量进行量化分析具体为:
选择尺度因子的数量n,对筛选后的l阶经验小波函数分量,一阶小波函数分量得到n个多尺度熵值,共得到n*l个熵值。
5.根据权利要求1所述的一种新型的配电变压器潜伏性故障特征提取方法,其特征在于,所述采用数学统计量对筛选后的各阶经验小波函数分量进行统计分析具体为:
采用m种数学统计量,分别对筛选后的l阶经验小波函数分量进行特征提取,得到m*l个特征值。
6.根据权利要求1或5所述的一种新型的配电变压器潜伏性故障特征提取方法,其特征在于,所采用的数学统计量包括:峰值、均值、平均幅值、方差、均方根、方根幅值、峭度、斜度、峰峰值、裕度指标、波形指标、脉冲指标、峰值指标、峭度指标。
7.根据权利要求1所述的一种新型的配电变压器潜伏性故障特征提取方法,其特征在于,所述将精细化复合多尺度分散熵和数学统计量的分析结果共同构成配电变压器混合特征具体为:
将采用精细化复合多尺度分散熵对筛选后的各阶经验小波函数分量进行量化分析得到的特征与采用数学统计量对筛选后的各阶经验小波函数分量进行统计分析得到的特征拼接起来,得到构建的混合特征。
8.一种新型的配电变压器潜伏性故障特征提取***,其特征在于,包括采集器、处理器、存储器以及存储于存储器上并能够被处理器运行的计算机程序,所述采集器采集配电变压器的振动信号,并将其传输给处理器,当处理器运行所述计算机程序时,实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062661.9A CN112183400B (zh) | 2020-09-30 | 2020-09-30 | 一种新型的配电变压器潜伏性故障特征提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062661.9A CN112183400B (zh) | 2020-09-30 | 2020-09-30 | 一种新型的配电变压器潜伏性故障特征提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183400A CN112183400A (zh) | 2021-01-05 |
CN112183400B true CN112183400B (zh) | 2023-04-07 |
Family
ID=73949137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011062661.9A Active CN112183400B (zh) | 2020-09-30 | 2020-09-30 | 一种新型的配电变压器潜伏性故障特征提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183400B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118169A (zh) * | 2021-12-08 | 2022-03-01 | 国网北京市电力公司 | 基于经验模态分解的特征量提取方法、***、装置及介质 |
CN114236374B (zh) * | 2021-12-13 | 2023-11-14 | 中国矿业大学 | 一种整流器开路故障的实时诊断方法 |
CN116296329B (zh) * | 2023-03-14 | 2023-11-07 | 苏州纬讯光电科技有限公司 | 一种变压器铁芯机械状态诊断方法、设备及介质 |
CN116484267B (zh) * | 2023-06-20 | 2023-09-19 | 南方电网科学研究院有限责任公司 | 变压器故障特征提取、判定方法、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105547465A (zh) * | 2015-12-08 | 2016-05-04 | 华北电力大学(保定) | 一种变压器振动信号绕组状态特征提取方法 |
CN108375472A (zh) * | 2018-02-12 | 2018-08-07 | 武汉科技大学 | 基于改进经验小波变换的轴承故障诊断方法及***装置 |
CN108458871A (zh) * | 2017-12-22 | 2018-08-28 | 浙江工业大学 | 一种基于改进经验小波变换的齿轮箱故障识别方法 |
CN110441654A (zh) * | 2019-07-29 | 2019-11-12 | 三峡大学 | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 |
CN110991564A (zh) * | 2019-12-24 | 2020-04-10 | 安徽工业大学 | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 |
CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10520397B2 (en) * | 2012-05-31 | 2019-12-31 | University Of Connecticut | Methods and apparatuses for defect diagnosis in a mechanical system |
-
2020
- 2020-09-30 CN CN202011062661.9A patent/CN112183400B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105547465A (zh) * | 2015-12-08 | 2016-05-04 | 华北电力大学(保定) | 一种变压器振动信号绕组状态特征提取方法 |
CN108458871A (zh) * | 2017-12-22 | 2018-08-28 | 浙江工业大学 | 一种基于改进经验小波变换的齿轮箱故障识别方法 |
CN108375472A (zh) * | 2018-02-12 | 2018-08-07 | 武汉科技大学 | 基于改进经验小波变换的轴承故障诊断方法及***装置 |
CN110441654A (zh) * | 2019-07-29 | 2019-11-12 | 三峡大学 | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 |
CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
CN110991564A (zh) * | 2019-12-24 | 2020-04-10 | 安徽工业大学 | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
EWT多尺度排列熵与GG聚类的轴承故障辨识方法;赵荣珍等;《振动.测试与诊断》;20190415(第02期);全文 * |
基于改进经验小波变换的滚动轴承故障特征提取方法研究;刘自然等;《中国测试》;20191031;第1-5节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183400A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183400B (zh) | 一种新型的配电变压器潜伏性故障特征提取方法及*** | |
CN110503004B (zh) | 一种开关电源运行状态的在线判别方法 | |
CN109633368B (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
CN110221200B (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
CN103968937B (zh) | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
CN104849633A (zh) | 一种开关柜局部放电模式识别方法 | |
CN109374997B (zh) | 基于vmd初始化s变换的混合动力***电能质量扰动检测与评估方法 | |
CN116703183A (zh) | 一种新型配电网***用电负荷评估方法 | |
CN110954779A (zh) | 一种基于s变换与多维分形的电压暂降源特征识别方法 | |
CN115809407A (zh) | 一种基于振动特性分析的断路器故障诊断方法及*** | |
CN105488572A (zh) | 一种配电设备健康状态评价方法 | |
CN112636328B (zh) | 一种中压配电网设备负荷状态辨识方法 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的***及方法 | |
CN116881661A (zh) | 一种基于低压电力电容器的性能自动化分析方法及*** | |
CN115455684A (zh) | 一种基于噪声分析的油浸式变压器非接触式状态评估方法和*** | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN115808600A (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
Viet et al. | A method for monitoring voltage disturbances based on discrete wavelet transform and adaptive linear neural network | |
Shiling et al. | Research on method of mechanical state characteristics diagnosis based on STFT and RVM for transformer winding | |
CN107271024A (zh) | 一种有载分接开关诊断方法及装置 | |
CN113339208A (zh) | 风电机组振动异常片段的选取方法 | |
CN112329628A (zh) | 换流变压器振动信号多特征融合的特征提取方法及装置 | |
CN116736099B (zh) | 一种铁路开关柜断路器故障诊断方法 | |
CN110017892B (zh) | 一种变压器的异常状态振声的检测方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |