CN112329628A - 换流变压器振动信号多特征融合的特征提取方法及装置 - Google Patents
换流变压器振动信号多特征融合的特征提取方法及装置 Download PDFInfo
- Publication number
- CN112329628A CN112329628A CN202011224581.9A CN202011224581A CN112329628A CN 112329628 A CN112329628 A CN 112329628A CN 202011224581 A CN202011224581 A CN 202011224581A CN 112329628 A CN112329628 A CN 112329628A
- Authority
- CN
- China
- Prior art keywords
- signal
- converter transformer
- feature
- matrix
- sequence
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000008619 Xingren Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种换流变压器振动信号多特征融合的特征提取方法及装置,该方法选取换流变压器现场实测信号作为分析对象,对其进行集合经验模态分解提取固有模态。随后计算各个固有模态分量的时域统计特征分量、小波熵及分形维数以组成特征参数矩阵。最后通过主成分分析对矩阵进行数据降维构成多特征融合向量,利用模糊C均值聚类对换流变不同工况特征向量进行分类。该方法克服了单特征的局限性,不同工况下区分性能良好。
Description
技术领域
本发明涉及电力***领域,特别涉及一种换流变压器振动信号多特征融合的特征提取方法及装置。
背景技术
随着国民经济的持续增长,我国用电需求不断增加。我国负荷用电分布和发电资源储量分布极不平衡的特点使得超远距离、超大容量的直流输电传输成为必然。四川、云南、西藏三省可开发水电资源占有量约为全国保有量2/3,山西、陕西、内蒙三省煤炭保有储量约占全国储量2/3。而京广铁路以东和东部沿海经济发达地区发电资源严重不足,这使得能源和电力跨区域大规模流动成为必然。高压直流输电技术所具有的高电压、远距离、大容量、低损耗等一系列突出优点为解决如何减少输电线路损耗和节约宝贵土地资源这一难题提供了重要途径。
换流变压器安全运行与否直接关系到直流输电***能否正常运行。然而换流变压器在交直流电场作用下存在耐受电压等级过高、电、磁、力、热多物理场耦合、绝缘结果复杂、油箱空间及铁芯截面同常规变压器相比更大、阀厅流出电压谐波分量较高等问题,导致了换流变压器运行的振动和噪声相比电力变压器大很多。近年来,南方电网公司已出现诸如肇庆换流站和兴仁换流站先后发生换流变压器网侧高压套管***起火、天广直流工程换流变压器阀侧套管升高座开裂等事故,给直流输电***的安全运行带来较大威胁。而现有检测手段大多基于电气信号,不能直接在带电运行工况下对变压器进行检测,常规解体检修在造成停电损失的同时对设备寿命具有较大影响。因此,如何对换流变压器进行在线监测并快速评估其运行状况成了目前电路部门主要关心的问题,也是亟待解决的问题。
目前,振动法评估变压器运行状态及其在线监测技术得到了广泛重视,变压器表面振动信号在包含大量、丰富的状态的同时还与变压器自身的结构组件(如铁芯、绕组以及其他外部构件)的工作状态有着密切的关系。但对于振动信号的处理往往只关注某一方面(如信号的频域、时域等方面)的特征表达,这会导致信息的丢失以及评估的准确度下降。
发明内容
为了解决现有换流变压器振动信号处理方式导致导致信息的丢失以及评估的准确度下降的问题,本发明实施例提供了一种换流变压器振动信号多特征融合的特征提取方法及装置,该方法和装置克服了单特征的局限性,不同工况下区分性能良好。
为实现上述目的,本发明的技术方案是:
第一方面,本发明实施例提供了一种换流变压器振动信号多特征融合的特征提取方法,包括:
获取换流变压器振动原始信号,将原始信号分解为若干个基本模式分量;
分别计算前A个基本模式分量的无量纲指标,得到对应基本模式分量的时域统计量特征;
分别对前A个基本模式分量进行连续小波变换,得到对应基本模式分量的小波系数矩阵,并计算小波系数矩阵的熵值,得到对应基本模式分量的小波熵特征;
分别对前A个基本模式分量进行分形维数特征提取,得到对应基本模式分量的分形维数特征;
将所得到的每个基本模式分量的时域统计量特征、小波熵特征,分形维数特征并构成特征矩阵;
采用主成分分析法对特征矩阵进行降维,得到融合特征向量,实现换流变压器振动信号的特征提取;
对融合特征向量进行模糊C均值聚类分析,比对真实标签与分类标签来判断特征提取效果好坏,实现换流变压器运行状态的检测;
其中,A为正整数。
第二方面,本发明实施例提供了一种换流变压器振动信号多特征融合的特征提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
第三方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤
本发明与现有技术相比,其有益效果在于:
本方法选取换流变压器现场实测信号作为分析对象,对其进行集合经验模态分解提取固有模态。随后计算各个固有模态分量的时域统计特征分量、小波熵及分形维数以组成特征参数矩阵。最后通过主成分分析对矩阵进行数据降维构成多特征融合向量,利用模糊C均值聚类对换流变不同工况特征向量进行分类。该方法克服了单特征的局限性,不同工况下区分性能良好。
附图说明
图1为本发明实施例1提供的换流变压器振动信号多特征融合的特征提取方法的流程图;
图2为换流变压器测点布置示意图;
图3为负载信号经验模态分解图;
图4为空载信号经验模态分解图;
图5为理想聚类分布图;
图6为实际聚类分布图;
图7为本发明实施例提供的换流变压器振动信号多特征融合的特征提取装置的组成示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1:
参阅图1所示,本实施例提供的换流变压器振动信号多特征融合的特征提取方法的包括如下步骤:
经验模态分解步骤:
获取换流变压器振动原始信号,将原始信号分解为若干个基本模式分量;具体如下:
把原始信号x(t)作为待处理信号,计算出信号所有局部极值点,使用三次样条插值法分别拟合所有极大值点和极小值点并记为信号的上下包络线,计算上下包络线的均值得到均值序列m(t),
令原始信号x(t)减去均值序列m(t)得到:
h1(t)=x(t)-m(t)
检测h1(t)是否满足以下两个条件:
(1)整个数据序列中极值点数目与过零点相同或最多相差不大于1
(2)信号局部极值确定的上下包络线均值为0
若不满足则将h1(t)作为待处理信号重复上述操作,直到满足条件为止,此时得到的均值序列hn(t)记为一个基本模式分量c1(t)(imf分量)
hn(t)=c1(t)
从原始信号中分解出第一个基本模式分量得到剩余序列r1(t)
r1(t)=x(t)-c1(t)
将剩余序列r1(t)作为待处理信号重复上述操作可依次获得第二、第三直至第A个基本模式分量,直到剩余序列满足停止准则。由此就将原始信号分解为若干个基本模式分量和一个残差分量:
停止准则设定为限制两个连续处理结果之间的标准差Sd
其中,T代表信号的时间跨度,h(k-1)(t),hk(t)是在筛选基本分量过程中的两个连续处理结果的时间序列,Sd阈值设置为0.2。
如此,通过上述步骤操作,可以准确有效地将将原始信号分解为若干个基本模式分量。
时域统计量提取步骤:
分别计算各基本模式分量的波形指标、峰值指标、裕度指标、脉冲指标和峭度指标得到对应基本模式分量的时域波形的无量纲型统计分量参数(即时域统计量特征)。由于无量纲参数只与信号概率密度p(x)有关,并且这些参数对机器的运行状态、故障和缺陷等足够敏感,因此具有较高的评价价值,定义为:
波形指标l=2,m=1:
峰值指标l→∞,m=1:
xp=max{x(n)}为信号峰值
裕度指标l→∞,m=1/2:
脉冲指标l→∞,m=1:
峭度指标
小波熵特征提取步骤:
分别对各基本模式分量进行连续小波变换,得到对应基本模式分量的小波系数矩阵,并计算小波系数矩阵的熵值,得到对应基本模式分量的小波熵特征。连续小波变换本质是用小波基函数ψb,a(t)与信号进行内积以寻找原信号与小波函数的相似分量,信号的小波变换记为:
其中小波基函数选取Morle小波,a,b分别为尺度因子和平移因子
设信号x(n)被分解高频信号分量Dj(n)和低频信号分量Aj(n),将Am(n)表示为Dm+1(n):
在小波重构系数上定义滑动窗为:
W(m;w,δ)={dj(n),n=1+mδ,...,w+mδ}
式中m=0,1,...,M,且M=(N-w)/δ
由此可得,总能量表达式为:
根据香农熵理论,可以定义小波熵:
通过上述步骤可以准确有效地提取到小波熵特征
分形维数特征提取步骤:
对各模式分量分别采取四种基于时域信号本身的分形维数提取方法得到特征参数用于构建特征矩阵:
Katz方法:
计算基本模式分量的曲线长度记为L
L=sum(dist(i,i+1))
计算基本模式分量第一个点与其距离最远的点之间的距离记为d
d=max(dist(1,i))
计算Katz分形维数
其中,N'为基本模式分量的离散点总数。
Castiglioni方法:
计算基本模式分量的最大振幅差记为d
d=max(xi)-min(xi)
计算基本模式分量总长度记为L
计算Castiglioni分形维数
Sevcik方法:
对基本模式分量进行归一化处理
计算基本模式分量所代表的曲线长度
L=sum(dist(i,i+1))
计算Sevcik分形维数
Higuchi方法
使用k个延迟生成的矩阵曲线长度对总序列曲线长度进行平均值估计
计算Higuchi分形维数
特征矩阵主成分分析降维步骤:
原信号经经验模态分解后变为若干基本模式分量,取各个分量r1,r2,......,rn。分别提取每个基本模式分量的时域统计量特征、小波熵特征,分形维数特征并构成特征矩阵,矩阵的每一行代表一个基本模态分量的所有特征。
虽然采取多特征提取可以避免单一特征指标的片面性与不准确性,但随着而来的是参数维度的上升,由于各个特征指标直接或间接存在相关性,直接分析特征矩阵会导致过拟合现象的产生。为了降低计算复杂度和避免数据冗余,采用主成分分析法对特征进行降维以获得一维特征向量。
针对特征矩阵Xm×N的降维过程如下:
归一化处理
其中x(i)为信号序列,x'(i)为归一化处理后的信号序列,mean为信号的均值,N为序列离散点个数,σ为方差。
样本特征协方差矩阵计算:
根据奇异值分解求解降维矩阵:
[U,S,V]=svd[Cov]
其中svd代表矩阵的奇异值分解,得到的U矩阵就称为降维矩阵,U是由Cov的所有特征向量按从大到小顺序排列而得。
降维计算:
k为选取降维矩阵的行数,用以控制输出量的维度。
模糊C均值聚类分析步骤:
对融合特征向量进行模糊C均值聚类分析,比对真实标签与分类标签来判断特征提取效果好坏,实现换流变压器运行状态的检测
模糊C均值融合了模糊理论的精髓,对样本集合的每一个对象和每个簇都赋予一个隶属度权值用以表征对象属于该簇的程度,对象越靠近簇中心,隶属度越高。
首先设置最小化目标函数Jm
采用随机初始化方法处理隶属度矩阵uij;
计算质心:
隶属度迭代更新:
若||Uk+1-Uk||<ε,则停止迭代并计算最小化目标函数,反之回到步骤二更新簇中心与隶属度。当目标函数小于设定值时终止算法。
其中,m是聚类簇数;i,j是类标号;uij表示样本xi属于j类的隶属度;cj是j簇中心;|| ||运算代表距离的量度。
下面结合一个应用场景实例,来对本方法进行进一步地验证说明:
换流变压器箱体表面测点振动传感器布置如图2所示,数字标记1-12为传感器序号,图3、4展示了1测点处共计422组振动数据的经验模态分解情况(243组1.05pu负载运行状态下的振动信号、179组额定电压空载运行状态下的振动信号)。从图2、图3不难看出,不同工况下的振动信号经经验模态分解后得到的各阶基本模式分量的复杂度和稀疏程度相差较大,随后基于信号的时域统计量、小波熵、分形维数进行多特征提取并通过主成分分析得到融合特征向量。将每一个融合特征向量贴上标签,负载运行时标签为1,空载运行时标签为2.利用模糊C均值聚类分析将这些多维特征向量进行分类,通过比较自设标签与聚类标签,计算分类的准确率用以确定特征提取的效果好坏。预定聚类簇数为2;加权指数为2;高斯核参数为10。图5、图6为实际情况和分类情况的对比效果图,图中的点出了附图标记“1”之外,均为“2”。
经验证,基于本发明方法的特征提取向量分类准确率达到91.25%,可以有效区分换流变压器空载和负载运行状态,克服了单一特征的不准确性和局限性
综上所述,采用本发明的方法可以通过对融合特征向量进行模糊C均值聚类分析,比对真实标签与分类标签来判断特征提取效果好坏,实现通过振动信号检测换流变压器运行状态的目的。
实施例2:
参阅图7所示,本实施例提供的换流变压器振动信号多特征融合的特征提取装置包括处理器71、存储器72以及存储在该存储器72中并可在所述处理器71上运行的计算机程序73,例如换流变压器振动信号多特征融合的特征提取程序。该处理器71执行所述计算机程序73时实现上述实施例1步骤,例如图1所示的步骤。
示例性的,所述计算机程序73可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器72中,并由所述处理器71执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序73在所述换流变压器振动信号多特征融合的特征提取的执行过程。
所述换流变压器振动信号多特征融合的特征提取装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述换流变压器振动信号多特征融合的特征提取装置可包括,但不仅限于,处理器71、存储器72。本领域技术人员可以理解,图7仅仅是换流变压器振动信号多特征融合的特征提取装置的示例,并不构成换流变压器振动信号多特征融合的特征提取装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述换流变压器振动信号多特征融合的特征提取装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器71可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器72可以是所述换流变压器振动信号多特征融合的特征提取装置的内部存储元,例如换流变压器振动信号多特征融合的特征提取装置的硬盘或内存。所述存储器72也可以是所述换流变压器振动信号多特征融合的特征提取装置的外部存储设备,例如所述换流变压器振动信号多特征融合的特征提取装置上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器72还可以既包括所述换流变压器振动信号多特征融合的特征提取装置的内部存储单元也包括外部存储设备。所述存储器72用于存储所述计算机程序以及所述换流变压器振动信号多特征融合的特征提取装置所需的其他程序和数据。所述存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
实施例3:
本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
所示计算机可读介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理再以电子方式获得所述程序,然后将其存储在计算机存储器中
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种换流变压器振动信号多特征融合的特征提取方法,其特征在于,包括:
获取换流变压器振动原始信号,将原始信号分解为若干个基本模式分量;
分别计算前A个基本模式分量的无量纲指标,得到对应基本模式分量的时域统计量特征;
分别对前A个基本模式分量进行连续小波变换,得到对应基本模式分量的小波系数矩阵,并计算小波系数矩阵的熵值,得到对应基本模式分量的小波熵特征;
分别对前A个基本模式分量进行分形维数特征提取,得到对应基本模式分量的分形维数特征;
将所得到的每个基本模式分量的时域统计量特征、小波熵特征,分形维数特征并构成特征矩阵;
采用主成分分析法对特征矩阵进行降维处理,得到融合特征向量,实现换流变压器振动信号的特征提取;
对融合特征向量进行模糊C均值聚类分析,比对真实标签与分类标签来判断特征提取效果好坏,实现换流变压器运行状态的检测;
其中,A为正整数。
2.如权利要求1所述的换流变压器振动信号多特征融合的特征提取方法,其特征在于,所述将原始信号分解为若干个基本模式分量包括:
把原始信号x(t)作为待处理信号,计算出信号所有局部极值点,使用三次样条插值法分别拟合所有极大值点和极小值点并记为信号的上下包络线,计算上下包络线的均值得到均值序列m(t);
令原始信号x(t)减去均值序列m(t)得到:
h1(t)=x(t)-m(t)
检测h1(t)是否满足设定的条件;
若不满足则将h1(t)作为待处理信号重复上述操作,直到满足条件为止,此时得到的均值序列hn(t)记为一个基本模式分量c1(t)
hn(t)=c1(t)
从原始信号中分解出第一个基本模式分量得到剩余序列r1(t)
r1(t)=x(t)-c1(t)
将剩余序列r1(t)作为待处理信号重复上述操作可依次获得第二、第三直至第A个基本模式分量,直到剩余序列满足停止准则,由此就将原始信号分解为若干个基本模式分量和一个残差分量;n正整数。
3.如权利要求2所述的换流变压器振动信号多特征融合的特征提取方法,其特征在于,所述设定的条件包括:
(1)整个数据序列中极值点数目与过零点相同或最多相差不大于1;
(2)信号局部极值确定的上下包络线均值为0。
5.如权利要求1所述的换流变压器振动信号多特征融合的特征提取方法,其特征在于,所述N为正整数五。
6.如权利要求1所述的换流变压器振动信号多特征融合的特征提取方法,其特征在于,所述无量纲指标包括波形指标、峰值指标、裕度指标、脉冲指标和峭度指标。
7.如权利要求5所述的换流变压器振动信号多特征融合的特征提取方法,其特征在于,采用四种分形维数计算算法分别对前五基本模式分量进行分形维数特征提取,计算序列的Katz、Castiglioni、Sevcik和Higuchi分形维数特征。
9.一种换流变压器振动信号多特征融合的特征提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224581.9A CN112329628A (zh) | 2020-11-05 | 2020-11-05 | 换流变压器振动信号多特征融合的特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224581.9A CN112329628A (zh) | 2020-11-05 | 2020-11-05 | 换流变压器振动信号多特征融合的特征提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329628A true CN112329628A (zh) | 2021-02-05 |
Family
ID=74316077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011224581.9A Pending CN112329628A (zh) | 2020-11-05 | 2020-11-05 | 换流变压器振动信号多特征融合的特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329628A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537402A (zh) * | 2021-08-13 | 2021-10-22 | 重庆大学 | 一种基于振动信号的换流变压器多尺度融合特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078160A1 (en) * | 2002-10-11 | 2004-04-22 | Frei Mark G. | Method, computer program, and system for intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale |
US20170220854A1 (en) * | 2016-01-29 | 2017-08-03 | Conduent Business Services, Llc | Temporal fusion of multimodal data from multiple data acquisition systems to automatically recognize and classify an action |
CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
CN108280464A (zh) * | 2017-12-22 | 2018-07-13 | 南京邮电大学 | Dwt和emd融合近似熵的脑电特征提取方法 |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
CN111126429A (zh) * | 2019-11-10 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于PCA降维和K-Means聚类的低压台区用户接入点识别方法 |
-
2020
- 2020-11-05 CN CN202011224581.9A patent/CN112329628A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078160A1 (en) * | 2002-10-11 | 2004-04-22 | Frei Mark G. | Method, computer program, and system for intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale |
US20170220854A1 (en) * | 2016-01-29 | 2017-08-03 | Conduent Business Services, Llc | Temporal fusion of multimodal data from multiple data acquisition systems to automatically recognize and classify an action |
CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
CN108280464A (zh) * | 2017-12-22 | 2018-07-13 | 南京邮电大学 | Dwt和emd融合近似熵的脑电特征提取方法 |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
CN111126429A (zh) * | 2019-11-10 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于PCA降维和K-Means聚类的低压台区用户接入点识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537402A (zh) * | 2021-08-13 | 2021-10-22 | 重庆大学 | 一种基于振动信号的换流变压器多尺度融合特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
CN111965476B (zh) | 一种基于图卷积神经网络的低电压诊断方法 | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
Wang et al. | A fast abnormal data cleaning algorithm for performance evaluation of wind turbine | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及*** | |
CN111582406A (zh) | 一种电力设备状态监测数据聚类方法和*** | |
CN112633315A (zh) | 一种电力***扰动分类方法 | |
CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
Chen | Review on supervised and unsupervised learning techniques for electrical power systems: Algorithms and applications | |
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 | |
CN110889435A (zh) | 基于红外图像的绝缘子评估分类方法及其装置 | |
CN110689324A (zh) | 一种配电变压器检测结果的辅助评判方法 | |
CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN116559650A (zh) | 一种基于多维熵距的自动转换开关故障识别方法 | |
Tang et al. | An improved fuzzy C-means clustering algorithm for transformer fault | |
CN109506936B (zh) | 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法 | |
Yin et al. | The detection of DC arc fault based on DFA | |
CN117691756B (zh) | 配电柜的安全预警管理方法及*** | |
Qi et al. | Based on Sugeno fuzzy integral combined multi-parameter partial discharge diagnosis | |
Raymond | Partial discharge classification on xlpe cable joints under different noise levels using artificial intelligence techniques | |
CN118094115A (zh) | 基于末屏电压的换流变阀侧套管壳体状态巡检方法及*** | |
Li et al. | Fault Arc Detection Method Based on Multi Feature Analysis and PNN | |
Lu et al. | Research on Multi-modal feature extraction and covolutional neural network for deterioration identification of GIS equipment | |
Ke et al. | A distributed ensemble bpnn used for status assessment of circuit breakers based on coil current characteristics |
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 |