CN112557966A - 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 - Google Patents

一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 Download PDF

Info

Publication number
CN112557966A
CN112557966A CN202011393866.5A CN202011393866A CN112557966A CN 112557966 A CN112557966 A CN 112557966A CN 202011393866 A CN202011393866 A CN 202011393866A CN 112557966 A CN112557966 A CN 112557966A
Authority
CN
China
Prior art keywords
vector machine
transformer
support vector
decomposition
signal
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
Application number
CN202011393866.5A
Other languages
English (en)
Inventor
许洪华
张勇
马宏忠
李勇
颜锦
王春宁
刘宝稳
陈寿龙
王立宪
顾仲翔
朱雷
朱昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Hohai University HHU
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Hohai University HHU
Priority to CN202011393866.5A priority Critical patent/CN112557966A/zh
Publication of CN112557966A publication Critical patent/CN112557966A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
    • G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明公开了一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，其步骤如下：步骤1：分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号；步骤2：对采集的振动信号进行变分模态分解，取得各PF分量；步骤3：计算各PF分量的能量与奇异值及重构信号的排列熵与奇异谱熵；步骤4：通过Fisher‑Score法选出精度较高的特征来构成特征向量组；步骤5：利用训练样本集对模拟退火优化的支持向量机模型进行训练；步骤6：用得到的支持向量机模型作为分类器对测试样本集进行分类识别，实现故障诊断。本发明可在变压器合闸瞬间对变压器绕组松动状态进行识别，实现了变压器的早期预警，为进行变压器振动信号特征提取与故障诊断提供了一种新的方法。

Description

一种基于局部均值分解与支持向量机的变压器绕组松动识别 方法
技术领域
本发明属于电力变压器机械故障诊断技术领域，尤其涉及一种基于局部均值分解与支持向量机的变压器绕组松动识别方法。
背景技术
变压器在电力***中，结构复杂，价格高，对电力***的安全稳定运行具有关键性作用，一旦变压器出现故障造成停电，将会导致重大的经济损失。所以对变压器运行情况进行监测及故障诊断，提前发现故障隐患并消除，提高变压器可靠性，对于保证变压器可靠运行具有重要意义。
变压器由于运行时间长，容易出现各种故障，比如铁芯松动、绕组变形、变形等。目前对电力变压器绕组、铁芯等机械故障状态监测方法有：短路阻抗法、低压脉冲法、频率响应分析法。短路阻抗法试验时间长，精度不高，需要投入大量的分析验证工作。频率响应法存在诊断滞后，对变压器机械故障无法有效诊断等缺陷。其中，近年来，振动分析法成为变压器机械故障诊断的热点。相比其他方法，振动法与变压器无电气连接，具有较强的抗干扰能力、可靠的监测变压器状态。因此，本发明利用变压器合闸瞬间的振动信号，提出了一种基于局部均值分解与支持向量机的变压器绕组松动识别方法。
发明内容
针对上述问题，本发明提供了一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，解决了现有技术中诊断方法误判的问题。
为了解决上述技术问题，本发明提出的技术方案是：一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，包括以下步骤：
步骤1：分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号；
步骤2：对采集的振动信号进行局部均值分解，得到各PF分量；
对电力变压器合闸瞬间的振动信号
Figure 395397DEST_PATH_IMAGE002
分解成n个PF分量与一个残差函数R之和，即：
Figure 843696DEST_PATH_IMAGE004
；
步骤3：计算各PF分量的能量值与奇异值以及重构信号的排列熵与奇异谱熵值；
步骤4：通过Fisher-Score法选出精度较高的特征来构成特征向量组；
定义Fisher Score为：
Figure 623433DEST_PATH_IMAGE006
；
式中：
Figure 549801DEST_PATH_IMAGE008
为样本第i个特征
Figure 364173DEST_PATH_IMAGE010
的均值；
Figure 717794DEST_PATH_IMAGE012
为样本第i各特征
Figure 984828DEST_PATH_IMAGE010
在第k类的均值；h为样本总数；
Figure DEST_PATH_IMAGE014
为第k类样本个数；
Figure DEST_PATH_IMAGE016
为第i个特征在第j个样本的值；
Figure DEST_PATH_IMAGE018
越小，特征
Figure 246045DEST_PATH_IMAGE010
更能识别故障；
步骤5：将振动信号分为训练样本集和测试样本集，利用训练样本集对模拟退火优化的支持向量机模型进行训练；
步骤6：用得到的支持向量机模型作为分类器对测试样本集进行分类识别，实现故障诊断。
上述方案的进一步改进在于：所述步骤2中，所述分解是指从复杂的原始信号中分离出纯调频信号和包络信号，将纯调频信号和包络信号相乘便可以得到一个瞬时频率具有物理意义的PF函数分量。
上述方案的进一步改进在于：所述步骤3中，对局部均值分解后的各PF分量时间序列离散化，计算各PF分量的能量Ei构成能量特征向量；将K个PF分量组成分量矩阵作为初始矩阵，并对其作奇异值分解，得到不同频率的特征奇异值；对局部均值分解的各PF分量加以筛选，重新构造信号。利用构造信号计算排列熵和奇异谱熵。
上述方案的进一步改进在于：所述步骤三中， PF分量能量值Ei求解如下：
Figure DEST_PATH_IMAGE020
；
式中：n为各采样点；m为采样点总数。
对PF分量能量值进行归一化处理如下：
Figure 446082DEST_PATH_IMAGE022
；
则可得到能量特征向量为：
Figure 439446DEST_PATH_IMAGE024
；
（2）PF分量奇异值求解如下：
把PF分量组成特征向量矩阵
Figure 724933DEST_PATH_IMAGE026
，对U进行奇异值分解，得到能反应变压器绕组状态的特征值。
（3）重构信号的排列熵求解如下:
设定一个阈值，把经过局部均值分解后的各PF分量加以筛选，与原信号相关度不高的分量剔除，剩下的分量重组构成信号。
排列熵定义为：
Figure 461945DEST_PATH_IMAGE028
；
式中：
Figure 516489DEST_PATH_IMAGE030
为嵌入维数；Pi为第i中不同序列的概率。
（4）重构信号的奇异谱熵反映了信号的能量分布，能量分布越集中，熵越大；能量分布越离散，熵越小；即可以来表征变压器绕组不同状态。
上述方案的进一步改进在于：所述步骤4中，利用Fisher-Score法选择一个具有鉴别力的特征量，所述特征量应与同一类别样本间的方差应尽可能小
上述方案的进一步改进在于：所述步骤五具体如下：
步骤5.1：设置Metropolis初始值数目、惩罚因子及核函数参数上下限；
步骤5.2：在核函数和参数的搜索范围内生成随机数，构成支持向量机的原始结构，用训练样本集来训练这一个初始的支持向量机，然后用该向量机模型对检测样本集分类，并计算精确度；
步骤5.3：在该核函数和参数的范围生成一个随机的扰动，更新核函数和参数，再用样本集对其训练，得出新的支持向量机参数对应的模型，并对样本集分类，并计算精确度；
步骤5.4：根据Metropolis准则，接受或放弃新核函数和参数；
步骤5.5：重复步骤5.3、步骤5.4、步骤5.5，完成迭代过程；
步骤5.6：判断最优值是否符合要求，如果不满足，逐渐减小退火温度，重复步骤5.3、步骤5.4、步骤5.5，直到满足条件；否则，输出惩罚因子和核函数参数，及支持向量机模型与分类结果。
本发明的有益结果是：电力变压器合闸而产生励磁涌流的时刻，利用加速度传感器采集变压器合闸瞬间的振动信号，诊断样本充足且具备早期预警等优势。另外，励磁涌流波形复杂，冲击绕组后振动信号的信息丰富，利于故障分析，防止电力变压器在故障状态下继续运行；
本发明用局部均值分解能将变压器合闸瞬间的非线性、非平稳的复杂信号高效的分解，同基于集合经验模态分解算法相比，其能够避免产生模态混叠现象，准确率更高。各PF分量的能量与奇异值，以及重构信号的排列熵与奇异谱熵蕴含变压器的故障特征，利用Fisher-Score法能从这些特征向量中选出最能反映故障的特征，提高故障诊断能力；
本发明利用模拟退火算法自动寻找最优的核函数及其参数，应用到变压器合闸瞬间的绕组松动识别问题，在一定程度上降低了人为选择参数的难度，提高了计算效率。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的电抗器匝间短路等效电路模型图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明提供了一种基于局部均值分解与支持向量机的变压器绕组松动故障识别方法，具体流程见图1，所述方法包括以下步骤：
步骤1：分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号。
步骤2：对采集的振动信号进行局部均值分解，得到各PF分量。
对电力变压器合闸瞬间的振动信号
Figure 946333DEST_PATH_IMAGE002
分解成n个PF分量与一个残差函数R之和，即：
Figure 719117DEST_PATH_IMAGE004
；
步骤3：计算各PF分量的能量值与奇异值以及重构信号的排列熵与奇异谱熵值。
所述步骤三中， PF分量能量值Ei求解如下：
Figure 994241DEST_PATH_IMAGE020
；
式中：n为各采样点；m为采样点总数。
对PF分量能量值进行归一化处理如下：
Figure DEST_PATH_IMAGE031
；
则可得到能量特征向量为：
Figure 700029DEST_PATH_IMAGE024
；
（2）PF分量奇异值求解如下：
把PF分量组成特征向量矩阵
Figure 35195DEST_PATH_IMAGE032
，对U进行奇异值分解，得到能反应变压器绕组状态的特征值。
（3）重构信号的排列熵求解如下:
设定一个阈值，把经过局部均值分解后的各PF分量加以筛选，与原信号相关度不高的分量剔除，剩下的分量重组构成信号。
排列熵定义为：
Figure 764117DEST_PATH_IMAGE028
；
式中：
Figure 374089DEST_PATH_IMAGE030
为嵌入维数；Pi为第i中不同序列的概率。
（4）重构信号的奇异谱熵反映了信号的能量分布，能量分布越集中，熵越大；能量分布越离散，熵越小；即可以来表征变压器绕组不同状态。
步骤4：通过Fisher-Score法选出精度较高的特征来构成特征向量组。
定义Fisher Score为：
Figure 872067DEST_PATH_IMAGE006
；
式中：
Figure 174872DEST_PATH_IMAGE008
为样本第i个特征
Figure 125511DEST_PATH_IMAGE010
的均值；
Figure 539175DEST_PATH_IMAGE012
为样本第i各特征
Figure 891658DEST_PATH_IMAGE010
在第k类的均值；h为样本总数；
Figure 365365DEST_PATH_IMAGE014
为第k类样本个数；
Figure DEST_PATH_IMAGE033
为第i个特征在第j个样本的值；
Figure 334458DEST_PATH_IMAGE018
越小，特征
Figure 755075DEST_PATH_IMAGE010
更能识别故障；
步骤5：将振动信号分为训练样本集和测试样本集，利用训练样本集对模拟退火优化的支持向量机模型进行训练；
步骤五具体如下：
步骤5.1：设置Metropolis初始值数目、惩罚因子及核函数参数上下限；
步骤5.2：在核函数和参数的搜索范围内生成随机数，构成支持向量机的原始结构，用训练样本集来训练这一个初始的支持向量机，然后用该向量机模型对检测样本集分类，并计算精确度；
步骤5.3：在该核函数和参数的范围生成一个随机的扰动，更新核函数和参数，再用样本集对其训练，得出新的支持向量机参数对应的模型，并对样本集分类，并计算精确度；
步骤5.4：根据Metropolis准则，接受或放弃新核函数和参数；
步骤5.5：重复步骤5.3、步骤5.4、步骤5.5，完成迭代过程；
步骤5.6：判断最优值是否符合要求，如果不满足，逐渐减小退火温度，重复步骤5.3、步骤5.4、步骤5.5，直到满足条件；否则，输出惩罚因子和核函数参数，及支持向量机模型与分类结果。
步骤6：用得到的支持向量机模型作为分类器对测试样本集进行分类识别，实现故障诊断。
实验变压器为SFZ10-31500/110油浸式电力变压器，采用JF-2020压电式加速度传感器测量变压器正上方的振动信号，设置采样频率为10kHz。实验过程中，为减小合闸瞬间产生的励磁涌流对结果所造成的影响，设置变压器绕组不完全松动、完全松动两种故障，分别测量五次信号。
将数据分为训练样本集和测试样本集，训练样本集用于支持向量机的训练，测试样本集用于模型的测试。采用基于模拟退火优化的支持向量机进行训练，如图2所示，取得的最优分类模型是：惩罚因子为0.25，核函数参数为4。为了验证本方法的效果，分别在变压器两种故障状态下进行集合经验模态分解，利用得到的模态分量计算其能量与奇异值以及重构信号的排列熵和奇异值熵，并用Fisher-Score法对上述特性进行选择，取得最优的特征，出入到模拟退火优化的支持向量机训练，并测试该方法的故障诊断情况。此外，为了比较特征选择的有效性，将变压器空载合闸振动信号局部均值分解后的计算得到的全部特征输入到支持向量机训练与测试。结果表明，相比后两种方法，本发明的诊断精确度更好。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，其特征在于，所述方法包括：
步骤1：分别采集变压器合闸瞬间的正常状态与绕组松动状态的振动信号；
步骤2：对采集的振动信号进行局部均值分解，得到各PF分量；
对电力变压器合闸瞬间的振动信号
Figure 976288DEST_PATH_IMAGE001
分解成n个PF分量与一个残差函数R之和，即：
Figure 805704DEST_PATH_IMAGE002
；
步骤3：计算各PF分量的能量值与奇异值以及重构信号的排列熵与奇异谱熵值；
步骤4：通过Fisher-Score法选出精度较高的特征来构成特征向量组；
定义Fisher Score为：
Figure 786299DEST_PATH_IMAGE003
；
式中：
Figure 421679DEST_PATH_IMAGE004
为样本第i个特征
Figure 781116DEST_PATH_IMAGE005
的均值；
Figure 673111DEST_PATH_IMAGE006
为样本第i各特征
Figure 750789DEST_PATH_IMAGE005
在第k类的均值；h为样本 总数；
Figure 252177DEST_PATH_IMAGE007
为第k类样本个数；
Figure 731700DEST_PATH_IMAGE008
为第i个特征在第j个样本的值；
Figure 293131DEST_PATH_IMAGE009
越小，特征
Figure 858105DEST_PATH_IMAGE005
更能识别 故障；
步骤5：将振动信号分为训练样本集和测试样本集，利用训练样本集对模拟退火优化的支持向量机模型进行训练；
步骤6：用得到的支持向量机模型作为分类器对测试样本集进行分类识别，实现故障诊断。
2.根据权利要求1所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，其特征在于：所述步骤2中，所述分解是指从复杂的原始信号中分离出纯调频信号和包络信号，将纯调频信号和包络信号相乘便可以得到一个瞬时频率具有物理意义的PF函数分量。
3.根据权利要求1所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，其特征在于：所述步骤3中，对局部均值分解后的各PF分量时间序列离散化，计算各PF分量的能量Ei构成能量特征向量；将K个PF分量组成分量矩阵作为初始矩阵，并对其作奇异值分解，得到不同频率的特征奇异值；对局部均值分解的各PF分量加以筛选，重新构造信号，利用构造信号计算排列熵和奇异谱熵。
4.根据权利要求3所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，其特征在于：所述步骤三中， PF分量能量值Ei求解如下：
Figure 163184DEST_PATH_IMAGE010
；
式中：n为各采样点；m为采样点总数；
对PF分量能量值进行归一化处理如下：
Figure 293951DEST_PATH_IMAGE011
；
则可得到能量特征向量为：
Figure 901650DEST_PATH_IMAGE012
；
（2）PF分量奇异值求解如下：
把PF分量组成特征向量矩阵
Figure 568300DEST_PATH_IMAGE013
，对U进行奇异值分解，得到能反应变压器绕 组状态的特征值；
（3）重构信号的排列熵求解如下:
设定一个阈值，把经过局部均值分解后的各PF分量加以筛选，与原信号相关度不高的分量剔除，剩下的分量重组构成信号；
排列熵定义为：
Figure 286857DEST_PATH_IMAGE014
；
式中：
Figure 600027DEST_PATH_IMAGE015
为嵌入维数；Pi为第i中不同序列的概率；
（4）重构信号的奇异谱熵反映了信号的能量分布，能量分布越集中，熵越大；能量分布越离散，熵越小；即可以来表征变压器绕组不同状态。
5.根据权利要求1所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，其特征在于：所述步骤4中，利用Fisher-Score法选择一个具有鉴别力的特征量，所述特征量应与同一类别样本间的方差应尽可能小。
6.根据权利要求1所述的一种基于局部均值分解与支持向量机的变压器绕组松动识别方法，其特征在于：所述步骤五具体如下：
步骤5.1：设置Metropolis初始值数目、惩罚因子及核函数参数上下限；
步骤5.2：在核函数和参数的搜索范围内生成随机数，构成支持向量机的原始结构，用训练样本集来训练这一个初始的支持向量机，然后用该向量机模型对检测样本集分类，并计算精确度；
步骤5.3：在该核函数和参数的范围生成一个随机的扰动，更新核函数和参数，再用样本集对其训练，得出新的支持向量机参数对应的模型，并对样本集分类，并计算精确度；
步骤5.4：根据Metropolis准则，接受或放弃新核函数和参数；
步骤5.5：重复步骤5.3、步骤5.4、步骤5.5，完成迭代过程；
步骤5.6：判断最优值是否符合要求，如果不满足，逐渐减小退火温度，重复步骤5.3、步骤5.4、步骤5.5，直到满足条件；否则，输出惩罚因子和核函数参数，及支持向量机模型与分类结果。
CN202011393866.5A 2020-12-02 2020-12-02 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 Pending CN112557966A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011393866.5A CN112557966A (zh) 2020-12-02 2020-12-02 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011393866.5A CN112557966A (zh) 2020-12-02 2020-12-02 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法

Publications (1)

Publication Number Publication Date
CN112557966A true CN112557966A (zh) 2021-03-26

Family

ID=75047451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011393866.5A Pending CN112557966A (zh) 2020-12-02 2020-12-02 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法

Country Status (1)

Country Link
CN (1) CN112557966A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113252322A (zh) * 2021-04-27 2021-08-13 国网安徽省电力有限公司亳州供电公司 一种含噪背景下的断路器机械故障诊断方法及装置
CN113391244A (zh) * 2021-06-13 2021-09-14 河海大学 一种基于vmd的变压器合闸振动信号特征频率计算方法
CN114088400A (zh) * 2021-11-01 2022-02-25 中国人民解放军92728部队 一种基于包络排列熵的滚动轴承故障诊断方法
CN114325480A (zh) * 2021-11-19 2022-04-12 广东核电合营有限公司 多相无刷励磁机的二极管开路故障检测方法、装置
CN116757100A (zh) * 2023-08-18 2023-09-15 国科大杭州高等研究院 推力预测模型训练及推力预测方法、装置、设备、介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832687A (zh) * 2017-10-27 2018-03-23 武汉大学 基于无线标识传感的变压器绕组故障诊断方法
CN109270445A (zh) * 2018-09-07 2019-01-25 广西电网有限责任公司电力科学研究院 基于lmd的断路器弹簧操动机构状态异常检测方法
CN109975634A (zh) * 2019-03-04 2019-07-05 河南理工大学 一种基于原子稀疏分解的变压器绕组故障诊断方法
CN110031703A (zh) * 2019-04-25 2019-07-19 国网冀北电力有限公司检修分公司 一种超特高压变压器的异常工况判别方法及***
CN110146268A (zh) * 2019-05-28 2019-08-20 河海大学 一种基于均值分解算法的oltc故障诊断方法
CN110927490A (zh) * 2019-12-02 2020-03-27 吉林松江河水力发电有限责任公司 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法
CN111579238A (zh) * 2020-05-14 2020-08-25 常州信息职业技术学院 一种基于mffoa优化svm的齿轮裂纹故障在线监控方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832687A (zh) * 2017-10-27 2018-03-23 武汉大学 基于无线标识传感的变压器绕组故障诊断方法
CN109270445A (zh) * 2018-09-07 2019-01-25 广西电网有限责任公司电力科学研究院 基于lmd的断路器弹簧操动机构状态异常检测方法
CN109975634A (zh) * 2019-03-04 2019-07-05 河南理工大学 一种基于原子稀疏分解的变压器绕组故障诊断方法
CN110031703A (zh) * 2019-04-25 2019-07-19 国网冀北电力有限公司检修分公司 一种超特高压变压器的异常工况判别方法及***
CN110146268A (zh) * 2019-05-28 2019-08-20 河海大学 一种基于均值分解算法的oltc故障诊断方法
CN110927490A (zh) * 2019-12-02 2020-03-27 吉林松江河水力发电有限责任公司 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法
CN111579238A (zh) * 2020-05-14 2020-08-25 常州信息职业技术学院 一种基于mffoa优化svm的齿轮裂纹故障在线监控方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨森等: "基于变分模态分解与特征选择的变压器有载分接开关机械故障诊断", 《南方电网技术》 *
王涛云 等: "基于空载合闸振动信号的变压器绕组松动诊断", 《中国电力》 *
黄辉敏 等: "基于LMD 和SVM 的高压断路器弹簧操动机构状态异常检测方法研究", 《高压电器》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113252322A (zh) * 2021-04-27 2021-08-13 国网安徽省电力有限公司亳州供电公司 一种含噪背景下的断路器机械故障诊断方法及装置
CN113252322B (zh) * 2021-04-27 2022-05-31 国网安徽省电力有限公司亳州供电公司 一种含噪背景下的断路器机械故障诊断方法及装置
CN113391244A (zh) * 2021-06-13 2021-09-14 河海大学 一种基于vmd的变压器合闸振动信号特征频率计算方法
CN113391244B (zh) * 2021-06-13 2024-01-12 河海大学 一种基于vmd的变压器合闸振动信号特征频率计算方法
CN114088400A (zh) * 2021-11-01 2022-02-25 中国人民解放军92728部队 一种基于包络排列熵的滚动轴承故障诊断方法
CN114088400B (zh) * 2021-11-01 2024-04-09 中国人民解放军92728部队 一种基于包络排列熵的滚动轴承故障诊断方法
CN114325480A (zh) * 2021-11-19 2022-04-12 广东核电合营有限公司 多相无刷励磁机的二极管开路故障检测方法、装置
CN114325480B (zh) * 2021-11-19 2023-09-29 广东核电合营有限公司 多相无刷励磁机的二极管开路故障检测方法、装置
CN116757100A (zh) * 2023-08-18 2023-09-15 国科大杭州高等研究院 推力预测模型训练及推力预测方法、装置、设备、介质
CN116757100B (zh) * 2023-08-18 2023-12-15 国科大杭州高等研究院 推力预测模型训练及推力预测方法、装置、设备、介质

Similar Documents

Publication Publication Date Title
CN112557966A (zh) 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法
Liu et al. Classifying transformer winding deformation fault types and degrees using FRA based on support vector machine
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
CN110503004B (zh) 一种开关电源运行状态的在线判别方法
CN105547465A (zh) 一种变压器振动信号绕组状态特征提取方法
CN106017879A (zh) 基于振声信号特征融合的万能式断路器机械故障诊断方法
CN110221200A (zh) 一种基于深度学习的万能式断路器附件故障诊断方法
CN106934421A (zh) 基于2dpca及svm的变电站电力变压器故障检测***及检测方法
CN110926778A (zh) 基于异常振动的气体绝缘组合开关设备机械故障诊断方法
CN112083328A (zh) 一种高压断路器故障诊断方法及***和装置
CN109447187A (zh) 电机故障诊断方法及***
CN113297922B (zh) 一种高压开关柜故障诊断方法、装置及存储介质
CN115877205A (zh) 一种伺服电机的故障智能诊断***及其诊断方法
CN109142963B (zh) 一种匝间短路故障定位***及方法
CN110068776A (zh) 基于优化支持向量机的三电平逆变器开路故障诊断方法
CN117192347A (zh) 一种高压断路器在线监测与故障诊断***及方法
CN111079647A (zh) 一种断路器缺陷识别方法
CN110929673A (zh) 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法
CN111352365A (zh) 一种防尘通风型电力电气设备机柜及控制方法
CN112906489A (zh) 一种基于lmd与排列熵的变压器机绕组松动识别方法
CN113705637B (zh) 一种断路器机械故障检测方法、***、设备及可读存储介质
CN115238733A (zh) 一种高压断路器合分闸线圈运行状态评估方法及相关设备
CN108594062A (zh) 一种基于特征波形相似度的匝间短路故障定位方法及***
CN211123115U (zh) 一种电机槽绝缘电场冲击评估装置
CN114792108A (zh) 一种高压断路器故障诊断方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210326

RJ01 Rejection of invention patent application after publication