【技术实现步骤摘要】
基于FRCMDE的变压器铁芯故障声纹诊断方法及装置
[0001]本专利技术涉及电力设备故障
,具体涉及一种基于FRCMDE的变压器铁芯故障声纹诊断方法及装置。
技术介绍
[0002]变压器作为电力系统中核心设备,其在复杂变化条件下的状态感知、故障预警等问题日益显露,一旦发生故障,将会造成严重的供配电问题和重大的经济损失。因此,迫切需要一种有效的故障状态诊断方法,及时发现和诊断变压器的运行状态,保证其在新型电力系统复杂环境下的安全可靠运行。
[0003]变压器常见故障主要包括机械故障、绝缘故障以及过热故障等,在这之中由于机械故障所导致的电气故障发生频率最高,其中铁芯故障所占比重较大,根据统计研究表明,铁芯故障在初期大多是由于机械结构问题所引起,且随着故障程度的加深会对铁芯夹紧力、绝缘造成威胁和破坏,甚至会导致铁芯多点接地等严重的电气故障出现。变压器运行时的声音信号包含大量的运行状态信息,基于声纹分析的电力变压器故障诊断方法获得了足够的重视。该方法具有状态全面感知、信息高效处理、应用便捷灵活等特征,能够有力提高电力变压器的故障识别水平,降低电力变压器的故障概率,有效防止和减少因变压器故障而导致的重大事故。
技术实现思路
[0004]为了解决上述
技术介绍
提到的技术问题,本专利技术提出一种基于FRCMDE的变压器铁芯故障声纹诊断方法,将变压器声纹数据进行逐次变分模态分解(Successive Variational Mode Decomposition,SVMD)分解得到若干个本征模态分量(IM ...
【技术保护点】
【技术特征摘要】
1.一种基于FRCMDE的变压器铁芯故障声纹诊断方法,其特征是,包括以下步骤:S1、将变压器声纹数据进行逐次变分模态分解得到若干个本征模态分量,计算每个本征模态分量的峭度和能量占比挑选出包含有用信息的本征模态分量并进行重构;S2、求出重构信号在分析尺度内的分数阶精细复合多尺度散布熵;S3、使用 Fisher比剔除不同尺度下的分数阶精细复合多尺度散布熵中的冗余及无效部分,构造最优尺度的特征子集;S4、利用PODSBOA算法对LSSVM的超参进行优化,以所得最优特征子集为基础,构造PODSBOA
‑
LSSVM故障诊断模型,对未知变压器声纹数据进行诊断,输出诊断结果。2.根据权利要求1所述的基于FRCMDE的变压器铁芯故障声纹诊断方法,其特征是,步骤S2的具体过程如下:S201:设逐次变分模态分解重构后的信号序列X=[x1,x2,
⋯
x
n
],n为信号序列X的长度x
n
为第n个数据,在复合多尺度散布熵算法中,将初始点为按[1,τ]连续地将信号划分成长度为τ的不重叠区域,并求每个区域的平均值,以此得到粗粒化序列;S202:计算粗粒化序列的对应散布模式概率的平均值:采用标准正态分布函数将粗粒化序列映射到[0,1]范围内的映射序列Y=[y1, y2,
⋯
,y
n
],y
n
为第n个映射信号;即式中,μ,σ为信号序列X的期望和标准差,t为时间,x
i
为SVMD分解重构后的第i个信号,y
i
为第i个映射信号;通过线性变换算法,将映射序列Y映射到[1,c]范围内的整数中,得到线性变换信号,即式中,round为取整函数;c为类别个数;为第i个线性变换信号;对进行相空间重构,则嵌入向量为:式中,m为嵌入维数,d为时延, 每个映射到一个散布模式r
v0
,
v1
⋯
vm
‑1,其中,,由于散布模式r
v0
,
v1
⋯
vm
‑1内含有m个元素, 每个元素可取[1,c]的任意整数,所有可能的散布模式的数量为c
m
;计算c
m
下每个散布模式r
v0
,
v1
⋯
vm
‑1的概率P,即:式中,Num(r
v0
,
v1
⋯
vm
‑1)为对应的散布模式的个数;计算不同尺度粗粒化序列的对应散布模式概率的平均值,即:
式中,为尺度τ下的第k个粗粒化序列对应的散步模式的概率,(r
v0v1
⋯
vm
‑1)不同尺度下粗粒化序列对应的散步模式的平均概率;S203:计算不同尺度下的分数阶精细复合多尺度散布熵,即:式中,即(r
v0v1
⋯
vm
‑1),为gamma函数,Ψ为digamma函数,α为分数阶因子。3.根据权利要求1所述的基于FRCMDE的变压器铁芯故障声纹诊断方法,其特征是,步骤 S3的具体过程如下:S301:对变压器声纹数据的分数阶精细复合多尺度散...
【专利技术属性】
技术研发人员:许志浩,高家通,何登旋,黄智轩,汪大兴,蒋善旗,康兵,丁贵立,谢明梁,李雨彤,章彧涵,严由菲,
申请(专利权)人:江西派源科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。