一种基于振动特征的高压并联电抗器机械状态评估方法技术

本发明专利技术公开了一种基于振动特征的高压并联电抗器机械状态评估方法，涉及电气设备故障诊断技术领域；其包括基于高压并联电抗器的历史状态数据和实时振动噪声信号数据，通过LSTM神经网络时间序列预测方法，对比预测特征值与实际特征值的偏差，衡量高压并联电抗器是或否出现机械缺陷或故障；其通过高压并联电抗器的历史状态数据和实时振动噪声信号数据、LSTM神经网络时间序列预测方法、对比预测特征值与实际特征值的偏差等，实现了高压并联电抗器机械状态评估。

【技术实现步骤摘要】
一种基于振动特征的高压并联电抗器机械状态评估方法
本专利技术涉及电气设备故障诊断
，尤其涉及一种基于振动特征的高压并联电抗器机械状态评估方法。
技术介绍
高压并联电抗器是电力系统中重要的无功补偿设备，对电力系统的安全稳定运行起着重要的作用，其电压等级在500kV以上。近年来全国范围内有多台高压并联电抗器处于异常状态或发生故障，因此对高压并联电抗器开展故障诊断具有十分重要的意义。根据发生故障的高压并联电抗器解体报告，高压并联电抗器主要故障形式为内部紧固件松动，产生局部悬浮电位，进而产生异常的局部放电、乙炔增高，最终导致设备停运。据相关资料显示，目前常见的高压并联电抗器状态评估方法有油色谱法、特高频法、超声法，这些方法在高压并联电抗器故障后期(出现绝缘缺陷)陷诊断方面表现出较高的准确性，但对于其早期机械故障难以及时诊断。振动法利用高压并联电抗器油箱表面的振动信号检测其机械状态，具有在线、非侵入和对早期机械故障反应灵敏的优点，相关科研机构和企业研制了种类繁多的基于振动声学信号的高压并联电抗器在线监测仪器，实现了高压并联电抗器油箱表面振动信号的实时观测和记录。但是不同电压等级、不同生产厂家的高压并联电抗器表面振动信号有所不同，即使是同一生产厂家生产的同一种类高压并联电抗器，由于生产工艺把控和高压并联电抗器本身机械系统的复杂性，其振动信号也会不同，并且对于某台特定的高压并联电抗器，在其运行的不同阶段，振动信号也会随运行年限增长和环境因素的波动而发生改变，目前的诊断评估方法未充分考虑被观测高压并联电抗器在不同时间维度下本身的运行特征，其典型健康振动信号集、典型故障振动信号集的选择和判据的确立往往基于自于一次实验室小模型实验的统计、经验结果或其它在运电抗器相关统计结果，给高压并联电抗器状态评估带来了一定困难。因此针对基于振动信号的高压并联电抗器机械状态评估，专利技术一种综合利用设备本体获取随时间变化的特征数据，判据具有个性化和能自适应当前运行环境和运行年限的高压并联电抗器振动特征评估方法具有重要意义，该方法具有坚实的工程背景和广阔的应用前景。现有技术问题及思考：如何解决高压并联电抗器机械状态评估的技术问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于振动特征的高压并联电抗器机械状态评估方法，其通过高压并联电抗器的历史状态数据和实时振动噪声信号数据、LSTM神经网络时间序列预测方法、对比预测特征值与实际特征值的偏差等，实现了高压并联电抗器机械状态评估。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于振动特征的高压并联电抗器机械状态评估方法，基于高压并联电抗器的历史状态数据和实时振动噪声信号数据，通过LSTM神经网络时间序列预测方法，对比预测特征值与实际特征值的偏差，衡量高压并联电抗器是或否出现机械缺陷或故障。进一步的技术方案在于：采集高压并联电抗器油箱表面的振动信号和噪声信号，提取信号中的特征值并组成时间序列，结合时间序列预测模型，计算预测值与实际值的综合偏差衡量因子，通过该因子判断衡量高压并联电抗器的油箱内部是或否发生非自然趋势的机械缺陷或故障。进一步的技术方案在于：将高压并联电抗器油箱表面的振动信号和噪声信号的基频幅值作为特征变量。进一步的技术方案在于：将30分钟作为一个采样周期，采集高压并联电抗器油箱表面的振动信号和噪声信号。进一步的技术方案在于：通过LSTM神经网络预测高压并联电抗器未来一段时间内的振动特征值。进一步的技术方案在于：基于LSTM神经网络对振动特征的预测结果，计算预测特征值与实际特征值的综合偏差衡量因子，将综合偏差衡量因子作为状态评估指标。进一步的技术方案在于：包括S1高压并联电抗器振动信号和噪声信号采集及数据预处理、S2建立LSTM神经网络模型并设置参数、S3利用LSTM神经网络预测信号基频幅值和S4利用综合偏差因子对高压并联电抗器运行状态进行评估的步骤，所述S2建立LSTM神经网络模型并设置参数的步骤包括S201确定输入层、隐层和输出层神经元个数和S202构建预测模型的步骤，S2建立LSTM神经网络模型并设置参数S201确定输入层、隐层和输出层神经元个数确定神经网络的输入层神经元为480，输出层神经元为48，隐层神经元为24；S202构建预测模型根据隐层层数为1，构建神经网络模型，网络的隐层具有时序关系，显著的特征在于具有当前信息的隐藏层的输出作为输入被转移到下一时间步的隐藏层。进一步的技术方案在于：所述S3利用LSTM神经网络预测信号基频幅值的步骤包括S301输入序列、S302确定学习率、迭代次数和误差标准、S303确定当前时刻遗忘门、S304确定当前时刻输入门、S305确定当前时刻候选信息、S306确定当前时刻候选信息中要保留下的信息、S307确定当前时刻单元状态、S308确定当前时刻输出门和S309预测特征序列的步骤，S3利用LSTM神经网络预测信号基频幅值S301输入序列将S103步骤中过滤后的序列作为输入；S302确定学习率、迭代次数和误差标准确定神经网络学习率为0.001，迭代次数为5000，误差标准为0.00001；S303确定当前时刻遗忘门进行预测的过程中，时间序列预测模型中的遗忘门在接收到上一个单元状态Ct-1传送过来的信息后确定从中遗忘的信息和保留的信息，其输出ft＝σ(Wf·xt+Ufht-1+bf)(2)式2中，ft为遗忘门，用来筛选上一时刻的信息中需要保留的信息和需要遗忘的信息，数值；xt为特征序列中当前时刻的输入，数值；ht-1为上一时刻的输出结果，数值；Wf为当前时刻输入xt的权重值，数值；Uf为上时刻输出ht-1的权重值，数值；bf为计算遗忘门的偏置，数值；σ为sigmoid激活函数，用来将变量映射到在0到1之间，公式为：式3中，j为sigmoid激活函数的自变量，数值；σ(j)为自变量j经过映射后的结果，其范围在0到1之间，数值；S304确定当前时刻输入门时间序列预测模型中的输入门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输入的信息，即it＝σ(Wixt+Uiht-1+bi)(4)式4中，it为输入门，用来筛选当前时刻的信息中需要保留的信息和需要删除的信息，数值；Wi为当前时刻输入xt的权重值，数值，Ui为上时刻输出ht-1的权重值，数值；bi为计算输入门的偏置，数值；σ为sigmoid激活函数，用来将变量映射到在0到1之间；S305确定当前时刻候选信息式5中，表示当前时刻的候选信息，数值；包含着当前时刻输入xt和上一时刻输出ht-1的信息；Wc为当前时刻输入xt的权重值，数值；Uc为上时刻输出ht-1的权重值，数值；bc为计算当前候选信息的偏置，数值；tanh为激活函数，计算结果介值于-1到1之间，公式为：式6中，k为tanh激活函数的自变量，数值；ta本文档来自技高网...

【技术保护点】
1.一种基于振动特征的高压并联电抗器机械状态评估方法，其特征在于：基于高压并联电抗器的历史状态数据和实时振动噪声信号数据，通过LSTM神经网络时间序列预测方法，对比预测特征值与实际特征值的偏差，衡量高压并联电抗器是或否出现机械缺陷或故障。/n

【技术特征摘要】
1.一种基于振动特征的高压并联电抗器机械状态评估方法，其特征在于：基于高压并联电抗器的历史状态数据和实时振动噪声信号数据，通过LSTM神经网络时间序列预测方法，对比预测特征值与实际特征值的偏差，衡量高压并联电抗器是或否出现机械缺陷或故障。


2.根据权利要求1所述的一种基于振动特征的高压并联电抗器机械状态评估方法，其特征在于：采集高压并联电抗器油箱表面的振动信号和噪声信号，提取信号中的特征值并组成时间序列，结合时间序列预测模型，计算预测值与实际值的综合偏差衡量因子，通过该因子判断衡量高压并联电抗器的油箱内部是或否发生非自然趋势的机械缺陷或故障。


3.根据权利要求2所述的一种基于振动特征的高压并联电抗器机械状态评估方法，其特征在于：将高压并联电抗器油箱表面的振动信号和噪声信号的基频幅值作为特征变量。


4.根据权利要求2所述的一种基于振动特征的高压并联电抗器机械状态评估方法，其特征在于：将30分钟作为一个采样周期，采集高压并联电抗器油箱表面的振动信号和噪声信号。


5.根据权利要求1所述的一种基于振动特征的高压并联电抗器机械状态评估方法，其特征在于：通过LSTM神经网络预测高压并联电抗器未来一段时间内的振动特征值。


6.根据权利要求1所述的一种基于振动特征的高压并联电抗器机械状态评估方法，其特征在于：基于LSTM神经网络对振动特征的预测结果，计算预测特征值与实际特征值的综合偏差衡量因子，将综合偏差衡量因子作为状态评估指标。


7.根据权利要求1所述的一种基于振动特征的高压并联电抗器机械状态评估方法，其特征在于：包括S1高压并联电抗器振动信号和噪声信号采集及数据预处理、S2建立LSTM神经网络模型并设置参数、S3利用LSTM神经网络预测信号基频幅值和S4利用综合偏差因子对高压并联电抗器运行状态进行评估的步骤，所述S2建立LSTM神经网络模型并设置参数的步骤包括S201确定输入层、隐层和输出层神经元个数和S202构建预测模型的步骤，
S2建立LSTM神经网络模型并设置参数
S201确定输入层、隐层和输出层神经元个数
确定神经网络的输入层神经元为480，输出层神经元为48，隐层神经元为24；
S202构建预测模型
根据隐层层数为1，构建神经网络模型，网络的隐层具有时序关系，显著的特征在于具有当前信息的隐藏层的输出作为输入被转移到下一时间步的隐藏层。


8.根据权利要求7所述的一种基于振动特征的高压并联电抗器机械状态评估方法，其特征在于：所述S3利用LSTM神经网络预测信号基频幅值的步骤包括S301输入序列、S302确定学习率、迭代次数和误差标准、S303确定当前时刻遗忘门、S304确定当前时刻输入门、S305确定当前时刻候选信息、S306确定当前时刻候选信息中要保留下的信息、S307确定当前时刻单元状态、S308确定当前时刻输出门和S309预测特征序列的步骤，
S3利用LSTM神经网络预测信号基频幅值
S301输入序列
将S103步骤中过滤后的序列作为输入；
S302确定学习率、迭代次数和误差标准
确定神经网络学习率为0.001，迭代次数为5000，误差标准为0.00001；
S303确定当前时刻遗忘门
进行预测的过程中，时间序列预测模型中的遗忘门在接收到上一个单元状态Ct-1传送过来的信息后确定从中遗忘的信息和保留的信息，其输出
ft＝σ(Wf·xt+Ufht-1+bf)(2)
式2中，ft为遗忘门，用来筛选上一时刻的信息中需要保留的信息和需要遗忘的信息，数值；xt为特征序列中当前时刻的输入，数值；ht-1为上一时刻的输出结果，数值；Wf为当前时刻输入xt的权重值，数值；Uf为上时刻输出ht-1的权重值，数值；bf为计算遗忘门的偏置，数值；σ为sigmoid激活函数，用来将变量映射到在0到1之间，公式为：



式3中，j为sigmoid激活函数的自变量，数值；σ(j)为自变量j经过映射后的结果，其范围在0到1之间，数值；
S304确定当前时刻输入门
时间序列预测模型中的输入门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输入的信息，即
it＝σ(Wixt+Uiht-1+bi)(4)
式4中，it为输入门，用来筛选当前时刻的信息中需要保留的信息和需要删除的信息，数值；Wi为当前时刻输入xt的权重值，数值，Ui为上时刻输出ht-1的权重值，数值；bi为计算输入门的偏置，数值；σ为sigmoid激活函数，用来将变量映射到在0到1之间；
S305确定当前时刻候选信息



式5中，表示当前时刻的候选信息，数值；包含着当前时刻输入xt和上一时刻输出ht-1的信息；Wc为当前时刻输入xt的权重值，数值；Uc为上时刻输出ht-1的权重值，数值；bc为计算当前候选信息的偏置，数值；tanh为激活函数，计算结果介值于-1到1之间，公式为：



式6中，k为tanh激活函数的自变量，数值；tanh(k)为自变量k经过映...

【专利技术属性】
技术研发人员：高树国，孟令明，曾四鸣，汲胜昌，党永亮，刘宏亮，孙路，赵军，
申请(专利权)人：国网河北省电力有限公司电力科学研究院，国家电网有限公司，西安交通大学，
类型：发明
国别省市：河北;13