一种适用于GIL中不同金属颗粒故障的诊断方法技术

本发明专利技术公开了一种适用于气体绝缘金属封闭输电线路(GIL)中不同金属颗粒故障的诊断方法，采集GIL中不同金属颗粒故障产生的振动信号，对振动信号分解后提取模态分量的Hurst指数，将Hurst指数输入到深度森林诊断模型中实现不同金属颗粒故障的准确诊断。本发明专利技术首先使用加速度传感器和动态数据采集仪采集GIL中不同金属颗粒故障的振动信号；使用优化的变分模态分解算法对振动信号进行模态分解；计算分解后各模态分量的Hurst指数，并将其作为故障特征向量输入到深度森林诊断模型中，完成不同金属颗粒故障的精确诊断。本发明专利技术为GIL中不同金属颗粒故障的精确诊断提供了理论依据，具有较好的应用价值。好的应用价值。好的应用价值。

【技术实现步骤摘要】
一种适用于GIL中不同金属颗粒故障的诊断方法


[0001]本专利技术涉及气体绝缘金属封闭输电线路(GIL)中金属颗粒故障诊断领域，尤其涉及一种适用于GIL中不同金属颗粒故障的诊断方法。

技术介绍

[0002]随着GIL的不断推广和应用，GIL安全运行问题受到广泛关注。金属颗粒故障属于GIL主要故障之一，会造成GIL严重绝缘事故。由于金属颗粒体积微小且产生数量不一，在GIL腔体内具有极强的隐蔽性，增加了GIL运行状态评估和检修工作的难度。
[0003]GIL中不同金属颗粒故障的放电特性、信号的时频域特征具有明显相似性，传统方法很难对不同金属颗粒故障进行精确诊断，导致GIL状态评估准确率低、检修工作难度高、工作量大等后果。因此设计出适用于GIL中不同金属颗粒故障的诊断方法尤为重要。

技术实现思路

[0004]本专利技术的目的是提供一种适用于GIL中不同金属颗粒故障的诊断方法，能够精确地诊断GIL中不同金属颗粒故障，从而有效评估GIL安全状态，为检修工作提供良好的检修指导，降低了检修工作量和检修时间，具有较强的工程实用性。
[0005]本专利技术为实现上述专利技术目的采用如下技术方案：
[0006]本专利技术提供了一种适用于GIL中不同金属颗粒故障的诊断方法，首先在气体绝缘金属封闭输电线路(GIL)中设置多种不同的金属颗粒故障，使用传感器和动态数据采集仪采集对应故障的振动信号，然后使用优化的变分模态分解算法(VMD)对金属颗粒故障的振动信号进行模态分解，其中，VMD的参数被独立自适应粒子群算法(APA
‑
PSO)进行优化，再对模态分解后得到的各模态分量(IMF)进行特征提取，将提取的特征向量组合得到故障特征向量组，最后将多种金属颗粒故障的特征向量组输入到深度森林中，得到诊断结果，具体步骤为：
[0007]Step1：搭建GIL金属颗故障模拟实验平台，在GIL实验腔体内设置多种不同的金属颗粒故障，加载运行电压后金属颗粒在腔体内运动，与腔体碰撞并产生振动信号，在GIL实验腔体外壳上放置振动加速度传感器，然后使用动态数据采集仪采集相应金属颗粒故障的振动信号；
[0008]Step2：使用优化后的VMI)对金属颗粒故障的振动信号进行模态分解，具体为：
[0009]Step2.1：使用APA
‑
PSO对VMD中的二次惩罚因子β和模态分解个数K进行优化，首先随机初始化p个粒子，初始化权重因子、学习因子、最大迭代次数等参数，然后输入金属颗粒故障振动信号，计算粒子的适应度值，找出个体最优和全局最优，再更新粒子的速度和位置，再次计算粒子的适应度值，并更新个体最优和全局最优，计算出粒子迭代时的惯性权重和学习因子，惯性权重和学习因子的计算公式分别为
[0010][0011][0012]式中：为初始权重，为最终权重，为种群进化率，c
1max
为学习因子的最大值，c
2min
为学习因子的最小值，n为当前迭代次数，N为最大迭代次数；
[0013]算法中止的条件为当达到中止条件时，优化过程结束并输出最优参数值[β，K]，如果不满足中止条件，则继续更新粒子位置，寻找个体最优和全局最优，直到满足中止条件后结束；
[0014]Step2.2：将优化后的参数[β，K]代入到VMD中，金属颗粒故障的振动信号经过VMD处理后可以得到K个本征模态分量(IMF)，定义IMF分量为调幅调频信号，则第i个IMF分量可以表示为
[0015]u
i
(t)＝A
i
(t)cos(φ
i
(t))
ꢀꢀꢀꢀꢀꢀ
(3)
[0016]式中：i∈{1，
…
，K}，φ
i
(t)为非递减函数，A
i
(t)为包络函数；
[0017]初始化和λ1，其中ω
i
为函数中心频率，λ为Lagrange乘子，且λ1＝0；
[0018]进入迭代循环，依次对u
i
，ω
i
和λ
n+1
进行更新，直到分解为K个模态分量时停止循环，其更新公式为
[0019][0020][0021][0022]式中：m为原始振动信号，τ为更新参数，设定精度阈值ε，当满足时算法停止，并输出振动信号分解后的K个模态分量，否则继续按照公式(4)、(5)、(6)进行循环迭代运算；
[0023]Step3：对分解后得到的K个模态分量进行Hurst指数计算，将计算得到的K个Hurst指数组合得到特征向量组，计算过程为：
[0024]对于金属颗粒故障振动信号分解后得到的K个IMF分量Y
k
(k＝1，
…
，K)，标度长度设置为v(2≤v≤K/2)，将振动信号分解成长度为v的d个相邻子区间，分别计算每个子区间的极差R(v)和方差S(v)；
[0025]然后对每个子区间求出对应的极差和方差之比，即
[0026][0027]求得带有Hurst指数的对数方程为
[0028]lg(R
s
(v))＝lg b+H lg v
ꢀꢀꢀꢀꢀꢀ
(8)
[0029]式中：b为常数；H为Hurst指数，不同标尺长度v可以得到不同的(ln v，lnR
s
(v))，
对其进行最小二乘法拟合后得到的斜率就是Hurst指数。
[0030]Step4：将多种金属颗粒故障的特征向量组输入到深度森林诊断中，得到诊断结果，具体为：
[0031]Step4.1：输入的多种金属颗粒故障特征向量组首先经过多粒度扫描阶段，使用滑动窗口扫描输入特征向量并生成新的特征向量子样本，将每个子样本都用于完全随机森林和普通随机森林的训练，然后将训练后的特征向量输入到级联森林中；
[0032]Step4.2：在级联森林中，采用一种级联结构对输入的特征向量进行逐层处理，每一个级联层都将上一层的输出作为输入，并将处理后的特征信息输出到下一层，最后输出最终的诊断结果，实现不同金属颗粒故障的精确诊断。
[0033]本专利技术的有益效果如下：
[0034]能够精确地诊断GIL中不同金属颗粒故障，从而有效评估GIL安全状态，为检修工作提供良好的检修指导，降低了检修工作量和检修时间，具有较强的工程实用性。
附图说明
[0035]图1为根据本专利技术实例提供的GIL金属颗粒故障模拟实验平台示意图；
[0036]图2为根据本专利技术实例提供的GIL不同金属颗粒故障诊断方法的流程框图；
[0037]图3为根据本专利技术实例提供的不同金属颗粒故障的振动信号时域图；
[0038]图4为根据本专利技术实例提供的双球(1.0mm)金属颗粒故障振动信号的分解图；
具体实施方式
[0039]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于GIL中不同金属颗粒故障的诊断方法，其特征在于：首先在气体绝缘金属封闭输电线路(GIL)中设置多种不同的金属颗粒故障，使用传感器和动态数据采集仪采集对应故障的振动信号，然后使用优化的变分模态分解算法(VMD)对金属颗粒故障的振动信号进行模态分解，其中，VMD的参数被独立自适应粒子群算法(APA
‑
PSO)进行优化，再对模态分解后得到的各模态分量(IMF)进行特征提取，将提取的特征向量组合得到故障特征向量组，最后将多种金属颗粒故障的特征向量组输入到深度森林中，得到诊断结果，具体步骤为：Step1：搭建GIL金属颗故障模拟实验平台，在GIL实验腔体内设置多种不同的金属颗粒故障，加载运行电压后金属颗粒在腔体内运动，与腔体碰撞并产生振动信号，在GIL实验腔体外壳上放置振动加速度传感器，然后使用动态数据采集仪采集相应金属颗粒故障的振动信号；Step2：使用优化后的VMD对金属颗粒故障的振动信号进行模态分解，具体为：Step2.1：使用APA
‑
PSO对VMD中的二次惩罚因子β和模态分解个数K进行优化，首先随机初始化p个粒子，初始化权重因子、学习因子、最大迭代次数等参数，然后输入金属颗粒故障振动信号，计算粒子的适应度值，找出个体最优和全局最优，再更新粒子的速度和位置，再次计算粒子的适应度值，并更新个体最优和全局最优，计算出粒子迭代时的惯性权重和学习因子，惯性权重和学习因子的计算公式分别为习因子，惯性权重和学习因子的计算公式分别为式中：为初始权重，为最终权重，为种群进化率，c
1max
为学习因子的最大值，c
2min
为学习因子的最小值，n为当前迭代次数，N为最大迭代次数；算法中止的条件为当达到中止条件时，优化过程结束并输出最优参数值[β，K]，如果不满足中止条件，则继续更新粒子位置，寻找个体最优和全局最优，直到满足中止条件后结束；Step2.2：将优化后的参数[β，K]代入到VMD中，金属颗粒故障的振动信号经过VMD处理后可以得到K个本征模态分量(IMF)，定义IMF分量为调幅调频信号，则第i个IMF分量可以表示为u
i
(t)＝A
i
(t)cos(φ
i
(t))
ꢀꢀ
(3)式中：i∈{1，

【专利技术属性】
技术研发人员：段大卫，马宏忠，杨启帆，
申请(专利权)人：河海大学，
类型：发明
国别省市：