本发明专利技术公开了一种基于时域数据切分的变压器振动异常检测方法。本发明专利技术的技术方案是：依据变压器负载电流和运行电压值划分变压器运行工况，使用加速度传感器获取正常运行中不同工况条件下的变压器表面振动信号；基于振动信号采样频率和变压器的振动基频确定描述变压器状态的振动信号最短长度；然后通过公式推导和实验来确定数据切分的滑动步长与最佳样本长度并提取振动信号特征。应用训练后的一维卷积神经网络完成变压器当前振动信号分类，当分类结果与当前实际工况不一致时，判定变压器振动异常。本发明专利技术方法可显著提升神经网络的特征提取能力，具有切分简单、检测精度高的优点。检测精度高的优点。检测精度高的优点。
【技术实现步骤摘要】
一种基于时域数据切分的变压器振动异常检测方法
[0001]本专利技术涉及一种基于时域数据切分的变压器振动异常检测方法，属于电力领域。
技术介绍
[0002]变压器的运行状态对电网的安全、稳定运行具有重要影响。理论研究表明，变压器铁芯振动基频幅值与电源电压大小成正比，绕组振动基频幅值与负载电流大小成正比，由此可以通过变压器振动信号分析绕组和铁心工作状态。变压器振动在线监测具有可带电监测、成本低廉、无直接电气连接安全性高等优点，但变压器表面振动受多重因素影响，振动法分析变压器运行状态和故障诊断在理论和方法上远未成熟，难以满足变压器运行管理和检修工作的实际需要。
技术实现思路
[0003]本专利技术提出了一种基于时域数据切分的变压器振动异常检测方法。本专利技术的技术方案是：依据变压器负载电流和运行电压值划分变压器运行工况，使用加速度传感器获取正常运行中不同工况条件下的变压器表面振动信号；基于振动信号采样频率和变压器的振动基频确定描述变压器状态的振动信号最短长度；然后通过公式推导和实验来确定数据切分的滑动步长与最佳样本长度并提取振动信号特征。应用训练后的一维卷积神经网络完成变压器当前振动信号分类，当分类结果与当前实际工况不一致时，判定变压器振动异常。
[0004]本专利技术的优点有：
[0005](1)切分方法简单有效：本专利技术方法基于采样频率和变压器振动基频分析确定变压器振动信号样本长度，切分方法简单有效且无需人工设置。
[0006](2)异常检测精度高：本专利技术方法确定的样本最优长度包含2～3个振动周期。基于此样本设置，相比于其它切分方法，本专利方法可显著提升卷积神经网络对变压器振动信号的特征提取能力。
附图说明
[0007]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0008]图1为一种基于时域数据切分的变压器振动异常检测方法流程示意图；
[0009]图2振动数据切分示意图；
[0010]图3改进一维卷积神经网络结构图；
[0011]图4激活函数曲线图；
[0012]图5一维卷积全局平均池化操作示意图；
[0013]图6 Dropout操作示意图；
[0014]图7一种基于时域数据切分的变压器振动信号识别方法的另一种示意图；
[0015]图8模型训练流程图；
[0016]图9不同切分方法对比。
具体实施方式
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，结合附图对本专利技术做进一步描述：
[0018]如图1所示，本专利技术的技术方案是：依据变压器负载电流和运行电压值划分变压器运行工况，使用加速度传感器获取正常运行中不同工况条件下的变压器表面振动信号；基于振动信号采样频率和变压器的振动基频确定描述变压器状态的振动信号最短长度；然后通过公式推导和实验来确定数据切分的滑动步长与最佳样本长度并提取振动信号特征。应用训练后的一维卷积神经网络完成变压器当前振动信号分类，当分类结果与当前实际工况不一致时，判定变压器振动异常。
[0019]1、时域数据切分方法
[0020]变压器的振动主要来源于铁心和绕组的振动且具有固定频率，实测的运行变压器表面振动信号幅值也呈现出周期性变换，可将变压器表面的振动信号近似视为平稳信号。当变压器出现铁心或绕组故障时，仅振动信号基频幅值发生变化，振动周期不会发生变化。振动数据切分示意图如图2所示。
[0021]假设变压器表面的振动周期T0不变，一个周期内的采样点数为可描述变压器状态的最小长度，其长度L
min
的计算公式为：
[0022]L
min
＝T0·
Fs
ꢀꢀ
(1)
[0023]图1中W为滑动步长，N
min
为切分后的样本长度。为保证样本充分切割应满足关系式：
[0024]W≤L
min
≤N
min
ꢀꢀ
(2)
[0025]W≤L
min
，表示窗口为有重叠移动，可避免造成样本浪费，保证生成足够的样本数量。L
min
≤N
min
，表示实验样本至少包含变压器一个振动周期的点数，保证切分的样本包含足够的振动信息。
[0026]在数据切分时，根据每个样本中包含变压器振动周期长度的初始相位不同来定义不同的数据类型。每个样本的相位差为：
[0027][0028]可计算出经过N
s
个不同相位的样本后，则第1个样本与第N
s
+1个样本的初始相位相同，则原始信号经时域切分后会生成N
s
个不同类型的数据。可计算出N
s
为：
[0029][0030]式(3)中，N
s
取整数。
[0031]将式(3)带入式(4)中，可得：
[0032][0033]综合上述公式可得：
[0034][0035]综上所述，本专利所提出的变压器时域振动信号切分方法步骤为：
[0036]1)已知振动加速度传感器的采样频率为FsHz、变压器振动周期T0，由式(1)计算可描述变压器状态的最小长度为L
min
。
[0037]2)通过滑动窗口的形式进行数据采集，滑动步长W、L
min
和实验样本长度N
min
三者需满足式(2)：W≤L
min
≤N
min
。
[0038]3)通过式(6)计算实验样本的滑动步长W，完成数据切分。
[0039]2、改进一维卷积神经网络
[0040]本专利技术实现的改进一维卷积神经网络是在经典LeNet
‑
5网络基础之上进行改进得到，其结构如图3所示。
[0041]卷积层使用不同的卷积核对输入按步长沿序列前进方向进行卷积运算，然后通过一个激活函数，可得到相应的特征图。因卷积核的权值参数共享机制，每个卷积核对应一个特征图，卷积核数为输出特征图深度。卷积运算公式如式(7)所示。
[0042][0043]式(7)中，为第l
‑
1层第i个通道的输出；cl
‑
1为l
‑
1层第c个通道；y
l
为第l层的输出；为第l层卷积核权重矩阵；为偏置项；*为卷积运算。
[0044]激活函数的作用是向神经网络中引入非线性因素，以增强网络的非线性表达能力。常用的饱和激活函数有Sigmoid、tanh和ReLU。三种激活函数的曲线图如图4所示。三种激活函数的数学表达式为：
[0045][0046][0047]a
l(i,j)...
【技术保护点】
【技术特征摘要】
1.一种基于时域数据切分的变压器振动异常检测方法，其特征是：使用加速度传感器获取变压器表面振动信号，切分变压器表面振动信号，根据工况划分振动信号样本构造训练数据集，应用训练数据集训练并保存一维卷积神经网络异常检测模型；最后应用训练好的一维卷积神经网络异常检测模型进行变压器振动异常检测；其中，使用加速度传感器获取变压器表面振动信号，包括：将振动加速度传感器放置到变压器表面振动幅度最大处，振动加速度传感器的采样率设定为Fs＝10k，每次采样时长0.5
‑
1.0秒，采样间隔为5
‑
10分钟。其中，切分变压器表面振动信号，获取振动信号样本，设置样本长度N
min
为600，N
s
≤2，具体步骤如下：步骤一：振动加速度传感器的采样频率为Fs、变压器振动基频(工频的2倍)周期为T0，由式(1)计算可描述变压器状态的最短长度：L
min
＝T0·
Fs
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)步骤二：通过滑动窗口的形式进行变压器表面振动信号切分，滑动步长W、L
min
和样本长度N
min
三者需满足式(2)：W≤L
min
≤N
min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)步骤三：通过式(3)计算样本的滑动步长W，完成变压器表面振动信号切分，得到获取振动信号样本，式(3)中N
s
为不同样本个数由式(4)计算。为不同样本个数由式(4)计算。2.根据权利要求1所述的方法，其特征在于，根据工况划分振动信号样本构造训练数据集，具体步骤如下：步骤一：依据变压器负载电流和运行电压大小划分变压器运行工况；根据变压器额定负载电流I
N
和额定电压U
N
划分变压器运行工况。根据负载电流划分为(0
‑
60％I
N
]、(60％I
N
‑
95％I
N
]、(95％I
N
‑
105％I
N
]、(105％I
N
‑
130％I
N
]四个区间，根据电压划...
【专利技术属性】
技术研发人员：王建平，李万林，郭亮，吕晨旭，黄少波，
申请(专利权)人：国网山西省电力公司忻州供电公司，
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。