一种基于振动信号的配电变压器故障诊断方法技术

本发明专利技术涉及一种基于振动信号的配电变压器故障诊断方法，包括：获取配电变压器振动信号，并采用自适应噪声完备集合经验模态分解与希尔伯特变换相结合对配电变压器振动信号进行处理，分别求取不同频带的边际谱构造特征向量；对特征向量矩阵构造高斯函数加权的无向完全图，求取邻接矩阵，并构建多通道多连通的图卷积神经网络模型用于挖掘深层特征与故障分类；在图卷积神经网络模型中，使用带正弦函数的扰动因子改进灰狼优化算法对高斯核带宽寻优，得到最优诊断模型；通过得到的最优诊断模型对待识别对象进行故障识别。该方法有利于提高诊断精度，以及对未知类型故障进行辨识。以及对未知类型故障进行辨识。以及对未知类型故障进行辨识。

【技术实现步骤摘要】
一种基于振动信号的配电变压器故障诊断方法


[0001]本专利技术属于电力设备故障诊断
，具体涉及一种基于振动信号的配电变压器故障诊断方法。

技术介绍

[0002]近年来，我国电网格局发生较大改变，已经从原先的小功率、低电压、小规模的初期阶段进入到大容量、大机组、超高压、大规模的现代化发展阶段。电力系统的发展规模不断扩大，电力设备的电压等级随之不断提高、容量也不断变大，导致电力设备发生故障的概率也随之增加，这必然对电力系统整体的安全性以及电力设备工作的可靠性和稳定性提出更高的要求。配电变压器是配电网中的核心设备，突发性的故障会造成重大的安全事故与经济损失。据统计，每年因变压器故障导致的事故不可胜数。因此，为确保配电网系统正常运行，对配电变压器运行状态进行监测是非常有必要。
[0003]基于振动信号分析法的变压器故障检测技术是当前研究热点。振动法是将位移、速度或加速度传感器安装于变压器的支撑件、绕组侧面或油箱表面，通过振动信号来分析变压器运行状态，甚至识别故障类型。该方法具有安装方便、灵活、无电气连接等优点。/>[0004]现有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于振动信号的配电变压器故障诊断方法，其特征在于，包括：步骤S1、采集配电变压器振动信号，并使用自适应噪声完备集合经验模态分解与希尔伯特变换相结合对配电变压器振动信号进行处理，分别求取不同频带的边际谱构造特征向量；步骤S2、对特征向量矩阵构造高斯函数加权的无向完全图，求取邻接矩阵，并搭建多通道多连通的图卷积神经网络模型用于挖掘深层特征与故障分类；步骤S3、在图卷积神经网络模型中，使用带正弦函数的扰动因子改进灰狼优化算法对高斯核带宽寻优，获得最优诊断模型；步骤S4、通过得到的最优诊断模型对待识别对象进行故障识别。2.根据权利要求1所述的一种基于振动信号的配电变压器故障诊断方法，其特征在于，采集配电变压器箱体表面的振动信号，并采用自适应噪声完备集合经验模态分解与希尔伯特变换相结合对配电变压器振动信号进行处理，包括以下步骤：步骤S11、使用振动信号采集装置获取配电变压器箱体表面的振动信号；步骤S12、采用自适应噪声完备集合经验模态分解(CEEMDAN)对配电变压器振动信号进行处理，具体过程如下：定义操作符E
j
表示通过EMD获取j阶IMF分量；n
i
表示均值为0、方差为1的高斯白噪声；M(.)表示局部均值算子；std(.)表示标准差；x为原信号；ε0为用于控制辅助噪声与原始信号信噪比的系数，且在计算第k个模态分量时产生自适应系数β
k
‑1，控制向上一次余量添加噪声的大小；当k＝1时，β0＝ε0std(x)/std(E1(n
i
))，当k≥2时,β
k
‑1＝ε0std(r
k
)；通过计算x
i
＝x+β0E1(n
i
)的局部均值，得到第一余量r1：式中，i＝1,2,...,N,N为噪声添加次数；在第1阶段，即k＝1，计算第1个模态分量：IMF1＝x
‑
r1ꢀꢀꢀꢀꢀꢀ
(2)第2个IMF2表示为：对第1阶段的余量添加自适应噪声信号r1+β1E2(n
i
)；同理，求第k个IMF
k
，其中k＝3,4,...,m，m为IMF分量的总数：IMF
k
＝r
k
‑1‑
r
k
ꢀꢀꢀꢀꢀꢀ
(4)重复以上步骤，直至余量r满足残差分量终止条件；最终，原始信号x被分解为：步骤S13、对配电变压器振动信号CEEMDAN分解得到的m阶IMF分量使用希尔伯特变换求取边际谱信息，其计算过程如式(6)
‑
式(11)所示：式(11)所示：
式中，a
k
(t)表示第k个模态分量的瞬时幅值函数；φ
k
(t)表示对应的瞬时相位函数；ω
k
(t)表示对应的瞬时频率；H(ω,t)表示Hilbert谱；B(ω)表示Hilbert边际谱，其表征信号在每个瞬时频率上的幅值分布情况；步骤S14、将不同频带的Hilbert边际谱构成一个特征向量。3.根据权利要求1所述的一种基于振动信号的配电变压器故障诊断方法，其特征在于，对特征向量矩阵构造高斯函数加权的无向完全图，求取邻接矩阵，并构建图卷积神经网络模型用于挖掘深层特征与故障分类，包括以下步骤：步骤S21、对边际谱信息组成的特征向量矩阵构造高斯函数加权的无向完全图，并求取邻接矩阵；以每个样本为顶点，假设所有顶点都存在边连接但边的权重不同，边的权重由高斯函数计算，具体如下：式中，A
pq
＝A
qp
表示两个顶点间的连接权重，η表示高斯核带宽，X
p
,X
q
表示特征向量矩阵X中第p个与第q个样本的特征向量；步骤S22、构建一个多通道和多连通的图卷积神经网络模型，即改进的GCN模型，所述改进的GCN模型使用多个独立的图卷积层gc1、gc2和gc4对每个通道进行特征提取，各通道特征融合后连接一个图卷积层gc5，输出层连接一个分类器；在前向传播网络中添加一层图卷积层gc3，用于从不同尺度提取边际谱信息，增加gc4层节点特征的多样性；最后采用交叉熵损失函数计算损失值，并使用Adam优化器更新模型参数；GCN前向传播如式(13)
‑
式(18)所示：模型输入层：H
(1)
...

【专利技术属性】
技术研发人员：高伟，邱仕达，洪翠，郭谋发，
申请(专利权)人：福州大学，
类型：发明
国别省市：