基于FRCMDE的变压器铁芯故障声纹诊断方法及装置制造方法及图纸

本发明专利技术属于电力设备故障诊断技术领域，公开了一种基于FRCMDE的变压器铁芯故障声纹诊断方法及装置，该方法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；求出重构信号在分析尺度内的FRCMDE值，使用Fisher比剔除不同尺度下的FRCMDE值中的冗余及无效部分，构造最优特征子集；构建改进的PODSBOA

【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（IMF），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（IMF）并进行重构；求出重构信号在分析尺度的内的分数阶精细复合多尺度散布熵（FRCMDE），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，构造最优特征子集；利用PODSBOA对分数阶精细复合多尺度散布熵的参数和LSSVM的超参进行优化并构建改进的PODSBOA
‑
LSSVM故障诊断模型，对最优特征子集进行识别，输出诊断结果。本方法可以非接触测量、设备安装简单、测量速度快捷、信号易于测量, 不会干扰设备正常运行。
[0005]为了实现上述目的，本专利技术采用的一个技术方案是：一种基于FRCMDE的变压器铁芯故障声纹诊断方法，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。
[0006]进一步优选，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。
[0007]进一步优选，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布熵构成的特征向量集计算Fisher比，即：式中，F
(k)
表示第k维的特征向量的Fisher比值，表示第k维特征向量的类间离散度，表示第k维特征向量的类内离散度；S302：对Fisher比进行排序，挑选出最优尺度的特征子集。
[0008]进一步优选，步骤S4的具体过程如下：S401：把最优尺度的特征子集分为训练集和测试集；S402：改进的蝴蝶算法利用训练集对及最小二乘支持向量机的惩罚因子c和径向基内积函数参数g进行优化，得到最优参数；S403：对具有最优参数的最小二乘支持向量机进行训练，并利用测试集进行测试；S404：根据训练测试结果构建PODSBOA
‑
LSSVM故障诊断模型，使用PODSBOA
‑
LSSVM诊断模型对未知变压器声纹数据进行诊断，输出诊断结果。
[0009]进一步优选，改进的蝴蝶算法的步骤如下：步骤A1：对蝴蝶算法搜索参数进行初始化：设置蝴蝶种群数量为N，设置算法的最大迭代次数为N1，种群边界条件[L
b
,U
b
]，寻优问题维度dim；步骤A2：根据边界条件生成初始蝴蝶种群：在边界范围，采用随机数，生成N*dim 大小的初始蝴蝶种群，通过空间对称扩增初始种群规模到2N*dim；步骤A3：适应度计算：根据适应度准则函数，计算扩增种群蝴蝶个体适应度；步骤A4：种群恢复：通过精英保留策略选取N个适应度最佳的个体记为恢复种群，找到并记录当前恢复种群的最佳个体；步骤A5：劣势种群更新：选择适应度最差的两只蝴蝶个体，对其进行交叉处理和变异操作；步骤A本文档来自技高网...

【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：