【技术实现步骤摘要】
本专利技术涉及本专利技术涉及变压器故障诊断技术研究领域，具体涉及一种多传感器多域特征融合的变压器故障诊断方法。
技术介绍
1、变压器作为我国电力系统的重要组成部件之一，其健康状态直接影响电力系统的稳定运行。为了电力系统的安全运行，防止电力系统停运造成经济损失，必须建立一种高效且准确的变压器故障诊断模型。
2、随着神经网络和智能技术的兴起，使得变压器的故障诊断方法不断涌现，如bp神经网络、支持向量机、随机森林、贝叶斯方法、专家系统等得到广泛应用，准确率得到极大提升。然而，上述方法虽然灵活度好，取得了不错的应用成效，但是模型可能因为故障处的振动信号非线性特性，而导致出现故障误判、漏判，而且实际运行场景很多在户外，由于变压器的恶劣工况，强噪音环境增加了振动信号采集的难度以及样本有效特征的提取难度，从而导致模型表现较差，精度降低。
技术实现思路
1、针对上述问题，本专利技术提出一种多传感器多域特征融合的变压器故障诊断方法，基于时-频-空域特征融合，采用哈里斯鹰优化的多核极限学习机，分析其动力系统特性，有效解决由于振动信号非线性特性导致的故障误判、漏判和模型表现较差，精度较低的问题。
2、本专利技术的技术方案如下：一种传感器多域特征融合的变压器故障诊断方法，包括以下步骤：
3、第一步，在变压器的关键部位安装传感器，采集变压器箱体振动信号，并对振动信号进行去中心化处理；
4、第二步，利用蜣螂优化(dbo)的iceemd算法对变压器箱体振动信号进行
5、第三步，采用mvar模型对重构的变压器振动信号进行时域特征提取，采用vmd-bis算法对重构的变压器振动信号进行频域特征提取，采用黎曼流形对变压器振动信号进行空域特征提取。
6、第四步，将时域频域空域特征向量首尾拼接构建时-频-空联合特征向量，提取各类故障所有样本的联合特征向量，构造联合特征矩阵。
7、第五步，对联合特征矩阵进行核主元分析，按照累计贡献率大于85％的原则选取主元个数，将样本数据向新的主元空间投影得到降维后的融合特征向量。
8、第六步，构建核极限学习机模型，结合时-频-空融合特征对其参数进行训练，结合哈里斯鹰优化算法对其超参数进行优化，进而得到最优的核极限学习机分类模型。
9、优选地，所述第一步的具体步骤如下：
10、步骤1：在变压器的关键部位部位安装传感器，采集变压器箱体振动信号样本数据矩阵
11、x为原始采样信号构造的信号矩阵，矩阵中每一行为一个传感器的采集信号，每一列为一个采样点，即m为传感器的数量,n为采样点数。
12、步骤2：具体的，采集变压器绕组松动、铁芯松动、绕组变形三种故障状态与正常工作状态的变压器箱体振动信号。
13、步骤3：采用共平均参考对变压器箱体振动信号去中心化处理，得到去中心化的矩阵
14、优选地，所述第二步的具体步骤如下：
15、步骤1：蜣螂种群参数初始化，所述参数包括蜣螂个体种群向量位置[白噪声幅值权重(nstd)和噪声添加次数(ne)]、迭代次数等，并将蜣螂种群按6:6:7:11的比例分为滚球蜣螂、卵球、小蜣螂、偷窃蜣螂；
16、步骤2：滚球蜣螂模拟滚球行为，在整个搜索空间中沿着给定的方向移动，在滚动过程中，滚球蜣螂的位置更新，当蜣螂遇到障碍物无法前进时,就需要通过跳舞来重新定位,目的是获得新的路线；
17、步骤3：模拟蜣螂产卵的区域边界选择策略，一旦确定产卵区域，雌蜣螂就会产卵，每次迭代产一次卵；
18、步骤4：已经长大的小蜣螂出来觅食，建立最优蜣螂区域，引导小蜣螂觅食；
19、步骤5：偷窃蜣螂会偷取其他蜣螂的食物，确定最优食物来源位置；
20、步骤6：重复上述过程，更新蜣螂位置信息，判断目标代理是否超出边界，更新当前最优解及其适应度值，直到完全达到最大迭代次数结束，得到iceemd算法最佳参数组合[白噪声幅值权重(nstd)和噪声添加次数(ne)]；
21、步骤7：将最优参数组合白噪声幅值权重(nstd)和噪声添加次数(ne)带入iceemd算法对信号进行分解，获取n个模态分量imf；
22、步骤8：计算各个模态分量imf的皮尔逊相关系数；
23、步骤9：筛选出强相关以上分量进行信号重构，得到重构信号yi(t)；
24、优选地，所述第三步的具体步骤如下：
25、步骤1：mvar模型是单变量ar模型的推广形式，采用mvar模型对变压器振动信号的时域特征进行提取，具有p阶的mvar模型可以描述如下：
26、
27、
28、步骤2：构造对应m个传感器的变压器振动信号的时域特征向量var，表达式为：
29、
30、步骤3：对yi(t)进行变分模态分解,分解为k个imf分量；变分模态分解是通过迭代搜索获取约束变分模型的最优解,自动获取固有模态函数的中心频率及带宽，yi(t)的约束变分模型具体如下：
31、
32、
33、式中{uk}＝{u1,u2,…uk}和{ωk}＝{ω1,ω2,…ωk}分别为imf分量集和imf分量集对应的中心频率集，用交替方向乘数法迭代更新uk,ωk，求解增广拉格朗日函数的鞍点，不断更新uk,ωk，满足给定的判定表达式则迭代终止。
34、步骤4：对imf分量个数基于中心频率进行筛选,根据不发生过分解现象的原则,确定imf分量个数k,具体为当分解为k个分量时,第k+1个分量的中心频率与第k个分量的中心频率的差值,和第k个分量的中心频率与第k-1个分量的中心频率的差值在同一个数量级时,则分解为k+1个分量出现了过分解,选择分解为k个imf分量；
35、步骤5：对变分模态分解出的k个imf分量进行双谱分析，分析过程如下：
36、设{uk}＝{u1,u2,…uk}为变分模态分解出的imf分量,根据信号的离散傅里叶变换，双谱定义为：
37、
38、步骤6：式中ωj为频率变量，ui(ωi)为{uk}中每个imf分量的离散傅里叶变换，e[]为数学期望，采用间接法进行双谱估计，首先估计所得的if分量的三阶累积量，然后对该累积量进行二维的离散傅里叶变换，这样就得到了imf分量的双谱估计。
39、步骤7：计算双谱平面主域中所有bx(ω1,ω2)的绝对对数之和作为频域特征,双谱特征的数学表达公式如下：
40、
41、步骤8：利用变分模态分解一双谱分析法提取所选m个通道的频域特征，并且对提取到的频域特征进行信号平滑以及归一化处理，归一化处理公式如下所示：
42、
43、步骤9：其中b是经过信号平滑及归一化后的双谱特征，是所选本文档来自技高网...
【技术保护点】
1.一种多传感器多域特征融合的变压器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种传感器多域特征融合的变压器故障诊断方法，其特征在于，所述第一步的具体步骤如下：
3.根据权利要求1所述的一种传感器多域特征融合的变压器故障诊断方法，其特征在于，所述第二步的具体步骤如下：
4.根据权利要求1所述的一种传感器多域特征融合的变压器故障诊断方法，其特征在于，所述第三步的具体步骤如下：
5.根据权利要求1所述的一种传感器多域特征融合的变压器故障诊断方法，其特征在于，所述第四步的具体步骤如下：
6.根据权利要求1所述的一种传感器多域特征融合的变压器故障诊断方法，其特征在于，所述第五步的具体步骤如下：
7.根据权利要求1所述的一种传感器多域特征融合的变压器故障诊断方法，其特征在于，所述第六步的具体步骤如下：
【技术特征摘要】
1.一种多传感器多域特征融合的变压器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种传感器多域特征融合的变压器故障诊断方法，其特征在于，所述第一步的具体步骤如下：
3.根据权利要求1所述的一种传感器多域特征融合的变压器故障诊断方法，其特征在于，所述第二步的具体步骤如下：
4.根据权利要求1所述的一种传感器多域特征融合的变压器故障诊断方法，...
【专利技术属性】
技术研发人员：姚海燕，吴小欢，留毅，胡翔，郭强，张旭峰，缪宇峰，崔金栋，
申请(专利权)人：杭州电力设备制造有限公司，
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。