一种基于CEEMD和相空间重构的有载调压变压器分接开关机械故障诊断方法与流程

一种基于ceemd和相空间重构的有载调压变压器分接开关机械故障诊断方法
技术领域
1.本技术属于有载调压变压器分接开关机械故障诊断领域，尤其涉及一种基于基于ceemd和相空间重构的有载调压变压器分接开关机械故障诊断方法。


背景技术：

2.随着电网的快速发展以及国民对电能质量的要求提高，有载调压电力变压器得到越来越广泛的应用。有载调压变压器在电力系统中担任着重要任务，发挥着调节潮流和稳定符合电压的作用。有载调压变压器通过其唯一可动部件分接开关(oltc)来实现调节功能，随着调节的次数增多，oltc故障的几率就会增加,并且机械故障是有载调压变压器的主要故障类型。
3.oltc在线监测和故障诊断技术是通过记录传感装置采集到的机械振动信号、驱动电机电流信号，通过进行信号处理提取信号的时、频域特征，从而判断oltc的机械状态。oltc振动结构本身是一个非常复杂的非线性动力学系统，且振动信号表现带有混沌特性，运用时频域方法分析oltc振动信号只能提取少量的有效信息。


技术实现要素：

4.本技术提供一种基于ceemd和相空间重构的有载调压变压器分接开关机械故障诊断分析方法，以解决目前有载调压变压器分接开关机械故障诊断方法的准确率较低的问题。
5.为解决上述技术问题，本技术公开如下技术方案：
6.一种基于ceemd和相空间重构的有载调压变压器分接开关机械故障诊断方法，包括：
7.建立互补集合经验模态分解和相空间重构模型；
8.获取有载调压变压器分接开关的振动信号；
9.将信号分解为不同频率特征的固有模态函数；
10.通过c
‑
c法确定imfs的延迟时间和嵌入维数；
11.提取振动信号混沌特征的特征量(李雅普诺夫指数和关联维数)；
12.建立及学习矢量量化神经网络(lvq)进行状态分类识别系统模型，得到机械故障诊断结果。
13.进一步的，建立互补集合经验模态分解和相空间重构模型，包括：
14.获取所述有载调压变压器分接开关的振动数据的历史数据；
15.提取所述振动信号的历史数据的不同频率分量；
16.对所述不同频率分量进行相空间重构，并提取反映相空间的混沌特征量(李雅普诺夫指数和关联维数)；
17.进一步的，所述频率分量的构造，其中，
18.将一对白噪声分别添加到原始三种振动信号(正常切换、开关滑档、电机机构故障)。为了提取oltc振动信号的特征，使用ceemd对原始振动信号x
i
(t)添加成对的白噪声n
i
(t)，得到两种不同的新信号p
i
(t)和n
i
(t)。
19.p
i
＝x(t) n
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
20.n
i
＝x(t)
‑
n
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
21.对这两种不同的新信号分别进行emd分解，得到两组m个集成的imf分量和
[0022][0023]
重复上述步骤，每次加入新的正态分布白噪声序列，并将每次得到的imf分量c
j
(t)作为最终结果。
[0024]
选取任意一个imf分量时间序列{y
i
(t)}经不同延时构造状态向量，重构相空间可由式(6)表示。
[0025]
y
m
(n)＝[x(n),x(n τ),
…
,x(n (m
‑
1)τ)]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0026]
x(k)＝x(t kδt),k＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0027][0028]
其中，x(k)为k时刻离散化的系统值；τ为延迟时间；m为嵌入维数；t为采样开始时刻；δt为采样间隔；n为采样长度。
[0029]
可选的，采用了c
‑
c算法对延迟时间和嵌入维数进行相空间重构。
[0030]
根据延迟时间τ的不同，将每阶固有模态分量序列{y
i
(t)}划分为τ个不相交的时间序列s(m,n,r,τ)。
[0031][0032][0033]
m＝n
‑
(m
‑
1)τ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0034]
d
ij
＝||y
i
‑
y
j
||
∞
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0035]
[0036]
其中，d
ij
为∞函数；r为搜索半径，取小于max(d
ij
)的任意值；θ(x)为heaviside函数；c(m,n,r,τ)为嵌入时间序列的关联积分；
[0037]
选择最大半径r
max
和最小半径r
min
时，计算对应的半径差量δs(m,n,r,τ)、平均检验统计值s、平均差量δs(t)及指标s
cor
(t)，并比较s(m,n,r,τ)的零处或者δs(m,n,r,τ)的极小点，两者中值较小者记为时间延时τ。
[0038][0039][0040][0041][0042]
其中，n
m
为m个可能的取值；n
k
为k个可能的取值。
[0043]
绘制及s
cor
(τ)的变化曲线，延迟时间窗口τ
w
是在s
cor
(τ)取得全局最小值时对应的延迟时间，再根据式(16)计算嵌入维数m。
[0044][0045]
因重构相空间的冗余和奇异吸引子轨道拥挤程度会因这两个重要参数的改变而改变，所以c
‑
c算法得到的延迟时间和嵌入维数即为最优值。
[0046]
可选的，计算用于提取振动信号混沌特征的特征量(李雅普诺夫指数和关联维数)：
[0047]
利用相空间重构技术，对采样点为n的样本序列构造m维相空间新序列,计算公式为(16)。
[0048]
寻找与初始相点p0(t0)距离最近的点，并跟踪测量两点间的距离l0是否大于ε。
[0049]
l0＝|p(t1)
‑
p0(t0)|>ε
ꢀꢀꢀꢀꢀꢀꢀ
(17)
[0050]
寻找一点与p0(t0)相间夹角最小且距离最近的一点p(t1)。
[0051]
l'1＝|p(t1)
‑
p0(t0)|<ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0052]
重复上述步骤，直至迭代所有的序列点，最大李雅普诺夫λ计算公式如下。
[0053][0054]
其中，t为迭代次数。
[0055]
通常由饱和关联维数法(g
‑
p法)进行计算，当邻域半径r趋于零时，所求极限即为关联维数，计算公式如下，
[0056]
[0057][0058]
其中，c(m,r)为关联积分；d(m,r)为累计分布函数。
[0059]
可选的，建立及学习矢量量化神经网络(lvq)进行状态分类识别系统模型，包括：
[0060]
初始化网络权值w
ij
和学习率η。
[0061]
输入样本。将振动信号的能量特征熵向量送至网络的输入层，计算竞争层神经元与输入向量h
ij
的距离d
i
，选取小者为神经元。
[0062][0063]
修正连接权值。根据网络是否识别正确进行神经元权值修正，若识别正确，则输入正方向修正，反之，输入反方向修正，修正公式如下。
[0064][0065]
判断循环是否终止。当迭代次数大于设定最大迭代次数，则训练终止，反之，训练继续。
[0066]
测试数据故障诊断。按照上述步骤，训练模型已经生成，接下来可将测试数据输入模型即可完成状态诊断。
[0067]
与现有技术相比，本发明的有益效果如下：
[0068]
(1)本发明研究了有载调压开关振动序列的本征模态序列的混沌特性，从混沌动力学分析角度提出了一种基于本征模态函数和相空间重构分析的特征提取方法，通过提取相空间特征定量描述分接开关状态，证实了混沌动力学理论用于机械状态分析是合理的；
[0069]
(2)通过ceemd分析得到的imf分量，利用c
‑
c算法确定延迟时间和嵌入维数重构相空间，可将混沌系统的振动特性保留了下来，能够很好地蕴含分接开关的状态信息；
[0070]
(3)lvq神经网络学习效率能够进行自我调整的分类学习机，收敛速度较快，学习分类效果较好，但是诊断时间较长，在以后的研究中可对不同类别权向量之间的边界逐步收敛速度上进行研究，诊断时间和正确率可能会上升；
[0071]
(4)本发明研究的有载调压分接开关的实验数据来自实验室模拟，与实际运行的设备采集到的数据相比可能略有差别，但是本发明的分析方法是有借鉴意义的，这为设备在线监测和机械故障识别方法提供了一种新思路。
[0072]
应当理解的是，以上描述的一般描述和后文的细节描述仅是示范性和解释性的，并不能限制本技术。
附图说明
[0073]
为了更清楚地说明本技术的技术方案，下面将使用附图作简要说明介绍，显而易见，对于本领域普通技术人员而言，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附图。
[0074]
图1为本技术提供的一种基于ceemd和相空间重构的有载调压变压器分接开关机械故障诊断分析方法的流程图。
具体实施方式
[0075]
为了使本技术领域的人员更好地理解本技术的技术方案，下面将根据附图对技术方案进行清楚和完整地描述，显然，基于本技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0076]
针对不同频率的振动信号传播速度不同以及监测得到的信号波形大多发生畸变，考虑到振动信号表现带有混沌特性，采用一种基于互补集合经验模态分解(ceemd)结合相空间重构提取特征量结合lvq神经网络诊断的新方法，在辨识有载调压变压器分接开关机械故障类型具有很大优势。
[0077]
如图1所示，本技术提供的基于ceemd和相空间重构的有载调压变压器分接开关机械故障诊断方法包括：
[0078]
s100：建立互补模态分解和相空间重构模型。
[0079]
s200：获得有载调压变压器分接开关振动信号。首先对采集的oltc振动信号进行整理，选取正常切换、开关滑档、电机机构故障状态进行分类，每种运行状态采集了45组数据，90组用于网络训练，45组用于测试分析算法正确率。
[0080]
s300：将信号分解为不同频率特征的固有模态函数。测试数据的选择是由振动信号进行ceemd分解得到的imf分量，每阶本征模态分量是振动信号分解后按照频率排列，包含了振动信息不同时间特征尺度大小的成分，能够将机械系统中的混沌系统信息蕴含在其中，紧接着将imf作为混沌时间序列，进行相空间重构。使用ceemd对原始振动信号x
i
(t)添加成对的白噪声n
i
(t)，得到两种不同的新信号p
i
(t)和n
i
(t)。
[0081]
p
i
＝x(t) n
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0082]
n
i
＝x(t)
‑
n
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0083]
对这两种不同的新信号分别进行emd分解，得到两组m个集成的imf分量和
[0084][0085]
重复上述步骤，每次加入新的正态分布白噪声序列，并将每次得到的imf分量c
j
(t)作为最终结果。
[0086]
选取任意一个imf分量时间序列{y
i
(t)}经不同延时构造状态向量，重构相空间可由式(6)表示。
[0087]
y
m
(n)＝[x(n),x(n τ),
…
,x(n (m
‑
1)τ)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0088]
x(k)＝x(t kδt),k＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0089][0090]
其中，x(k)为k时刻离散化的系统值；τ为延迟时间；m为嵌入维数；t为采样开始时刻；δt为采样间隔；n为采样长度。
[0091]
s400:通过c
‑
c算法确定延迟时间和嵌入维数。
[0092]
采用了c
‑
c算法对延迟时间和嵌入维数进行相空间重构，其中，根据延迟时间τ的不同，将每阶固有模态分量序列{y
i
(t)}划分为τ个不相交的时间序列s(m,n,r,τ)。
[0093][0094][0095]
m＝n
‑
(m
‑
1)τ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0096]
d
ij
＝||y
i
‑
y
j
||
∞
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0097][0098]
其中，d
ij
为∞函数；r为搜索半径，取小于max(d
ij
)的任意值；θ(x)为heaviside函数；c(m,n,r,τ)为嵌入时间序列的关联积分；
[0099]
选择最大半径r
max
和最小半径r
min
时，计算对应的半径差量δs(m,n,r,τ)、平均检验统计值平均差量δs(t)及指标s
cor
(t)，并比较s(m,n,r,τ)的零处或者δs(m,n,r,τ)的极小点，两者中值较小者记为时间延时τ。
[0100][0101][0102][0103][0104]
其中，n
m
为m个可能的取值；n
k
为k个可能的取值。
[0105]
绘制及s
cor
(τ)的变化曲线，延迟时间窗口τ
w
是在s
cor
(τ)取得全局最小值时对应的延迟时间，再根据式(16)计算嵌入维数m。
[0106][0107]
因重构相空间的冗余和奇异吸引子轨道拥挤程度会因这两个重要参数的改变而
改变，所以c
‑
c算法得到的延迟时间和嵌入维数即为最优值。
[0108]
s500：提取振动信号混沌特征的特征量。
[0109]
对采样点为n的样本序列构造m维相空间新序列,计算公式为(16)。
[0110]
寻找与初始相点p0(t0)距离最近的点，并跟踪测量两点间的距离l0是否大于ε。
[0111]
l0＝|p(t1)
‑
p0(t0)|>ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0112]
寻找一点与p0(t0)相间夹角最小且距离最近的一点p(t1)。
[0113]
l'1＝|p(t1)
‑
p0(t0)|<ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0114]
重复上述步骤，直至迭代所有的序列点，最大李雅普诺夫λ计算公式如下。
[0115][0116]
其中，t为迭代次数。
[0117]
通常由饱和关联维数法(g
‑
p法)进行计算，当邻域半径r趋于零时，所求极限即为关联维数d，计算公式如下，
[0118][0119][0120]
其中，c(m,r)为关联积分；d(m,r)为累计分布函数。
[0121]
s600：建立及学习矢量量化神经网络(lvq)进行状态分类识别系统模型。
[0122]
初始化网络权值w
ij
和学习率η。
[0123]
输入样本。将振动信号的能量特征熵向量送至网络的输入层，计算竞争层神经元与输入向量h
ij
的距离d
i
，选取小者为神经元。
[0124][0125]
修正连接权值。根据网络是否识别正确进行神经元权值修正，若识别正确，则输入正方向修正，反之，输入反方向修正，修正公式如下。
[0126][0127]
判断循环是否终止。当迭代次数大于设定最大迭代次数，则训练终止，反之，训练继续。
[0128]
测试数据故障诊断。按照上述步骤，训练模型已经生成，接下来可将测试数据输入模型即可完成状态诊断。
[0129]
本技术提供的基于ceemd和相空间重构的oltc振动信号动力学特征提取方法。通过实验模拟正常切换、开关滑档、电机机构故障这三种oltc常见的机械故障类型，对振动信号进行ceemd分解，产生六阶imf分量，分别针对分量信号计算嵌入维数和延迟时间，然后相空间重构，计算网格维数和点分布因数形成特征向量，输入学习矢量lvq神经网络进行状态识别，该神经网络结构简单、训练速度快，功能十分强大，综合诊断有载调压变压器分接开
关的机械故障，提高了状态评估的可靠性和准确性。
[0130]
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本技术的其他实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由权利要求的内容指出。以上所述的本技术实施方式并不构成对本技术保护范围的限定。