一种基于振动信号的换流变压器多尺度融合特征提取方法与流程

1.本发明属于电力领域，涉及一种基于振动信号的换流变压器多尺度融合特征提取方法。


背景技术：

2.换流变压器与电力变压器的振动产生原理大体相同，振动主要来源于铁芯的磁致伸缩效应以及绕组的受迫振动。此外，振动还受到电压电流等级、功率因数、三相不平衡条件等诸多因素影响。因此，从箱体采集的振动信号包含大量能够反映换流变机械状态的有效信息。近年来，基于振动信号的变压器运行状态评估方法得到了国内外的广泛关注，但针对换流变振动信号的状态识别方法却鲜有研究。究其原因在于：一方面，换流变压器是超高压直流输电工程的核心设备并且造价昂贵，导致其振动数据难以获取；另一方面，换流变振动信号复杂度高，难以在处理过程中保留其时间相关性和序列趋势。换流变压器作为超高压直流输电系统的核心设备，其安全运行与否直接关系到直流输电系统的稳定运行，因此需要自动且准确的状态识别方法为换流变压器的故障识别与预警提供基础。
3.传统的方法大多通过手工构建数学方法以期望获得能够表征变压器机械结构状态的信号指标或特征向量，常见方法有傅里叶变换、小波变换、wigner
‑
ville分布、希尔伯特
‑
黄变换等。传统方法对简单振动信号的特征提取良好，但仍存在以下问题：1)对于复杂度高、非周期非平稳信号处理效果欠佳；2)观察角度单一，时域与频域分辨率无法兼顾，存在信息损失；
4.3)运算繁琐，依赖一定先验知识，不利于大数据处理。
5.近年来，深度学习在语音识别、图像识别和自动驾驶等领域取得了突破性进展，大量基于深度学习的输变电设备故障诊断方法已经被提出。但是相比于深度学习在图像处理方面所取得的成功，以时间序列为训练对象的深度学习方法搭建仍较为困难，原因在于针对长向量的训练困难且效率低下，训练过程中易丢失时序相关性，这会造成信息损失与识别准确率下降。如何利用深度学习目前在计算机视觉上的优势对时间序列进行处理具有重要研究意义。
6.综上所述，传统方法存在复杂度高、数据量大、信息利用率低的问题，而基于振动信号的深度学习方法搭建困难、训练效率低下，无法对换流变的运行状态进行准确识别。因此提出一种自动且准确的状态识别方法以实现换流变故障识别与预警具有重要工程意义。


技术实现要素：

7.有鉴于此，本发明的目的在于提供一种基于振动信号的换流变压器多尺度融合特征提取方法。
8.为达到上述目的，本发明提供如下技术方案：
9.一种基于振动信号的换流变压器多尺度融合特征提取方法，该方法包括以下步骤：
10.s1：换流变压器振动信号采集；
11.s2：多特征图谱构建；
12.s3：将多特征图谱输入至多尺度进行特征提取。
13.可选的，所述s2包括：
14.s21：时域特征图谱构建
15.s22：频域特征图谱构建
16.s23：时频能量特征图谱构建。
17.可选的，所述s21具体为：
18.设振动序列是x＝{x1,x2,...,x
n
}，首先按照振动幅值将振动序列分为q个子空间，每一个x
i
都被映射在一个子空间q
i
之中；建立一个q
×
q的转移概率矩阵w，w
ij
代表子空间j中的元素被子空间i中的元素跟随的概率，即在t时刻的x位于子空间j的条件下，t 1时刻的x位于子空间i中的概率，数学表达式如式(1)所示：
19.w
ij
＝p(x
t 1
＝q
j
|x
t
＝q
i
) (1)
20.得到矩阵w＝(w
ij
)
1≤i,j≤q
，根据概率论原理知0＜w
ij
＜1且
21.为保留序列时间相关性，定义马尔科夫变迁场矩阵m如式(2)所示：
[0022][0023]
m
ij
表示转移概率矩阵w中对应时间序列x
i
和x
j
所属子空间的元素之和，m矩阵的本质是计算了振动序列沿时间戳的多跨度转移概率；一维振动序列的时间依赖性随着m矩阵的主对角线得到保留；将m矩阵中的元素对应灰度值匹配到彩色空间中的一点形成时域特征图谱。
[0024]
可选的，所述s22具体为：
[0025]
选取采样频率f
s
得到n点离散序列{x
n
}，然后用复正弦序列乘以信号进行数字化平移，根据频移原理，原ω
k
处谱线移至频率轴原点处，用低通滤波器滤掉高频分量得到{g
n
}，再在{g
n
}细化倍数的间隔处重新采样，重新排序后得到序列{z
n
}，{z
n
}如式(3)，再计算幅值，得到精细的频率幅值序列{f
n
}，{f
n
}如式(4)；
[0026]
{z
n
}＝{a1 jb1,a2 jb2,...,a
n
jb
n
}
ꢀꢀꢀꢀꢀꢀ
(3)
[0027][0028]
最后，计算{f
n
}的马尔科夫变迁场矩阵，并进行伪彩色处理，得到频域特征图谱。
[0029]
可选的，所述s23具体为：
[0030]
小波基函数选取morlet小波，morlet小波在时域和频域上都具有很好的局部化，适用于振动信号的时频分析；morlet小波定义如式(5)所示；其缩放运算如公式(6)所示，其中b为时移因子，a为尺度因子；
[0031]
[0032][0033]
给定振动序列的连续小波变换如式(7)和式(8)所示；其中，cofes为连续小波系数，其绝对值的平方被定义为信号的尺度图，表示能量分布随位移和尺度的变化；
[0034][0035][0036]
可选的，所述s3具体为：
[0037]
s31：信息融合；
[0038]
分别使用最大池化和平均池化对输入张量在空间维度上压缩至1
×
1，得到两个不同的空间背景描述和使用两个共享的1
×
1卷积核组成的mlp模块对和进行计算后相加再经过sigmoid激活函数后得到channel attention map：m
c
(f)∈r
c
×1×1；设输入张量维度为c
×
m
×
n，则channel attention map维度为c
×1×
1；整个操作本质上是对输入张量的每个通道上的矩阵乘以一个1
×
1的权值矩阵，从而使得重要的通道上的矩阵信息得到突出；计算过程如式(9)所示：
[0039][0040]
其中σ表示经过sigmoid激活函数操作，w
i
表示1
×
1卷积操作，w0后使用了relu作为激活函数；
[0041]
在通道维度上使用最大池化和平均池化得到两个不同的特征描述和然后通过torch.cat指令将两个特征进行张量拼接，最后通过7
×
7卷积操作接sigmoid激活函数生成空间注意力权重矩阵m
s
(f)∈r1×
m
×
n
；设输入张量维度为c
×
m
×
n，则spatial attemtion map维度为1
×
m
×
n；整个操作本质上是对所有通道上的矩阵乘以m
×
n的权值矩阵，矩阵上的重要区域信息得到突出，计算过程如式(10)所示：
[0042][0043]
s32：多层次特征提取；
[0044]
根据时域、频域和能量特征图谱，利用卷积层和最大池化层对这三个特征进行并行预处理，降低张量维数，减少计算量，然后用torch.cat命令拼接三个特征张量，将拼接后的张量输入网络进行融合处理；
[0045]
在后处理模块中，通过kaiming初始化方法对卷积层权重进行处理，防止层激活输出在网络前向传递过程中出现梯度爆炸或消失，并利用两个信息融合模块对输入拼接张量进行融合，每一层的输出均经过归一化和relu激活函数处理，以加快网络训练的收敛速度，全连接层使用dropout操作来防止过拟合。
[0046]
本发明的有益效果在于：本发明提出的方法精度高、可靠性强，它能准确地评估换流变压器的运行状态，可为基于换流变压器振动信号的故障检测、识别提供方法基础。
[0047]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0048]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0049]
图1为时域特征图谱生成过程；
[0050]
图2为复调制细化频谱法分析过程；
[0051]
图3为频域特征图谱生成过程；
[0052]
图4为频谱细化对比图；
[0053]
图5为能量特征图谱生成过程；
[0054]
图6为通道注意力模块；
[0055]
图7为空间注意力模块；
[0056]
图8为信息融合模块；
[0057]
图9为多层次特征提取方法的总体框架；
[0058]
图10为运行状态识别准确率结果；
[0059]
图11为高斯噪声添加前后图谱对比。
具体实施方式
[0060]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0061]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0062]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0063]
参见图1～图11。图1是时域特征图谱生成过程。图2是复调制细化频谱法分析过程。图3是频域特征图谱生成过程。图4是频谱细化对比图。图5是能量特征图谱生成过程。图6是通道注意力模块。图7是空间注意力模块。图8是信息融合模块。图9是多层次特征提取方法的总体框架。图10是运行状态识别准确率结果。图11是高斯噪声添加前后图谱对比。
[0064]
本发明提出一种基于振动信号的换流变压器多层次特征提取方法。该方法通过计算马尔科夫变迁场的方式将一维振动时序序列和对应细化频率序列转化为时域、频域二维特征图谱，通过连续小波变换将原始序列转换为时频能量特征图谱。然后利用通道注意力机制、空间注意力机制和卷积层堆叠的方式对振动信号的时域、频域和能量特征进行信息融合处理，解决了传统方法信息利用率低的问题，利用卷积神经网络对融合特征进行特征提取分类。其采用如下步骤实现：
[0065]
(1)换流变压器振动信号采集
[0066]
分类实验中涉及的空载数据来源于南方电网超高压公司乌东德站柔性直流变压器zzdfpz
‑
480000/500
‑
400的出厂测试试验。负载数据来源于南方电网超高压公司新松换流站和金官换流站内不同电压等级的在运换流变压器。所涉及的换流变压器型号、电压等级、试验工况以及绕组联接信息如表1、2、3所示。在出厂测试试验中，我们将换流变压器的网侧开路并且让网侧的中性点接地。之后在阀侧逐步施加可变电压，分别测量网侧电压为112.7kv、126kv、140.9kv、150kv、152kv、154kv、154.9kv、155kv下的机箱振动信号。负载实验中，直接对不同电压等级下的在运换流变压器进行箱体振动信号测量。试验采用ay5922d动态信号测试分析系统，传感器采用1a314e压电式加速度传感器。加速度传感器与磁力座连接，安装于被试变压器箱壁。数据采集仪信号为dh5922d。空载试验测点数量为12(直流场测)，负载试验测点数量为24(直流场测与交流场测各12)。
[0067]
表1乌东德zzdfpz
‑
480000/500
‑
400试验工况
[0068][0069]
表2新松换流站现场运行工况
[0070][0071]
表3金官换流站现场运行工况
[0072][0073]
(2)多特征图谱构建
[0074]
计算马尔科夫变迁场的方式将一维振动时序序列和对应细化频率序列转化为时域、频域二维特征图谱，通过连续小波变换将原始序列转换为时频能量特征图谱。
[0075]
(3)将多特征图谱输入至多尺度特征提取方法
[0076]
a)运行状态识别准确率分析
[0077]
基于降低计算成本以及张量拼接维度一致要求的考虑，在输入前先将时域、频域、时频图谱等比例缩放至像素大小。输入时随机打乱图片顺序防止神经网络对数据顺序产生倾向性。以乌东德换流变压器的数据作为训练集，以新松换流站和金官换流站的数据作为测试集，以空载和负载条件为数据标签进行两种分类实验。每个变压器数据集包含所有测点数据，每个测点包含100张图片。为了验证信息融合模块和多尺度特征的有效性，分别要添加注意机制、不添加注意机制和单一特征输入的条件下进行了实验，实验结果如图10所示。
[0078]
实验结果表明本发明对新松换流站和金官换流站数据分类的平均准确率分别为96.00％(8月)、97.74％(12月)和96.15％，注意机制的加入使正确率提高了8.08％，多尺度输入的准确率明显高于单一特征输入，本文方法在测点分类上具有良好效果。
[0079]
b)抗干扰能力分析
[0080]
由于实验中使用的传感器和数据传输线具有极强的抗干扰能力，因此实验测量数据的信噪比(snr)相当高。为了获得具有指定信噪比的样本，我们在验证集的振动数据中加入指定功率的高斯噪声。分类实验的训练集数据分布与图10中的实验相同，只是在测试数
据中加入了噪声，测试集数据为新松站换流变压器各测点的数据，每个测量点包含时域、频域和能量10幅图，共计720幅图。通过对不同信噪比下的振动数据进行工况识别实验，确定了方法抗干扰能力的稳定性。加噪前后的图像对比如图11所示，实验结果如表4所示。
[0081]
表4不同信噪比比较
[0082][0083]
由于高斯白噪声在整个频带上是均匀分布的，因此高斯噪声的加入只会使得频谱向上平移一段距离但不会改变频率序列的趋势。且在计算mtf矩阵前我们一般会先将序列进行归一化处理以防止计算结果偏向于较大的值。因此高斯白噪声的加入对频域特征图的影响较小。但高斯白噪声的加入大大的改变的振动序列的分布情况，因此，高斯白噪声的加入对时域特征图像的影响远大于频域图像。
[0084]
c)不同方法实验对比分析
[0085]
在表5给出了本文方法与dwt&knn、1d
‑
cnn、fcn、resnet、rnn、svm、lstm等经典时间序列处理方法的识别结果。训练集为乌东德换流站的数据，测试集为金关换流站的数据，识别准确率为其电压、电流等级下识别准确率平均值。
[0086]
表5不同方法准确率对比
[0087][0088]
综上所述，本方法在新松换流站和金官换流站的测点分类准确率分别为96.00％(8月)、97.74％(12月)和96.15％，效果良好。加入注意机制后正确率提高了8.08％，多层次输入准确率明显高于单特征输入。本方法相比经典一维序列处理网络准确率提高了约7％，并具有较强泛化能力，为基于换流变压器振动信号的故障检测、识别提供了方法基础。
[0089]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。