一种基于IEMD和GA-BP的环网柜开关分合闸线圈绝缘故障在线智能诊断方法与流程

一种基于iemd和ga-bp的环网柜开关分合闸线圈绝缘故障在线智能诊断方法
技术领域
1.本发明属于故障在线智能诊断领域，尤其涉及环网柜开关分合闸线圈绝缘状态故障在线智能诊断。


背景技术：

2.随着电力系统的不断发展而变得复杂，致使断路器在电力设备投入与退出时，起到至关重要的作用。因此，其可靠性直接关系到其自身和电网的安全运行性能。然而，断路器大部分工作在室外，受工作环境影响，慢慢老化而逐渐影响其可靠性。
3.目前，在智能算法辅助下，现有诊断技术取得长足发展，识别率不断提高。但现有故障识别技术的准确率主要基于改进的智能算法的性能，然而，对前期故障特征值和特征曲线的建立，形成完整诊断系统的研究较少。因此，提高断路器故障诊断识别能力具有实际工程价值，是一个值得进一步研究的问题。


技术实现要素：

4.本发明的目的在于克服上述现有技术的不足，提供了一种能够在线智能诊断环网柜开关分合闸线圈绝缘状态故障的方法，具体为一种基于iemd和ga-bp的环网柜开关分合闸线圈绝缘故障在线智能诊断方法。
5.本发明提供了一种基于iemd和ga-bp的环网柜开关分合闸线圈绝缘故障在线智能诊断方法，该方法包括如下步骤：
6.步骤1：环网柜开关分合闸线圈绝缘状态典型故障特征参数库构建阶段，通过对环网柜开关分合闸线圈绝缘状态铁心卡涩、电压异常(过高或过低)和击穿3种常见故障进行实验室模拟，得到不同故障下的电流曲线，进而构建典型故障特征参数库。
7.步骤2：对环网柜开关分合闸线圈绝缘状态进行实时在线监测，直至环网柜开关分合闸线圈绝缘状态发生故障；
8.步骤3：环网柜开关分合闸线圈绝缘状态故障特征参数提取阶段，当环网柜开关分合闸线圈绝缘状态发生故障时，提出一种改进的集合模态分解(improve empirical mode decomposition，iemd)方法提取环网柜开关分合闸线圈电流特征值。
9.该方法基于分解后的imf的能量密度和其对应的平均周期的乘积是一个常数的性质，提出一种自适应选择imf分量重构算法，有效剔除原始信号中噪声干扰，而后再去掉信号分解中的imf伪分量，进而提高特征值提取效率；
10.步骤4：在步骤3的基础上，提出改进的ga-bp神经网络算法，通过对ga精英算子和bp神经网络参数的调整，不仅提高了算法收敛速度，而且提高了环网柜开关分闸线圈电流故障诊断识别率；
11.步骤5：重复步骤3和4，直至辨别故障类型，流程结束。
12.优选的，步骤3中所述故障特征参数提取阶段，包括如下计算过程：
13.在原始信号x(t)中分别添加均值为零的白噪声qi(t)和－qi(t)，得到一组新的原始信号序列，即：
[0014][0015]
其中，ai为白噪声幅值，n为白噪声对数。
[0016]
分别对x
1-i
(t)、x
2-i
(t)进行emd分解，获得第一阶的imf分量序列c
1-i
(t)和c
2-i
(t)，计算平均值得：
[0017][0018]
计算通过emd分解后的若干个imf分量的能量密度和平均周期之积：
[0019]
pj＝ej×
tj[0020]
其中，ej是第j个imf分量的能量密度，tj是第j个imf分量的平均周期。
[0021]
计算系数rpj(j》1)
[0022][0023]
当rpj》1时，前j-1个imf分量作为伪分量，从原始信号中剔除，对剩余分量再进行emd分解和重构，得到所有的降噪后的imf分量。
[0024]
优选的，步骤4中包括如下计算过程：
[0025]
nj＝n
j*
exp[(r/k)-r]r∈(0,1)
[0026]
其中，nm为非支配排序m等级中保留种群数量，n为种群大小；k非支配排序等级总数。
[0027]
有益效果：
[0028]
1.对不同故障进行实验室模拟，得到不同故障下的环网柜开关分合闸线圈电流曲线，为后续构建故障特征曲线样本库提供基础。
[0029]
2.提出一种环网柜开关分合闸线圈电流特征值的iemd提取方法，该方法能有效剔除原始信号中的噪声干扰，以及信号分解中的imf伪分量，进而提高特征值提取效率。为后续故障识别提供有效的初始值，加快算法收敛性和识别准确率。
[0030]
3.提出的ga-bp在线智能诊断方法，通过改进的ga算法对特征进行优化选择，而后传递给bp算法进行训练，有效提高了智能算法的收敛性和识别准确率。
附图说明
[0031]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
[0032]
图1为本发明实施中环网柜开关分合闸线圈电流曲线图。
[0033]
图2为本发明实施中不同等级个体选取概率。
[0034]
图3为本发明实施中改进ga-bp神经网络智能诊断方法流程图。
[0035]
图4为本发明实施中不同卡涩程度下环网柜开关分闸线圈电流图。
[0036]
图5为本发明实施中不同电压异常情况下环网柜开关分闸线圈电流图。
[0037]
图6为本发明实施中为击穿状态下的环网柜开关分闸线圈电流图。
[0038]
图7为本发明实施中原始信号曲线图。
[0039]
图8为本发明实施中emd方法分解结果图。
[0040]
图9为本发明实施中小波变换分解结果图。
[0041]
图10为本发明实施中iemd方法去噪信号曲线图。
[0042]
图11为本发明实施中iemd方法分解结果图。
[0043]
图12为本发明实施中训练误差曲线对比图。
具体实施方式
[0044]
下面将结合本发明的实施例中的附图，对本发明的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0045]
随着电力系统的不断发展而变得复杂，致使断路器在电力设备投入与退出时，起到至关重要的作用。因此，其可靠性直接关系到其自身和电网的安全运行性能。然而，断路器大部分工作在室外，受工作环境影响，慢慢老化而逐渐影响其可靠性；故本实施例提供了一种基于iemd和ga-bp的环网柜开关分合闸线圈绝缘故障在线智能诊断方法，根据不同故障特征曲线，辨别故障类型；如图1、图3所示，该方法包括如下步骤：
[0046]
步骤1：环网柜开关分合闸线圈绝缘状态典型故障特征参数库构建阶段，通过对环网柜开关分合闸线圈绝缘状态铁心卡涩、电压异常(过高或过低)和击穿3种常见故障进行实验室模拟，得到不同故障下的电流曲线，进而构建典型故障特征参数库。
[0047]
步骤2：对环网柜开关分合闸线圈绝缘状态进行实时在线监测，直至环网柜开关分合闸线圈绝缘状态发生故障；
[0048]
步骤3：环网柜开关分合闸线圈绝缘状态故障特征参数提取阶段，当环网柜开关分合闸线圈绝缘状态发生故障时，提出一种改进的集合模态分解(improve empirical mode decomposition，iemd)方法提取环网柜开关分合闸线圈电流特征值。
[0049]
该方法基于分解后的imf的能量密度和其对应的平均周期的乘积是一个常数的性质，提出一种自适应选择imf分量重构算法，有效剔除原始信号中噪声干扰，而后再去掉信号分解中的imf伪分量，进而提高特征值提取效率；
[0050]
步骤4：在步骤3的基础上，提出改进的ga-bp神经网络算法，通过对ga精英算子和bp神经网络参数的调整，不仅提高了算法收敛速度，而且提高了环网柜开关分闸线圈电流故障诊断识别率；
[0051]
步骤5：重复步骤3和4，直至辨别故障类型，流程结束。
[0052]
优选的，所述步骤1中环网柜开关分合闸线圈绝缘状态典型故障特征参数库的实验示意图，如图1所示。
[0053]
优选的，步骤3中所述故障特征参数提取阶段，包括如下计算过程：
[0054]
在原始信号x(t)中分别添加均值为零的白噪声qi(t)和－qi(t)，得到一组新的原始信号序列，即：
[0055][0056]
其中，ai为白噪声幅值，n为白噪声对数。
[0057]
分别对x
1-i
(t)、x
2-i
(t)进行emd分解，获得第一阶的imf分量序列c
1-i
(t)和c
2-i
(t)，计算平均值得：
[0058][0059]
计算通过emd分解后的若干个imf分量的能量密度和平均周期之积：
[0060]
pj＝ej×
tj[0061]
其中，ej是第j个imf分量的能量密度，tj是第j个imf分量的平均周期。
[0062]
计算系数rpj(j》1)
[0063][0064]
当rpj》1时，前j-1个imf分量作为伪分量，从原始信号中剔除，对剩余分量再进行emd分解和重构，得到所有的降噪后的imf分量。
[0065]
优选的，步骤4中包括如下计算过程：
[0066]
nj＝n
j*
exp[(r/k)-r]r∈(0,1)
[0067]
其中，nm为非支配排序m等级中保留种群数量，n为种群大小；k为非支配排序等级总数。
[0068]
通过设计的实验室场景，对环网柜开关分合闸线圈进行模拟实验。图4为不同卡涩程度下分闸线圈电流，图5为不同电压异常情况下分闸线圈电流，图6为击穿状态下的分闸线圈电流。由图4可知，线圈电流随卡涩严重程度成正比，这是因为需要更大电磁力才能带动铁芯运动。而铁芯运动速度随卡涩严重程度增大而变慢，这是因为阻力的增大，电磁力受阻所致。由图5可知，线圈电流随电压升高而增大，铁芯运动时间越短。从图6中不难发现，击穿状态下的线圈电流幅值远大于正常电流幅值，持续时间短，且此现象与击穿破坏性程度有关。从上述3个模拟故障图形可知，该实验室模拟设计具有可行性，与实际工程情况相似。因此，将上述曲线作为后续仿真实验的基础数据，具有一定的可信度。
[0069]
为更加充分地说明本文所提iemd方法的有效性，设计与emd、小波变换方法进行对比分析。其中，图7为原始信号曲线，图8为emd方法分解结果，图9为小波变换分解结果，图10为iemd方法去噪信号曲线，图11为iemd方法分解结果，表1为特征值提取结果。
[0070]
表1不同分解方法特征值提取结果
[0071]
方法t0/mst1/mst2/mst3/mst4/msi1/ai2/ai3/a实际值5.015.025.030.535.01.601.251.75emd4.215.826.432.436.41.641.351.86小波变换5.515.425.931.033.81.621.381.88
iemd5.014.925.230.234.81.611.251.75
[0072]
如图2、图3所示，利用iemd对t0/ms、t1/ms、t2/ms、t3/ms、t4/ms、i1/a、i2/a和i3/a这7个特征参数进行提取，并作为ga-bp算法的输入量(识别样本集)和初始种群，将环网柜开关分合闸线圈铁心卡涩、电压过高、电压过低和击穿4种故障类型作为输出量(仿真中纵坐标用4至1分别代表四种故障类型)。设定每组故障类型电流信号采集50组，共200组信号，将提取的特征参数放在一个7列200行的表格中，训练样本占70％，验证样本占15％，测试样本占15％，隐含层的数目设置为24。trainlm为训练函数，tansig为传递函数，最大学习次数和学习率分别为100和0.01。而ga算法中将种群设为50，迭代次数200次，交叉概率和变异概率分别为0.3和0.1。通过matlab软件平台仿真，图12为ga-bp神经网络和传统bp神经网络训练误差曲线和训练结果对比图形。表2和表3分别为不同环网柜开关分闸线圈故障类型识别率。
[0073]
表2 bp神经网络环网柜开关分闸线圈故障识别率
[0074][0075]
表3 ga-bp神经网络环网柜开关分闸线圈故障识别率
[0076][0077]
由表2和表3可知，基于bp神经网络的分闸线圈故障识别率仅为81.5％，而基于ga-bp神经网络分闸线圈故障识别率高达96％。且每类故障识别率均有所提高，其中线圈击穿故障识别率达到98％。这有效说明了本文所提基于改进后的ga-bp分闸线圈故障在线智能识别方法具备良好的识别能力。
[0078]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。