一种适用于GIL中不同金属颗粒故障的诊断方法

一种适用于gil中不同金属颗粒故障的诊断方法
技术领域
1.本发明涉及气体绝缘金属封闭输电线路(gil)中金属颗粒故障诊断领域，尤其涉及一种适用于gil中不同金属颗粒故障的诊断方法。


背景技术：

2.随着gil的不断推广和应用，gil安全运行问题受到广泛关注。金属颗粒故障属于gil主要故障之一，会造成gil严重绝缘事故。由于金属颗粒体积微小且产生数量不一，在gil腔体内具有极强的隐蔽性，增加了gil运行状态评估和检修工作的难度。
3.gil中不同金属颗粒故障的放电特性、信号的时频域特征具有明显相似性，传统方法很难对不同金属颗粒故障进行精确诊断，导致gil状态评估准确率低、检修工作难度高、工作量大等后果。因此设计出适用于gil中不同金属颗粒故障的诊断方法尤为重要。


技术实现要素：

4.本发明的目的是提供一种适用于gil中不同金属颗粒故障的诊断方法，能够精确地诊断gil中不同金属颗粒故障，从而有效评估gil安全状态，为检修工作提供良好的检修指导，降低了检修工作量和检修时间，具有较强的工程实用性。
5.本发明为实现上述发明目的采用如下技术方案：
6.本发明提供了一种适用于gil中不同金属颗粒故障的诊断方法，首先在气体绝缘金属封闭输电线路(gil)中设置多种不同的金属颗粒故障，使用传感器和动态数据采集仪采集对应故障的振动信号，然后使用优化的变分模态分解算法(vmd)对金属颗粒故障的振动信号进行模态分解，其中，vmd的参数被独立自适应粒子群算法(apa-pso)进行优化，再对模态分解后得到的各模态分量(imf)进行特征提取，将提取的特征向量组合得到故障特征向量组，最后将多种金属颗粒故障的特征向量组输入到深度森林中，得到诊断结果，具体步骤为：
7.step1：搭建gil金属颗故障模拟实验平台，在gil实验腔体内设置多种不同的金属颗粒故障，加载运行电压后金属颗粒在腔体内运动，与腔体碰撞并产生振动信号，在gil实验腔体外壳上放置振动加速度传感器，然后使用动态数据采集仪采集相应金属颗粒故障的振动信号；
8.step2：使用优化后的vmi)对金属颗粒故障的振动信号进行模态分解，具体为：
9.step2.1：使用apa-pso对vmd中的二次惩罚因子β和模态分解个数k进行优化，首先随机初始化p个粒子，初始化权重因子、学习因子、最大迭代次数等参数，然后输入金属颗粒故障振动信号，计算粒子的适应度值，找出个体最优和全局最优，再更新粒子的速度和位置，再次计算粒子的适应度值，并更新个体最优和全局最优，计算出粒子迭代时的惯性权重和学习因子，惯性权重和学习因子的计算公式分别为
10.[0011][0012]
式中：为初始权重，为最终权重，为种群进化率，c
1max
为学习因子的最大值，c
2min
为学习因子的最小值，n为当前迭代次数，n为最大迭代次数；
[0013]
算法中止的条件为当达到中止条件时，优化过程结束并输出最优参数值[β，k]，如果不满足中止条件，则继续更新粒子位置，寻找个体最优和全局最优，直到满足中止条件后结束；
[0014]
step2.2：将优化后的参数[β，k]代入到vmd中，金属颗粒故障的振动信号经过vmd处理后可以得到k个本征模态分量(imf)，定义imf分量为调幅调频信号，则第i个imf分量可以表示为
[0015]
ui(t)＝ai(t)cos(φi(t))
ꢀꢀꢀꢀꢀꢀ
(3)
[0016]
式中：i∈{1，
…
，k}，φi(t)为非递减函数，ai(t)为包络函数；
[0017]
初始化和λ1，其中ωi为函数中心频率，λ为lagrange乘子，且λ1＝0；
[0018]
进入迭代循环，依次对ui，ωi和λ
n 1
进行更新，直到分解为k个模态分量时停止循环，其更新公式为
[0019][0020][0021][0022]
式中：m为原始振动信号，τ为更新参数，设定精度阈值ε，当满足时算法停止，并输出振动信号分解后的k个模态分量，否则继续按照公式(4)、(5)、(6)进行循环迭代运算；
[0023]
step3：对分解后得到的k个模态分量进行hurst指数计算，将计算得到的k个hurst指数组合得到特征向量组，计算过程为：
[0024]
对于金属颗粒故障振动信号分解后得到的k个imf分量yk(k＝1，
…
，k)，标度长度设置为v(2≤v≤k/2)，将振动信号分解成长度为v的d个相邻子区间，分别计算每个子区间的极差r(v)和方差s(v)；
[0025]
然后对每个子区间求出对应的极差和方差之比，即
[0026][0027]
求得带有hurst指数的对数方程为
[0028]
lg(rs(v))＝lg b h lg v
ꢀꢀꢀꢀꢀꢀ
(8)
[0029]
式中：b为常数；h为hurst指数，不同标尺长度v可以得到不同的(ln v，lnrs(v))，
对其进行最小二乘法拟合后得到的斜率就是hurst指数。
[0030]
step4：将多种金属颗粒故障的特征向量组输入到深度森林诊断中，得到诊断结果，具体为：
[0031]
step4.1：输入的多种金属颗粒故障特征向量组首先经过多粒度扫描阶段，使用滑动窗口扫描输入特征向量并生成新的特征向量子样本，将每个子样本都用于完全随机森林和普通随机森林的训练，然后将训练后的特征向量输入到级联森林中；
[0032]
step4.2：在级联森林中，采用一种级联结构对输入的特征向量进行逐层处理，每一个级联层都将上一层的输出作为输入，并将处理后的特征信息输出到下一层，最后输出最终的诊断结果，实现不同金属颗粒故障的精确诊断。
[0033]
本发明的有益效果如下：
[0034]
能够精确地诊断gil中不同金属颗粒故障，从而有效评估gil安全状态，为检修工作提供良好的检修指导，降低了检修工作量和检修时间，具有较强的工程实用性。
附图说明
[0035]
图1为根据本发明实例提供的gil金属颗粒故障模拟实验平台示意图；
[0036]
图2为根据本发明实例提供的gil不同金属颗粒故障诊断方法的流程框图；
[0037]
图3为根据本发明实例提供的不同金属颗粒故障的振动信号时域图；
[0038]
图4为根据本发明实例提供的双球(1.0mm)金属颗粒故障振动信号的分解图；
具体实施方式
[0039]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0040]
图1示出本发明所提供的用于模拟gil不同金属颗粒故障的实验平台示意图，包括高压交流电源、gil实验腔体、实验用球形金属颗粒、加速度传感器、动态数据采集仪以及笔记本电脑。
[0041]
本实施案例中，将不同数量和尺寸的实验用球形金属颗粒放置在gil实验腔体内，模拟gil中存在单个球形金属颗粒(1.0mm或1.5mm)、两个球形颗粒(1.0mm)和三个球形颗粒(1.0mm)的四种金属颗粒故障。本实施案例中，将采用本发明方法对上述4种不同金属颗粒故障进行识别诊断。
[0042]
准备阶段，将gil实验平台中各设备按照平台示意图进行电气连接，先用接地棒清除腔体电荷，再用酒精擦拭gil腔体内壁，待乙醇挥发并确认无电荷存在后，再按照金属颗粒故障类型将不同数量和尺寸的实验用球形金属颗粒分别放置在gil实验腔体内。
[0043]
本发明的适用于gil中不同金属颗粒故障诊断方法的流程图如图2所示，包括以下步骤：
[0044]
step1：首先通过高压交流电源给实验平台提供50kv交流电，金属颗粒在腔体内感应带电并受力后跳动，跳动时撞击gil腔体产生振动信号，使用加速度传感器、动态数据采集仪和笔记本电脑采集并存储振动信号。每种金属颗粒故障的振动信号采集180组，每组包含5000个点，由于动态数据采集仪的采样频率设置为20khz，即每组信号采样时间为0.25s。
图3示出不同金属颗粒故障的振动信号时域图。
[0045]
step2：使用apa-pso对vmd中的二次惩罚因子β和模态分解个数k进行优化。由于每种金属颗粒故障振动信号的复杂性和随机性不同，优化后参数的取值也不相同。表1示出vmd经优化后β和k的取值。
[0046]
表1 vmd优化参数值
[0047]
故障类型惩罚因子β模态分解个数k单球(1.0mm)165410单球(1.5mm)9279双球(1.0mm)18039三球(1.0mm)177011
[0048]
对于不同的金属颗粒故障，将相应的最优参数代入vmd算法中，并对每组振动信号进行模态分解。图4示出双球(1.0mm)金属颗粒故障振动信号的分解图。
[0049]
step3：参考表1中不同金属颗粒故障对应的模态分解个数k，计算每组信号前9个模态分量的hurst指数。表2示出不同金属颗粒故障振动信号对应的前9个模态分量的hurst数值。
[0050]
表2金属颗粒故障的imf-h指数值
[0051]
故障状态单球(1.0mm)单球(1.5mm)双球(1.0mm)三球(1.0mm)imf1-h0.82770.82510.81530.7970imf2-h0.53620.35190.54580.4007imf3-h0.34480.23130.27320.3060imf4-h0.34730.17350.27690.2594imf5-h0.26960.15400.25650.2430imf6-h0.22540.18960.19950.2188imf7-h0.27670.25100.21610.2414imf8-h0.26570.24370.26000.2542imf9-h0.29830.31880.36480.3528
[0052]
step4：将计算得到的每组振动信号的前9个imf-h数值作为一组故障特征量输入到深度森林诊断模型中。因为每种故障共有180组故障特征量，所以一共有720组故障特征量输入到诊断模型中。将所有故障特征量组按照4∶1的比例分为训练样本组和测试样本组，最终得到的诊断结果如表3所示。
[0053]
表3不同金属颗粒故障诊断准确率
[0054]
单球(1.0mm)单球(1.5mm)双球(1.0mm)三球(1.0mm)总体准确率100％100％97.2％97.2％98.6％
[0055]
从表3可以看出，本实例中，不同金属颗粒故障均被有效诊断区分，总体准确率达到了98.6％，具有较高的诊断精度和良好的工程应用价值。
[0056]
综上所述：
[0057]
本发明的目的是提供一种适用于gil中不同金属颗粒故障的诊断方法，能够精确地诊断gil中不同金属颗粒故障，识别金属颗粒的数量和尺寸，有效评估gil安全状态，为检
修工作提供良好的检修指导，具有较强的工程实用性。
[0058]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。