基于EMD/HHT的變壓器故障檢測(cè)算法研究

張廣怡

(鄭州電力高等?？茖W(xué)校,河南 鄭州 450000)

0 引言

變壓器的運(yùn)行狀態(tài)直接影響電力系統(tǒng)的運(yùn)行安全[1],為保證電力系統(tǒng)安全運(yùn)行,需利用相關(guān)的檢測(cè)或者診斷方法,判斷變壓器在運(yùn)行過程中是否存在異常以及故障,及時(shí)對(duì)存在異常的變壓器進(jìn)行相關(guān)處理,保證電力系統(tǒng)的正常運(yùn)行[2]。經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)具有較好的信號(hào)時(shí)頻處理效果,對(duì)于非線性、非平穩(wěn)信號(hào)的處理效果極好,能夠獲取信號(hào)的本征模函數(shù)。希爾伯特-黃變換(Hilbert-Huang Transform,HHT)具有較好的時(shí)頻聚集性,能夠獲取信號(hào)分量,提升信號(hào)的時(shí)頻分辨率。因此,本文針對(duì)變壓器故障檢測(cè)存在的不足,以提升其故障檢測(cè)精度為目標(biāo),提出基于EMD/HHT的變壓器故障檢測(cè)算法。

1 變壓器故障檢測(cè)

1.1 基于EMD的變壓器運(yùn)行狀態(tài)信號(hào)模態(tài)分解

變壓器在運(yùn)行過程中會(huì)產(chǎn)生相應(yīng)的振動(dòng)信號(hào)[3],因此本文為實(shí)現(xiàn)變壓器故障檢測(cè),以電力系統(tǒng)運(yùn)行管理中心采集的變壓器振動(dòng)信號(hào)為基礎(chǔ),對(duì)應(yīng)展開故障檢測(cè)。由于變壓器振動(dòng)信號(hào)為非平穩(wěn)信號(hào),并且信號(hào)中含有大量噪聲信號(hào),為實(shí)現(xiàn)故障檢測(cè),需對(duì)采集的變壓器振動(dòng)信號(hào)進(jìn)行處理,本文采用EMD進(jìn)行該信號(hào)的分解,獲取信號(hào)模態(tài)分量。

EMD具有較好的自適應(yīng)性,采用該方法完成變壓器振動(dòng)信號(hào)處理后,可獲取信號(hào)的一系列本征模態(tài)函數(shù)(IMF),并將其定義為分解基。EMD在進(jìn)行變壓器振動(dòng)信號(hào)處理過程中,獲取的IMF分量用imfi表示,該分量需滿足兩個(gè)條件。

條件1:整個(gè)數(shù)據(jù)長(zhǎng)度內(nèi),其極值點(diǎn)和過零點(diǎn)數(shù)量需相同或者相差結(jié)果不可大于1。

條件2:任意變壓器振動(dòng)信號(hào)數(shù)據(jù)局部上、下包絡(luò)線呈對(duì)稱狀態(tài),即局部最小值包絡(luò)和最大值包絡(luò)平均值等于0。

在滿足上述兩個(gè)條件的前提下進(jìn)行imfi的獲取,其詳細(xì)步驟如下所述。

步驟1:計(jì)算變壓器原始振動(dòng)信號(hào)的極大值點(diǎn)和極小值點(diǎn)結(jié)果,同時(shí)完成該信號(hào)上、下包絡(luò)線的擬合,該擬合采用3次樣條差值完成。如果上下包絡(luò)線的均值用x1表示,則采集的變壓器原始振動(dòng)信號(hào)用x(t)表示,計(jì)算其和x1之間的差值h1(t),其公式表示為:

h1(t)=x(t)-x1(t)

(1)

步驟2:依據(jù)上述的兩個(gè)條件對(duì)h1(t)進(jìn)行判斷,如果滿足該條件,則定義h1(t)為第一個(gè)本征模態(tài)函數(shù),用c1(t)表示;如果不滿足上述兩個(gè)條件,則依據(jù)公式(1)重新計(jì)算,獲取h1(t)上下包絡(luò)線,并計(jì)算為均值線結(jié)果x11,同理進(jìn)行差值計(jì)算,其計(jì)算公式為:

h11(t)=h1(t)-x11(t)

(2)

將公式(2)的計(jì)算結(jié)果定義為變壓器原始振動(dòng)信號(hào),循環(huán)步驟1,直到h1k(t)滿足imfi的兩個(gè)條件為止。如果定義h1k(t)為第一個(gè)本征模態(tài)函數(shù)c1(t),則h1k(t)=c1(t)。

步驟3:刪除c1(t),獲取新的變壓器原始振動(dòng)信號(hào)r1(t),循環(huán)步驟1和步驟2,即可獲取n個(gè)本征模態(tài)分量;當(dāng)rn(t)為單調(diào)函數(shù)時(shí),停止循環(huán);此時(shí)x(t)即被劃分成n個(gè)本征模態(tài)和一個(gè)剩余分量之和,其計(jì)算公式為:

(3)

通過公式(3)即可獲取變壓器振動(dòng)信號(hào)由高頻到低頻的頻率成分分量,形成數(shù)個(gè)固有模態(tài)函數(shù)X(t)。

依據(jù)上述步驟即可獲取變壓器振動(dòng)信號(hào)的IMF分量,但是獲取的分量中存在一定的虛假分量,這些分量會(huì)影響故障的檢測(cè)精度,因此需對(duì)這些虛假分量進(jìn)行刪除。為精準(zhǔn)確定分量中的虛假分量,文章采用相似性作為篩選指標(biāo),用于衡量虛假分量與原始信號(hào)之間的距離,依據(jù)設(shè)定的距離閾值確定虛假分量并刪除,保留有效的、敏感分量并將其用于后續(xù)時(shí)頻分析中。

1.2 基于HHT的分量信號(hào)時(shí)頻分析

依據(jù)上述小結(jié)完成X(t)的獲取后,采用HHT對(duì)X(t)分量信號(hào)進(jìn)行處理,以此分析信號(hào)的時(shí)頻變化特性,如時(shí)頻幅值大小、頻率分布情況等,以此完成變壓器振動(dòng)信號(hào)特征提取。

HHT能夠精準(zhǔn)描述模態(tài)分量頻率表征信號(hào)在局部時(shí)間點(diǎn)上的瞬態(tài)頻率特性和規(guī)律,對(duì)X(t)進(jìn)行Hilbbert變換處理后得出:

(4)

式中:ξ表示柯西主值;Y(t)表示變換結(jié)果。

依據(jù)上述公式,將X(t)和Y(t)結(jié)合后形成一個(gè)共軛復(fù)數(shù)對(duì),基于此可獲取解析信號(hào)Z(t):

Z(t)=a(t)eiθ(t)

(5)

式中:a(t)表示瞬時(shí)振幅;θ(t)表示相位函數(shù)。

在公式(5)的基礎(chǔ)上計(jì)算瞬時(shí)頻率ψ,其計(jì)算公式為:

(6)

Hilbbert變換處理過程中存在一定程度的信號(hào)失真情況,計(jì)算得出ψ后,即可用時(shí)頻函數(shù)表示變壓器原始振動(dòng)信號(hào),其公式為:

(7)

為提升HHT的處理效果,本文采用多種群差分進(jìn)化(Multiple Population Differential Evolution,MPDE)算法對(duì)其處理結(jié)果進(jìn)行優(yōu)化,經(jīng)過優(yōu)化Hilbbert變換處理后的信號(hào)可進(jìn)一步表示為幅值、頻率以及時(shí)間的函數(shù),可將其稱為Hilbbert譜,然后以其作為變壓器信號(hào)特征提取結(jié)果,輸入卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)變壓器故障檢測(cè)。

1.3 基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障分類

為實(shí)現(xiàn)變壓器故障檢測(cè),文中采用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行變壓器故障分類,該模型屬于一種深層神經(jīng)網(wǎng)絡(luò)模型,包含前向傳播和誤差反向傳播,其中前向傳播主要由卷積層、池化層、全連接層組成;誤差反向傳播則是以最小誤差代價(jià)函數(shù)為依據(jù),實(shí)現(xiàn)模型權(quán)值調(diào)整,以此構(gòu)建特征空間和故障空間之間的映射關(guān)系。

將提取的變壓器信號(hào)特征結(jié)果輸入網(wǎng)絡(luò)模型中后,文中選擇均方差代價(jià)函數(shù)F,其計(jì)算公式為:

(8)

在誤差反向傳播過程中,采用梯度下降方式完成網(wǎng)絡(luò)模型參數(shù)調(diào)整,其計(jì)算公式為:

(9)

式中:w和b分別表示網(wǎng)絡(luò)模型的權(quán)重和偏置項(xiàng),兩者優(yōu)化調(diào)整后的結(jié)果用w′和b′表示;η表示網(wǎng)絡(luò)模型的學(xué)習(xí)率。

為保證變壓器故障檢測(cè)精度,設(shè)置模型各層的詳細(xì)層數(shù)等相關(guān)參數(shù),設(shè)置卷積1、2、3、4層的卷積層數(shù)量分別為64、96、128、256,卷積核的數(shù)量分別為96、128、128、256,卷積核大小分別為5×5、2×2、3×3、3×3;池化層的池化核均為2×2;全連接層共有128個(gè)節(jié)點(diǎn)。確定卷積1層、3層、5層和6層的卷積核數(shù)量、大小以及全連接層的神經(jīng)元數(shù)量均為變量,以此生成網(wǎng)絡(luò)模型組合,變壓器故障檢測(cè)的流程如下所述。

步驟1:依據(jù)變壓器運(yùn)行狀態(tài)信號(hào)模態(tài)結(jié)果構(gòu)建極值點(diǎn)特征評(píng)價(jià)函數(shù)。

步驟2:設(shè)置MPDE算法的種群數(shù)量,并采用隨機(jī)初始化的方式完成種群縮放因子和交叉概率的處理。

步驟3:采用編譯、較差、選擇等方式對(duì)種群內(nèi)的所有個(gè)體進(jìn)行相關(guān)處理,獲取各個(gè)操作處理后的結(jié)果,并依據(jù)設(shè)定條件對(duì)該結(jié)果進(jìn)行判斷,如果滿足則進(jìn)入步驟4;如果不滿足設(shè)定條件,則回轉(zhuǎn)步驟2。

步驟4:對(duì)比種群之間的信息通信結(jié)果,獲取種群中的最優(yōu)個(gè)體,依據(jù)該個(gè)體完成其他種群最差個(gè)體的優(yōu)化。依據(jù)設(shè)定的判斷標(biāo)準(zhǔn),對(duì)上一步驟獲取的最優(yōu)個(gè)體進(jìn)行判斷,滿足標(biāo)準(zhǔn)則直接進(jìn)入下一步;反之回轉(zhuǎn)至步驟2。

步驟5:依據(jù)相似性測(cè)度進(jìn)行IMF分量的篩選,并對(duì)分解獲取所有分量中的虛假分量進(jìn)行處理。采用Hilbbert變換對(duì)篩選的敏感IMF分量進(jìn)行處理,獲取Hilbbert譜。將獲取的Hilbbert譜結(jié)果劃分成訓(xùn)練樣本和測(cè)試樣本,并且設(shè)置卷積神經(jīng)網(wǎng)絡(luò)模型的迭代次數(shù)、學(xué)習(xí)率等參數(shù)。

步驟6:將劃分的訓(xùn)練樣本輸入卷積神經(jīng)網(wǎng)絡(luò)模型中,采用前向傳播完成故障特征映射,計(jì)算期望結(jié)果和實(shí)際結(jié)果之間的誤差。采用反向傳播對(duì)計(jì)算得出的誤差進(jìn)行處理,并逐層完成相關(guān)參數(shù)更新。

步驟7:循環(huán)步驟6,完成所有訓(xùn)練樣本的處理并且滿足卷積神經(jīng)網(wǎng)絡(luò)模型精度、達(dá)到最大迭代次數(shù),完成該網(wǎng)絡(luò)模型的訓(xùn)練。將測(cè)試樣本輸入訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型中,進(jìn)行變壓器故障檢測(cè),完成故障的分類檢測(cè)。

2 測(cè)試分析

為驗(yàn)證本文算法對(duì)于變壓器故障的檢測(cè)效果,文中以某變電站中的變壓器作為實(shí)例測(cè)試對(duì)象,已知該變壓器運(yùn)行28 d的振動(dòng)信號(hào),將該信號(hào)作為測(cè)試數(shù)據(jù)進(jìn)行變壓器故障檢測(cè)。采集的信號(hào)數(shù)據(jù)共1 200組,將其中的1 000組作為訓(xùn)練樣本,剩余的200作為測(cè)試樣本。該信號(hào)中包含6種故障信號(hào),每種故障信號(hào)150組,分別為接地短路、匝間短路、繞組變形、鐵芯松動(dòng)、直流偏磁、繞組松動(dòng)。

參數(shù)設(shè)置:卷積核大小為2,步長(zhǎng)為1,學(xué)習(xí)率為0.001。

為驗(yàn)證本文算法的變壓器故障檢測(cè)效果,采用本文算法對(duì)采集的變壓器信號(hào)進(jìn)行處理后,獲取接地短路、匝間短路、繞組變形、鐵芯松動(dòng)、直流偏磁、繞組松動(dòng)6種故障的檢測(cè)結(jié)果,該檢測(cè)結(jié)果采用混沌矩陣進(jìn)行描述,測(cè)試結(jié)果如圖1所示。其中白色框內(nèi)表示檢測(cè)正確數(shù)量,灰色框內(nèi)表示檢測(cè)錯(cuò)誤數(shù)量。

圖1 變壓器故障檢測(cè)效果

依據(jù)圖1測(cè)試結(jié)果可知;采用本文算法進(jìn)行變壓器故障檢測(cè)后,能夠精準(zhǔn)完成不同類別故障的檢測(cè),并且檢測(cè)結(jié)果的精準(zhǔn)性較高,只有繞組變形故障和繞組松動(dòng)故障在檢測(cè)過程中發(fā)生極小概率的錯(cuò)誤率。因此,該算法具備變壓器故障檢測(cè)能力,可精準(zhǔn)完成不同類別故障分類,為變壓器的運(yùn)行管理提供可靠依據(jù)。

3 結(jié)語(yǔ)

變壓器的運(yùn)行狀態(tài)直接影響電力系統(tǒng)運(yùn)行的穩(wěn)定性和安全性,因此通過實(shí)時(shí)掌握變壓器的運(yùn)行狀態(tài)、及時(shí)發(fā)現(xiàn)異?；蛘吖收锨闆r,能夠極大程度避免設(shè)備故障,保證電力系統(tǒng)供電的可靠性。因此,本文為實(shí)現(xiàn)變壓器故障檢測(cè),提出基于EMD/HHT的變壓器故障檢測(cè)方法。對(duì)該方法的應(yīng)用效果進(jìn)行測(cè)試后得出:該算法具有較好的變壓器故障檢測(cè)效果,可精準(zhǔn)完成不同類別故障的分類檢測(cè),為電力系統(tǒng)的穩(wěn)定運(yùn)行提供了可靠依據(jù)。