亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于數(shù)字孿生的電網(wǎng)變壓器故障診斷方法

        2022-06-25 01:29:48閆敬東康亞麗
        機(jī)械與電子 2022年6期
        關(guān)鍵詞:特征提取故障診斷變壓器

        馮 洋,尹 松,閆敬東,康亞麗,邢 雅

        (國網(wǎng)寧夏電力有限公司培訓(xùn)中心,寧夏 銀川 750011)

        0 引言

        變壓器作為電網(wǎng)安全運(yùn)行的主要設(shè)備,承擔(dān)著電壓轉(zhuǎn)換與電能傳輸?shù)嚷氊?zé),是保障人們正常用電的關(guān)鍵環(huán)節(jié),如果變壓器出現(xiàn)故障,不但會造成巨大經(jīng)濟(jì)損失,還會帶來嚴(yán)重的社會影響。隨著大容量智能電網(wǎng)的不斷發(fā)展,對變壓器的安全需求逐漸提高,電力行業(yè)發(fā)展面臨嚴(yán)峻挑戰(zhàn)。為此,電力公司將變壓器檢修規(guī)則作為依據(jù),定期檢修。此種方式雖然可以減少故障發(fā)生次數(shù),但由于設(shè)備數(shù)量的高速增長,檢修不全面、檢修過度等現(xiàn)象導(dǎo)致嚴(yán)重資源浪費(fèi),有時(shí)還會影響正常供電。在線檢測技術(shù)的興起促進(jìn)了變壓器檢修方式的改變,對故障做出準(zhǔn)確診斷是變壓器檢修的必要前提。所以,精準(zhǔn)高效確定設(shè)備故障狀態(tài),同時(shí)科學(xué)合理地制定維修計(jì)劃,對電網(wǎng)安全運(yùn)行具有重要意義。

        為此,廣大學(xué)者紛紛投入此項(xiàng)研究中。黃新波等[1]將粒子群算法和動態(tài)加權(quán)相結(jié)合診斷變壓器故障,利用粒子群算法優(yōu)化ELM模型,通過多分類器算法對該模型迭代,獲得具有不同權(quán)重的弱分類器,經(jīng)過權(quán)重系數(shù)調(diào)整,利用全部分類器的加權(quán)投票進(jìn)行故障診斷。張哲銘等[2]提出基于感應(yīng)式震蕩沖擊的診斷技術(shù),測量高低壓繞組電壓波形,分析電壓傳遞函數(shù)與變化規(guī)律,將其與變壓器解體結(jié)果對比,反映出故障類型。白浩等[3]利用數(shù)據(jù)清洗與知識遷移算法建立變壓器故障診斷模型,計(jì)算待診斷設(shè)備和故障設(shè)備之間的相似度,剔除奇異數(shù)據(jù);將支持向量機(jī)作為分類方法,經(jīng)過多次迭代,將有效知識遷移到診斷器中,建立診斷模型。

        當(dāng)設(shè)備較多時(shí),上述方法的故障特征區(qū)分能力并不能得到很好體現(xiàn),且診斷時(shí)間較長,難以獲得實(shí)時(shí)診斷結(jié)果。為此,本文利用數(shù)字孿生技術(shù)[4]實(shí)現(xiàn)變壓器故障診斷。在孿生體中,引入概率神經(jīng)網(wǎng)絡(luò)算法,根據(jù)變壓器特征提取結(jié)果尋找故障診斷模型的最優(yōu)解。

        1 基于數(shù)字孿生的電網(wǎng)變壓器故障診斷

        1.1 數(shù)字孿生體建立

        建立的孿生體可通過傳感器實(shí)時(shí)采集設(shè)備信息,基于神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)運(yùn)行狀態(tài)分析與故障診斷。數(shù)字孿生綜合了幾何、物理、行為與規(guī)則4個(gè)基本模型。其中,幾何模型[5]表示設(shè)備尺寸、形狀與空間位置等數(shù)據(jù);物理模型完成在沖擊電壓作用下對變壓器各部件的損傷測試;行為模型是結(jié)合電磁感應(yīng)相關(guān)理論,模擬設(shè)備運(yùn)行狀態(tài),提取變壓器各類故障特征;規(guī)則模型[6]表示通過變壓器使用規(guī)則、專業(yè)知識和神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)故障診斷。本文建立的孿生體如圖1所示。

        圖1 孿生體

        數(shù)字孿生體中,物理部分由變壓器與傳感器組成,通過傳感器收集設(shè)備運(yùn)行信息,并將其保存到孿生數(shù)據(jù)庫中。數(shù)據(jù)庫可以存儲變壓器相關(guān)的所有信息,同時(shí)診斷結(jié)果也可以實(shí)時(shí)保存。行為模型與規(guī)則模型是孿生體的關(guān)鍵。為此,本文重點(diǎn)研究孿生體中行為模型與規(guī)則模型。

        1.2 基于OGLPE的故障特征提取

        為綜合樣本局部與全局結(jié)構(gòu)信息,在保證數(shù)據(jù)約簡的同時(shí),最大程度提取變壓器故障特征,本文提出基于正交全局和局部保持嵌入(OGLPE)的特征提取算法。該方法將流行學(xué)習(xí)法和全局方差最大方法相互彌補(bǔ),保持?jǐn)?shù)據(jù)的局部非線性結(jié)構(gòu),且不破壞數(shù)據(jù)全局結(jié)構(gòu)特征,同時(shí)通過正則化要求去除信息冗余。

        利用矩陣A完成數(shù)據(jù)集合由初始坐標(biāo)到新坐標(biāo)的轉(zhuǎn)換:Y=ATφ(X),進(jìn)而保證信息最大化,A的目標(biāo)函數(shù)表示為

        J1=argmaxtr(ATφ(X)φ(X)TA)

        (1)

        因A由φ(X)=[φ(x1),φ(x2),…,φ(xn)]構(gòu)成,所以a使A=φ(X)a,根據(jù)核算法化解高維矢量內(nèi)積運(yùn)算復(fù)雜問題,假設(shè)K=[Kij],將Kij=K(xi,xj)代入到式(1)中,得到目標(biāo)函數(shù)為

        J2=argmax tr(aTφ(X)Tφ(X)Tφ(X)a)=

        argmax tr(aTK)

        (2)

        K為Mercer核矩陣。本文選用的高斯核函數(shù)[8]為

        (3)

        δ為核的寬度。

        添加正交約束條件,去除冗余特征信息,即

        (4)

        ak為映射矩陣a的第k個(gè)矢量。

        將式(2)和式(4)變換為最大值計(jì)算問題,則矩陣a的第k個(gè)矢量計(jì)算函數(shù)表達(dá)式為

        (5)

        D為對角矩陣;M為中間矩陣。

        利用L(ak)對ak計(jì)算偏導(dǎo),獲得關(guān)系式,即

        (6)

        假設(shè)矩陣變量包括Ak-1=[a1,a2,…,ak-1]和Uk-1=[μ1,μ2,…,μk-1]T,則可建立矩陣為

        (7)

        [I-2(Ak-1)TK-1(Ak-1)-1(Ak-1)T]×

        D-1K(D-M)Kak=λak

        (8)

        利用式(8)即可獲取映射矩陣a的第k個(gè)分量。

        綜上所述,OGLPE算法提取變壓器故障特征的具體步驟可描述為:

        a.利用非線性函數(shù)φ將初始數(shù)據(jù)集合轉(zhuǎn)換到高維核空間內(nèi)。

        b.建立無向圖,利用式(5)選取樣本近鄰,并計(jì)算近鄰相似度。

        c.運(yùn)算映射矩陣,憑借對角矩陣D與中間矩陣M,獲取映射向量的最大特征值,經(jīng)過多次迭代得出若干個(gè)正交映射向量,計(jì)算投影矩陣,并結(jié)合Y=ATφ(X)得出樣本的低維敏感特征。

        1.3 故障診斷模型建立

        本文將概率神經(jīng)網(wǎng)絡(luò)作為數(shù)字孿生體的規(guī)則模型,概率神經(jīng)網(wǎng)絡(luò)屬于前饋式網(wǎng)絡(luò),結(jié)構(gòu)簡單,訓(xùn)練速度較快。利用該網(wǎng)絡(luò)診斷變壓器故障時(shí),網(wǎng)絡(luò)結(jié)構(gòu)包括輸入、模式、求和以及輸出4個(gè)層次,可實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)處理,完成數(shù)字孿生技術(shù)對變壓器運(yùn)行狀態(tài)的不斷更新。

        故障診斷模型中神經(jīng)網(wǎng)絡(luò)使用的概率密度函數(shù)表達(dá)式為

        城市河岸不僅能夠帶動沿河地區(qū)的經(jīng)濟(jì)發(fā)展,甚至對整個(gè)城市的經(jīng)濟(jì)發(fā)展都起到顯著的提升作用。其濱水住宅帶來土地價(jià)值上漲,旅游、休閑、娛樂文化對沿河地區(qū)乃至整個(gè)城市的第三產(chǎn)業(yè)經(jīng)濟(jì)發(fā)展起到重要的促進(jìn)作用。此外,由河流廊道帶來的自然景色及活動場所有助于城市居民身心健康發(fā)展,具有重要的潛在社會經(jīng)濟(jì)價(jià)值。

        (9)

        χ為待診斷的故障樣本;χαi′為某故障類型的第i′個(gè)訓(xùn)練矢量;P為樣本維數(shù);m為訓(xùn)練樣本數(shù)量;δ為平滑參數(shù),影響著故障分類效果,一般情況下結(jié)合專家意見設(shè)定。由于平滑參數(shù)[9]設(shè)置沒有針對性,有時(shí)只依靠人工經(jīng)驗(yàn)會降低診斷經(jīng)過精度。為此,本文利用差分進(jìn)化方法確定平滑因子。

        差分進(jìn)化屬于啟發(fā)式搜索方法,具有很好的全局尋優(yōu)效果,同時(shí)收斂速度很快。該算法涉及的主要參數(shù)包括縮放與交叉因子F、CR,種群規(guī)模H以及進(jìn)化次數(shù)G。此外,該方法實(shí)現(xiàn)步驟如下:

        a.原始種群確立。在n維空間內(nèi)任意生成滿足有關(guān)約束條件的H個(gè)實(shí)體,生成表達(dá)式為

        (10)

        b.變異過程。在種群內(nèi)任意挑選3個(gè)個(gè)體χP1、χP2和χP3,假設(shè)i′≠P1≠P2≠P3,此時(shí)變異過程描述為

        hi′j′(t+1)=χP1j′(t)+F(χP2j′(t)-χP3j′(t))

        (11)

        χP2j′(t)-χP3j′(t)為差異矢量;χP1j′為現(xiàn)階段種群內(nèi)最優(yōu)個(gè)體。

        c.交叉過程。此過程的目的是豐富種群多樣性,表達(dá)式為

        (12)

        R∈[0,1]為交叉概率。

        d.選取過程。判斷χi′(t)是否屬于下一輪種群更新過程中的個(gè)體,利用目標(biāo)矢量χi′(t)和實(shí)驗(yàn)矢量vi′(t+1)對評價(jià)函數(shù)比較,即

        (13)

        重復(fù)步驟b~d,可得到最大迭代次數(shù)G。

        平滑因子δ作為差分進(jìn)化的個(gè)體目標(biāo),其函數(shù)值即為實(shí)際變壓器故障和模型輸出值之間差的平方,也就是通過交叉、變異等過程選取最佳平滑因子,保證目標(biāo)函數(shù)值最小,輸出最可靠的診斷結(jié)果。該算法不但可以快速給出最優(yōu)解,提高診斷速度,還能改善平滑因子的不科學(xué)性,進(jìn)而提升診斷精度。

        數(shù)字孿生算法就是通過不斷采集變壓器的實(shí)時(shí)運(yùn)行狀態(tài),在數(shù)字化平臺中實(shí)現(xiàn)信息融合,提取設(shè)備故障信息,依據(jù)分離出的特征數(shù)據(jù),使用特定算法快速感知故障事件。

        2 仿真實(shí)驗(yàn)數(shù)據(jù)分析與研究

        2.1 故障特征提取性能測試

        變壓器所有運(yùn)行狀態(tài)根據(jù)性質(zhì)分類包括正常、過熱性故障與放大性故障3大類,每種故障類型可細(xì)分為多個(gè)故障。其中,出現(xiàn)過熱故障的原因是熱應(yīng)力降低絕緣材料性能,也是變壓器經(jīng)常發(fā)生的故障,會減少設(shè)備使用壽命;放電故障則是電應(yīng)力引起絕緣材料快速惡化,包括局部放電、電弧放電等。

        在特征提取準(zhǔn)備階段,對初始特征矢量做預(yù)處理,減少數(shù)量級差異。在3種狀態(tài)樣本中任意挑選若干個(gè)樣本成立訓(xùn)練集合,其余當(dāng)作測試集合。分別利用本文方法、PSO-ELM融合動態(tài)加權(quán)、感應(yīng)式震蕩沖擊技術(shù)以及數(shù)據(jù)清洗知識遷移模型提取變壓器特征,提取結(jié)果如圖2~圖5所示。圖中,橫坐標(biāo)與縱坐標(biāo)均為主元特征值。

        圖2 PSO-ELM融合動態(tài)加權(quán)方法特征提取結(jié)果

        由圖2~圖5可以看出,PSO-ELM融合動態(tài)加權(quán)方法不能完全區(qū)分正常與故障狀態(tài),且2種故障特征值吻合程度較高;感應(yīng)式震蕩沖擊技術(shù)的特征聚類效果雖然好于上述方法,但過熱故障和放電故障依舊不能很好區(qū)分; 數(shù)據(jù)清洗知識遷移模型的特征提取效果得到很大改善,不同故障類型之間的重合度降低,類間區(qū)分度好;本文方法提取的特征具有很好的聚類性,不同類的樣本間距增大,同時(shí)測試與訓(xùn)練集合具備高度一致性。這是因?yàn)楸疚牡恼蝗趾途植勘3智度敕椒ǎ軌蚣骖欁儔浩魅趾途植刻卣?,確保不同類之間差異性最大。

        圖3 感應(yīng)式震蕩沖擊技術(shù)特征提取結(jié)果

        圖4 數(shù)據(jù)清洗知識遷移模型特征提取結(jié)果

        圖5 本文方法特征提取結(jié)果

        2.2 故障診斷結(jié)果對比

        因設(shè)備型號、容量與工作環(huán)境不同,仿真實(shí)驗(yàn)選擇500組具有代表性的變壓器設(shè)備。這些設(shè)備的電壓等級與生產(chǎn)廠家均不同。利用上述4種算法分別對這些變壓器進(jìn)行故障診斷,得到的訓(xùn)練適應(yīng)度曲線如圖6所示。

        由圖6可以看出,本文方法在迭代次數(shù)為40次時(shí)適應(yīng)度值基本穩(wěn)定,而融合動態(tài)加權(quán)方法在100次迭代時(shí)才確定最佳適應(yīng)度值,其他2種方法雖然需要的迭代次數(shù)較少,但是最佳適應(yīng)度值較大。這是因?yàn)閿?shù)字孿生算法可從多維獲取設(shè)備物理性數(shù)據(jù),同時(shí)利用平滑因子改進(jìn)了概率神經(jīng)網(wǎng)絡(luò)性能,提高搜索能力,減少尋優(yōu)時(shí)間,提高訓(xùn)練精度。

        圖6 不同算法訓(xùn)練適應(yīng)度曲線

        為進(jìn)一步證明本文算法對各類故障類型的診斷性能,針對多種故障類型進(jìn)行診斷,診斷結(jié)果如表1所示。

        表1 不同故障類型診斷結(jié)果

        由表1可以看出,對于6種不同故障類型,本文方法只有對樣本編碼1局部低溫過熱故障沒有給出精準(zhǔn)的診斷結(jié)果,但該結(jié)果與實(shí)際結(jié)果較為相似。由上述測試可知,數(shù)字孿生算法具有很好的故障診斷效果,可用于電網(wǎng)電壓器的維護(hù)工作中。

        3 結(jié)束語

        變壓器是電網(wǎng)核心設(shè)備,決定著電力系統(tǒng)是否穩(wěn)定。但現(xiàn)有方法當(dāng)樣本數(shù)量較大時(shí),很難得到精準(zhǔn)的診斷結(jié)果。為此,本文提出基于數(shù)字孿生的變壓器故障診斷算法。建立變壓器孿生體,并引入概率神經(jīng)網(wǎng)絡(luò)方法,共同建立故障診斷模型。仿真實(shí)驗(yàn)證明,本文方法提取的故障特征差異顯著,聚類性能好,訓(xùn)練誤差較低,能夠在較短時(shí)間內(nèi)給出診斷結(jié)果。在今后研究中,還需考慮變壓器潛伏故障,最大程度保障電網(wǎng)安全。

        猜你喜歡
        特征提取故障診斷變壓器
        理想變壓器的“三個(gè)不變”與“三個(gè)變”
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        開關(guān)電源中高頻變壓器的設(shè)計(jì)
        Bagging RCSP腦電特征提取算法
        一種不停電更換變壓器的帶電作業(yè)法
        變壓器免維護(hù)吸濕器的開發(fā)與應(yīng)用
        因果圖定性分析法及其在故障診斷中的應(yīng)用
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        基于LCD和排列熵的滾動軸承故障診斷
        基于WPD-HHT的滾動軸承故障診斷
        国产sm调教视频在线观看| 午夜视频在线观看国产19| 日本在线观看一区二区三| 日本老熟妇乱| 538在线啪在线观看| 精品理论一区二区三区| 国产自拍精品在线免费观看| 亚洲国产精品无码中文字| 色窝窝免费播放视频在线| 色哟哟av网站在线观看| 干出白浆视频在线观看| 成在线人av免费无码高潮喷水| 日韩精品人妻中文字幕有码在线 | 久久精品中文字幕大胸| 亚洲最新偷拍网站| 亚洲日韩欧美一区二区三区| 久久五月精品中文字幕| 免费观看91色国产熟女| 夜夜躁狠狠躁2021| 久久精品国产亚洲5555| 久久熟女少妇一区二区三区| 五月av综合av国产av| 欧美国产日韩a在线视频| 亚洲色偷偷偷综合网另类小说| 在线国产激情视频观看| wwww亚洲熟妇久久久久| 美日韩毛片| 亚洲福利网站在线一区不卡| 麻豆国产精品久久人妻| 亚洲av无码精品色午夜蛋壳| 国产精品久久无码免费看 | 亚洲一区二区三区在线视频| 日韩精品成人无码专区免费| 久久AV老司机精品网站导航| 在线视频一区二区在线观看| 三级黄色片免费久久久 | 精品国产乱来一区二区三区| 一本色道久久亚洲综合| 国产精品久久久| 狠狠躁夜夜躁人人爽天天不卡 | 毛片在线播放a|