張廣怡

(鄭州電力高等?？茖W校,河南 鄭州 450000)

0 引言

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

1 變壓器故障檢測

1.1 基于EMD的變壓器運行狀態(tài)信號模態(tài)分解

變壓器在運行過程中會產(chǎn)生相應的振動信號[3],因此本文為實現(xiàn)變壓器故障檢測,以電力系統(tǒng)運行管理中心采集的變壓器振動信號為基礎,對應展開故障檢測。由于變壓器振動信號為非平穩(wěn)信號,并且信號中含有大量噪聲信號,為實現(xiàn)故障檢測,需對采集的變壓器振動信號進行處理,本文采用EMD進行該信號的分解,獲取信號模態(tài)分量。

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

條件1:整個數(shù)據(jù)長度內(nèi),其極值點和過零點數(shù)量需相同或者相差結(jié)果不可大于1。

條件2:任意變壓器振動信號數(shù)據(jù)局部上、下包絡線呈對稱狀態(tài),即局部最小值包絡和最大值包絡平均值等于0。

在滿足上述兩個條件的前提下進行imfi的獲取,其詳細步驟如下所述。

步驟1:計算變壓器原始振動信號的極大值點和極小值點結(jié)果,同時完成該信號上、下包絡線的擬合,該擬合采用3次樣條差值完成。如果上下包絡線的均值用x1表示,則采集的變壓器原始振動信號用x(t)表示,計算其和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)上述的兩個條件對h1(t)進行判斷,如果滿足該條件,則定義h1(t)為第一個本征模態(tài)函數(shù),用c1(t)表示;如果不滿足上述兩個條件,則依據(jù)公式(1)重新計算,獲取h1(t)上下包絡線,并計算為均值線結(jié)果x11,同理進行差值計算,其計算公式為:

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

(2)

將公式(2)的計算結(jié)果定義為變壓器原始振動信號,循環(huán)步驟1,直到h1k(t)滿足imfi的兩個條件為止。如果定義h1k(t)為第一個本征模態(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信號r1(t),循環(huán)步驟1和步驟2,即可獲取n個本征模態(tài)分量;當rn(t)為單調(diào)函數(shù)時,停止循環(huán);此時x(t)即被劃分成n個本征模態(tài)和一個剩余分量之和,其計算公式為:

(3)

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

依據(jù)上述步驟即可獲取變壓器振動信號的IMF分量,但是獲取的分量中存在一定的虛假分量,這些分量會影響故障的檢測精度,因此需對這些虛假分量進行刪除。為精準確定分量中的虛假分量,文章采用相似性作為篩選指標,用于衡量虛假分量與原始信號之間的距離,依據(jù)設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)時頻分析中。

1.2 基于HHT的分量信號時頻分析

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

HHT能夠精準描述模態(tài)分量頻率表征信號在局部時間點上的瞬態(tài)頻率特性和規(guī)律,對X(t)進行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)合后形成一個共軛復數(shù)對,基于此可獲取解析信號Z(t):

Z(t)=a(t)eiθ(t)

(5)

式中:a(t)表示瞬時振幅;θ(t)表示相位函數(shù)。

在公式(5)的基礎上計算瞬時頻率ψ,其計算公式為:

(6)

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

(7)

為提升HHT的處理效果,本文采用多種群差分進化(Multiple Population Differential Evolution,MPDE)算法對其處理結(jié)果進行優(yōu)化,經(jīng)過優(yōu)化Hilbbert變換處理后的信號可進一步表示為幅值、頻率以及時間的函數(shù),可將其稱為Hilbbert譜,然后以其作為變壓器信號特征提取結(jié)果,輸入卷積神經(jīng)網(wǎng)絡模型實現(xiàn)變壓器故障檢測。

1.3 基于卷積神經(jīng)網(wǎng)絡的變壓器故障分類

為實現(xiàn)變壓器故障檢測,文中采用卷積神經(jīng)網(wǎng)絡模型進行變壓器故障分類,該模型屬于一種深層神經(jīng)網(wǎng)絡模型,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函數(shù)為依據(jù),實現(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系。

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

(8)

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

(9)

式中:w和b分別表示網(wǎng)絡模型的權(quán)重和偏置項,兩者優(yōu)化調(diào)整后的結(jié)果用w′和b′表示;η表示網(wǎng)絡模型的學習率。

為保證變壓器故障檢測精度,設置模型各層的詳細層數(shù)等相關參數(shù),設置卷積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個節(jié)點。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)絡模型組合,變壓器故障檢測的流程如下所述。

步驟1:依據(jù)變壓器運行狀態(tài)信號模態(tài)結(jié)果構(gòu)建極值點特征評價函數(shù)。

步驟2:設置MPDE算法的種群數(shù)量,并采用隨機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、選擇等方式對種群內(nèi)的所有個體進行相關處理,獲取各個操作處理后的結(jié)果,并依據(jù)設定條件對該結(jié)果進行判斷,如果滿足則進入步驟4;如果不滿足設定條件,則回轉(zhuǎn)步驟2。

步驟4:對比種群之間的信息通信結(jié)果,獲取種群中的最優(yōu)個體,依據(jù)該個體完成其他種群最差個體的優(yōu)化。依據(jù)設定的判斷標準,對上一步驟獲取的最優(yōu)個體進行判斷,滿足標準則直接進入下一步;反之回轉(zhuǎn)至步驟2。

步驟5:依據(jù)相似性測度進行IMF分量的篩選,并對分解獲取所有分量中的虛假分量進行處理。采用Hilbbert變換對篩選的敏感IMF分量進行處理,獲取Hilbbert譜。將獲取的Hilbbert譜結(jié)果劃分成訓練樣本和測試樣本,并且設置卷積神經(jīng)網(wǎng)絡模型的迭代次數(shù)、學習率等參數(shù)。

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

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

2 測試分析

為驗證本文算法對于變壓器故障的檢測效果,文中以某變電站中的變壓器作為實例測試對象,已知該變壓器運行28 d的振動信號,將該信號作為測試數(shù)據(jù)進行變壓器故障檢測。采集的信號數(shù)據(jù)共1 200組,將其中的1 000組作為訓練樣本,剩余的200作為測試樣本。該信號中包含6種故障信號,每種故障信號150組,分別為接地短路、匝間短路、繞組變形、鐵芯松動、直流偏磁、繞組松動。

參數(shù)設置:卷積核大小為2,步長為1,學習率為0.001。

為驗證本文算法的變壓器故障檢測效果,采用本文算法對采集的變壓器信號進行處理后,獲取接地短路、匝間短路、繞組變形、鐵芯松動、直流偏磁、繞組松動6種故障的檢測結(jié)果,該檢測結(jié)果采用混沌矩陣進行描述,測試結(jié)果如圖1所示。其中白色框內(nèi)表示檢測正確數(shù)量,灰色框內(nèi)表示檢測錯誤數(shù)量。

圖1 變壓器故障檢測效果

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

3 結(jié)語

變壓器的運行狀態(tài)直接影響電力系統(tǒng)運行的穩(wěn)定性和安全性,因此通過實時掌握變壓器的運行狀態(tài)、及時發(fā)現(xiàn)異常或者故障情況,能夠極大程度避免設備故障,保證電力系統(tǒng)供電的可靠性。因此,本文為實現(xiàn)變壓器故障檢測,提出基于EMD/HHT的變壓器故障檢測方法。對該方法的應用效果進行測試后得出:該算法具有較好的變壓器故障檢測效果,可精準完成不同類別故障的分類檢測,為電力系統(tǒng)的穩(wěn)定運行提供了可靠依據(jù)。