基于ST-SVD與WOA-SVM模型的變壓器繞組松動故障診斷方法*

薛健侗, 馬宏忠

(河海大學(xué) 能源與電氣學(xué)院,江蘇 南京 211100)

0 引 言

變壓器作為電力遠距離輸送的核心設(shè)備,其正常運行是維持電網(wǎng)安全、可靠的關(guān)鍵,因此也是變電站運維的重點對象[1-2]。然而,變壓器繞組由于固有的運輸安裝過程中產(chǎn)生的輕微移位以及長期經(jīng)受短路沖擊電流造成的松動變形情況,使得該原因?qū)е碌氖鹿拾l(fā)生率成為首位[3-4]。因此,研究變壓器繞組松動故障診斷技術(shù),及時發(fā)現(xiàn)、排查出變壓器繞組故障隱患,對變壓器穩(wěn)定運行具有重要的現(xiàn)實意義[5-6]。

由于變壓器繞組松動與變壓器異常振動存在因果關(guān)系,因此目前振動法被廣泛應(yīng)用于變壓器的故障診斷[7],基于變壓器振動信號的時頻分析一直是熱點。文獻[8]采用快速傅里葉變換(FFT)方法對變壓器振動信號進行處理,揭示了振動信號50 Hz分量及其部分倍頻分量等新特征頻率來反映變壓器內(nèi)部繞組松動變形故障,并基于此建立了診斷模型,實現(xiàn)了繞組松動故障診斷與初步定位。文獻[9]采用希爾伯特-黃變換(HHT)方法,對變壓器振動信號經(jīng)驗?zāi)B(tài)分解(EMD)后的各層本征模態(tài)函數(shù)(IMF)進行希爾伯特變換,以三維希爾伯特能量譜及邊界譜反映變壓器隱含的鐵心振動特征。文獻[10]基于小波變換方法,對變壓器開關(guān)切換產(chǎn)生的繞組振蕩波進行時頻特性分析,通過量化時頻信號特征反映變壓器繞組的機械狀態(tài)。上述信號分析方法都在處理變壓器振動信號方面取得了良好效果,但此類方法仍有其局限性,例如小波變換的母小波和分解層數(shù)的確定會直接影響信號分析效果,HHT對噪聲敏感容易導(dǎo)致結(jié)果誤差較大等。S變換(ST)是近年興起的一種時頻分析方法,其窗函數(shù)寬度隨信號頻率變化而變化,對信號的分辨率高且抗噪能力強,十分適合處理非平穩(wěn)信號[11]。同時,奇異值分解(SVD)是一種成熟的矩陣特征提取技術(shù),其已和多種時頻分析方法結(jié)合,應(yīng)用于圖像處理、模式識別等許多領(lǐng)域[12]。

支持向量機(SVM)是一種常用的機器學(xué)習(xí)方法,在處理小樣本集分類時展現(xiàn)出獨特的優(yōu)越性[13]。文獻[14]將鯨魚優(yōu)化算法(WOA)引入SVM模型中對懲罰因子c與核函數(shù)參數(shù)g進行尋優(yōu),利用隨機森林(RF)特征優(yōu)選構(gòu)建變壓器油中溶解氣體特征向量,實現(xiàn)變壓器故障診斷模型的構(gòu)建,驗證了WOA-SVM模型的優(yōu)越性,實現(xiàn)了較好的應(yīng)用效果。

綜上所述,本文提出一種基于ST-SVD與WOA-SVM模型的變壓器繞組松動故障診斷方法。首先采用S變換得到變壓器振動信號的時頻矩陣,經(jīng)轉(zhuǎn)化為幅值矩陣后進行SVD得到相應(yīng)的矩陣奇異值,然后定義特征奇異值并提取出來組成特征向量,最后采用WOA優(yōu)化SVM的c、g參數(shù),輸入訓(xùn)練樣本構(gòu)建WOA-SVM模型并對測試樣本進行分類診斷,通過與K-means聚類、SVM和粒子群優(yōu)化(PSO)-SVM模型的診斷準(zhǔn)確率進行對比,驗證了本文所提方法的有效性與可行性。

1 S變換和SVD

1.1 S變換原理

S變換是Stockwell等[15]于1996年提出的信號處理方法,其綜合了小波變換和短時傅里葉變換的特點,其窗函數(shù)與頻率相關(guān),對噪聲不敏感,信號分辨率高,十分適合處理非平穩(wěn)信號。

對于連續(xù)時間信號x(t),S變換如下:

(1)

(2)

式中:w(τ-t,f)為高斯窗函數(shù);t為平移因子;σ=1/f。

由此可以看出,S變換的高斯窗函數(shù)的寬度和高度隨著頻率f的變化而變化,因此在低頻段具有高頻率分辨率,在高頻段具有高時間分辨率[16]。

實際應(yīng)用中,S變換需離散化處理,可表示為

(3)

1.2 SVD特征提取

矩陣經(jīng)過SVD得到的奇異值能夠充分表示矩陣包含的信息[17],因而廣泛應(yīng)用于信號的特征提取。任意一個矩陣Mm×n,存在著正交矩陣Um×m和Vn×n,將其分解為

M=USVT

(4)

S=diag(σ1,σ2,…,σr,…,0)

(5)

式中:σ1,σ2,…,σr為矩陣M的奇異值。

變壓器振動信號經(jīng)S變換后得到的是時頻矩陣,需將各元素求模后得到幅值矩陣再進行SVD。因此,得到奇異值σ1,σ2,…,σr反映的是所采集變壓器振動信號的特征量,并且由相應(yīng)幅值矩陣唯一確定[18]。由于奇異值個數(shù)受到幅值矩陣行列數(shù)大小的影響,一般數(shù)量很多,因此需進一步處理從而突出變壓器振動信號在繞組正常與松動狀態(tài)下的相對變化[19]。本文選擇計算所有奇異值的最大值k1、平均值k2和標(biāo)準(zhǔn)差k3作為特征值。表達式如下:

k1=max(σ1,σ2,…,σr)

(6)

(8)

將三個特征值組成特征向量[k1,k2,k3],通過各元素的變化,反映變壓器繞組正常與松動狀態(tài)下的特征信息,作為本文故障診斷的依據(jù)。

2 WOA-SVM模型

2.1 WOA

WOA是Mirjalili等[20]于2016年提出的新型群智能優(yōu)化算法。該算法模擬了鯨魚捕獵時選擇包圍獵物和發(fā)出氣泡網(wǎng)的兩種行為,用來進行參數(shù)尋優(yōu)。算法前期體現(xiàn)出全局搜索,后期體現(xiàn)出局部搜索,其具有參數(shù)量少、過程簡便的特點。假設(shè)解空間維數(shù)為D,則鯨魚個體的位置為

X=(x1,x2,…,xD)

(9)

每只鯨魚選擇包圍獵物和發(fā)出氣泡網(wǎng)的概率相等,都為0.5。

若選擇包圍獵物,則還分為向最優(yōu)個體位置移動和向隨機個體位置移動兩種情況。

向最優(yōu)個體位置移動時,位置更新公式為

X(t+1)=Xbest(t)-A·D

(10)

D=|C·Xbest(t)-X(t)|

(11)

A=2a·r-a

(12)

C=2·r

(13)

式中:Xbest(t)表示當(dāng)前最優(yōu)個體位置;a隨迭代過程從2線性減少到0;r為[0,1]的隨機向量。

向隨機個體位置移動時,位置更新公式為

X(t+1)=Xrand(t)-A·D

(14)

D=|C·Xrand(t)-X(t)|

(15)

式中:Xrand(t)為當(dāng)前隨機個體位置。

兩種移動方式的選擇條件為:|A|<1時,向最優(yōu)個體位置移動;|A|≥1時,向隨機個體位置移動。

若選擇發(fā)出氣泡網(wǎng),位置更新公式為

X(t+1)=D′·ebl·cos(2πl(wèi))+X(t)

(16)

D′=|Xbest(t)-X(t)|

(17)

式中:b為定義螺旋形狀的常數(shù);l為[-1,1]的隨機數(shù)。

2.2 基于WOA的SVM參數(shù)尋優(yōu)

SVM因在小樣本分類中展現(xiàn)出的優(yōu)良性能而被廣泛應(yīng)用于工程實際中[21]。實際應(yīng)用中使用的SWM一般為線性不可分SVM,通過引入核函數(shù),將低維樣本空間映射到高維,實現(xiàn)樣本類型的劃分。線性不可分SVM的概念詳見文獻[22]。本文采用WOA對影響SVM性能的重要參數(shù)——懲罰因子c和核函數(shù)參數(shù)g進行優(yōu)化,具體步驟如下。

(1) 初始化WOA各參數(shù),如鯨魚個數(shù)N、最大迭代次數(shù)等;設(shè)置懲罰因子c和核參數(shù)g作為鯨魚位置向量的元素并賦初值;

(2) 將預(yù)測錯誤率作為適應(yīng)度函數(shù),因此每次迭代后最低的適應(yīng)度值即為最優(yōu)個體;

(3) 每個個體選擇包圍獵物或者發(fā)出氣泡網(wǎng)的位置移動方式;

(4) 若選擇包圍獵物,則根據(jù)|A|大小按照式(10)或式(14)更新位置并計算各適應(yīng)值選出最優(yōu)個體。若選擇發(fā)出氣泡網(wǎng),則按照式(16)更新位置并計算各適應(yīng)值選出最優(yōu)個體;

(5) 重復(fù)進行步驟(3)～(4),直到達到最大迭代次數(shù)。

3 基于ST-SVD與WOA-SVM的故障診斷模型

本文所提基于ST-SVD與WOA-SVM模型的變壓器繞組松動故障診斷方法的診斷流程如圖1所示,具體步驟如下。

圖1 基于ST-SVD與WOA-SVM模型的變壓器繞組松動故障診斷流程圖

步驟1:在變壓器表面不同位置放置振動傳感器采集振動信號;

步驟2:將振動信號進行S變換得到的時頻矩陣轉(zhuǎn)換成幅值矩陣,再對其進行SVD得到多個奇異值;

步驟3:按照式(6)～(8)計算出特征向量,并分為訓(xùn)練樣本和測試樣本;

步驟4:采用WOA優(yōu)化SVM的參數(shù)c、g,以最佳參數(shù)輸入訓(xùn)練樣本構(gòu)建WOA-SVM故障診斷模型;

步驟5:將測試樣本輸入訓(xùn)練好的模型中,輸出結(jié)果即為故障診斷結(jié)果。

4 試驗結(jié)果與分析

為驗證本文所提基于ST-SVD與WOA-SVM模型的變壓器繞組松動故障診斷方法的有效性,在試驗室環(huán)境下搭建了變壓器模擬故障試驗平臺開展試驗,如圖2所示。

圖2 變壓器模擬故障試驗平臺

由圖2可知,10 kV變壓器低壓側(cè)由調(diào)壓器將220 V電壓升高至380 V輸入,經(jīng)限流電阻抑制合閘瞬間產(chǎn)生沖擊電流;高壓側(cè)接入容量均為30 Mvar的電容器與電抗器以模擬變壓器負(fù)載情況。由于變壓器繞組與油箱頂部相連,振動信號在變壓器頂部的采集效果更好,因此試驗時在變壓器頂部布置三個測點,測點布置圖如圖3所示。振動傳感器為IEPE型壓電式傳感器,型號為1A212E;采集儀型號為DH5922,采樣頻率設(shè)為20 kHz。

圖3 變壓器測點布置圖

故障模擬采用調(diào)節(jié)變壓器內(nèi)部繞組預(yù)緊螺母松緊程度的方式。分別模擬了變壓器繞組正常、預(yù)緊力下降40%和預(yù)緊力下降80%的狀態(tài),故障模擬圖如圖4所示。

圖4 故障模擬圖

試驗過程中對變壓器繞組處于3種狀態(tài)下的振動信號進行多次采集。以測點1為例,當(dāng)變壓器繞組處于預(yù)緊力下降40%狀態(tài)下的振動信號時域圖如圖5所示。對其進行S變換后對所得時頻矩陣求取幅值矩陣,所得時頻譜圖如圖6所示。

圖5 變壓器繞組處于預(yù)緊力下降40%狀態(tài)下的測點1振動信號時域圖

圖6 S變換時頻譜圖

在得到變壓器3種狀態(tài)振動信號的幅值矩陣作為特征矩陣后,對其進行SVD,所得奇異值按照式(6)～式(8)計算出相應(yīng)的k1、k2、k3。表1為其中的一組計算結(jié)果。

表1 特征奇異值計算結(jié)果

由表1可知,本文所提變壓器繞組處于3種狀態(tài)下的振動信號所提取的特征奇異值具有較好的區(qū)分性,表明基于ST-SVD的故障特征提取方法的有效性,也表明可通過聚類算法對3種狀態(tài)下的特征向量進行分類。

本文對每種狀態(tài)的變壓器振動信號分別提取150組特征向量作為訓(xùn)練樣本,在采用WOA對SVM參數(shù)尋優(yōu)時,設(shè)置c、g的取值范圍均為[0,500],最大迭代次數(shù)為50。同時,為了對比驗證本文所提方法的有效性,又構(gòu)建了K-means聚類、傳統(tǒng)SVM和PSO-SVM模型。對每種狀態(tài)的變壓器振動信號額外提取40組特征向量作為測試樣本輸入上述模型中。各模型的診斷結(jié)果如表2～表5所示。圖7為各模型診斷結(jié)果的對比圖。

表2 WOA-SVM模型診斷結(jié)果

表3 K-means聚類診斷結(jié)果

表4 傳統(tǒng)SVM模型診斷結(jié)果

表5 PSO-SVM模型診斷結(jié)果

圖7 各模型診斷結(jié)果對比圖

由圖7可知,本文所提基于ST-SVD與WOA-SVM模型的變壓器繞組松動故障診斷準(zhǔn)確率為95.0%,而在輸入特征向量相同時,K-means聚類、SVM和PSO-SVM故障診斷模型的準(zhǔn)確率分別為81.7%、85.0%和88.3%。這表明了本文所提故障診斷方法的準(zhǔn)確率高于傳統(tǒng)方法模型,適用于變壓器繞組松動故障診斷。

5 結(jié) 語

本文提出了一種基于ST-SVD與WOA-SVM模型的變壓器繞組松動故障診斷方法。通過S變換獲得變壓器振動信號的時頻矩陣,轉(zhuǎn)化為幅值矩陣后,經(jīng)SVD得到多個奇異值計算出特征向量,采用WOA優(yōu)化SVM的c、g參數(shù),用上述特征提取方法提取出的訓(xùn)練樣本和測試樣本分別構(gòu)建WOA-SVM模型并驗證該模型的有效性,結(jié)果表明其診斷精度高于K-means聚類、SVM和PSO-SVM模型的診斷精度。