基于EMD/HHT的變壓器故障檢測算法研究

張廣怡

(鄭州電力高等專科學校,河南 鄭州 450000)

0 引言

變壓器的運行狀態直接影響電力系統的運行安全[1],為保證電力系統安全運行,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,保證電力系統的正常運行[2]。經驗模態分解(Empirical Mode Decomposition,EMD)具有較好的信號時頻處理效果,對于非線性、非平穩信號的處理效果極好,能夠獲取信號的本征模函數。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的變壓器運行狀態信號模態分解

變壓器在運行過程中會產生相應的振動信號[3],因此本文為實現變壓器故障檢測,以電力系統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信號,并且信號中含有大量噪聲信號,為實現故障檢測,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函數(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:整個數據長度內,其極值點和過零點數量需相同或者相差結果不可大于1。

條件2:任意變壓器振動信號數據局部上、下包絡線呈對稱狀態,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)為第一個本征模態函數,用c1(t)表示;如果不滿足上述兩個條件,則依據公式(1)重新計算,獲取h1(t)上下包絡線,并計算為均值線結果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)的計算結果定義為變壓器原始振動信號,循環步驟1,直到h1k(t)滿足imfi的兩個條件為止。如果定義h1k(t)為第一個本征模態函數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),循環步驟1和步驟2,即可獲取n個本征模態分量;當rn(t)為單調函數時,停止循環;此時x(t)即被劃分成n個本征模態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,形成數個固有模態函數X(t)。

依據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時頻分析中。

1.2 基于HHT的分量信號時頻分析

依據上述小結完成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能夠精準描述模態分量頻率表征信號在局部時間點上的瞬態頻率特性和規律,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)表示變換結果。

依據上述公式,將X(t)和Y(t)結合后形成一個共軛復數對,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。

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)算法對其處理結果進行優化,經過優化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,可將其稱為Hilbbert譜,然后以其作為變壓器信號特征提取結果,輸入卷積神經網絡模型實現變壓器故障檢測。

1.3 基于卷積神經網絡的變壓器故障分類

為實現變壓器故障檢測,文中采用卷積神經網絡模型進行變壓器故障分類,該模型屬于一種深層神經網絡模型,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為依據,實現模型權值調整,以此構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果輸入網絡模型中后,文中選擇均方差代價函數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絡模型參數調整,其計算公式為:

(9)

式中:w和b分別表示網絡模型的權重和偏置項,兩者優化調整后的結果用w′和b′表示;η表示網絡模型的學習率。

為保證變壓器故障檢測精度,設置模型各層的詳細層數等相關參數,設置卷積1、2、3、4層的卷積層數量分別為64、96、128、256,卷積核的數量分別為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個節點。確定卷積1層、3層、5層和6層的卷積核數量、大小以及全連接層的神經元數量均為變量,以此生成網絡模型組合,變壓器故障檢測的流程如下所述。

步驟1:依據變壓器運行狀態信號模態結果構建極值點特征評價函數。

步驟2:設置MPDE算法的種群數量,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的所有個體進行相關處理,獲取各個操作處理后的結果,并依據設定條件對該結果進行判斷,如果滿足則進入步驟4;如果不滿足設定條件,則回轉步驟2。

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

步驟5:依據相似性測度進行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譜結果劃分成訓練樣本和測試樣本,并且設置卷積神經網絡模型的迭代次數、學習率等參數。

步驟6:將劃分的訓練樣本輸入卷積神經網絡模型中,采用前向傳播完成故障特征映射,計算期望結果和實際結果之間的誤差。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更新。

步驟7:循環步驟6,完成所有訓練樣本的處理并且滿足卷積神經網絡模型精度、達到最大迭代次數,完成該網絡模型的訓練。將測試樣本輸入訓練后的卷積神經網絡模型中,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據進行變壓器故障檢測。采集的信號數據共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種故障的檢測結果,該檢測結果采用混沌矩陣進行描述,測試結果如圖1所示。其中白色框內表示檢測正確數量,灰色框內表示檢測錯誤數量。

圖1 變壓器故障檢測效果

依據圖1測試結果可知;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。

3 結語

變壓器的運行狀態直接影響電力系統運行的穩定性和安全性,因此通過實時掌握變壓器的運行狀態、及時發現異常或者故障情況,能夠極大程度避免設備故障,保證電力系統供電的可靠性。因此,本文為實現變壓器故障檢測,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,為電力系統的穩定運行提供了可靠依據。