技术领域
[0001] 本
发明属于变压器振动信号的分离技术领域,涉及一种基于RBF神经网络的变压器绕组及铁心振动信号分离方法。
背景技术
[0002] 变压器是电
力系统最重要的设备之一,其安全运行已与国家经济发展紧密的联系了起来。如果变压器出现故障,将导致大面积停电,这样不仅影响了工厂的生产,也影响了民众的生活。因此,为了及时发现变压器的事故隐患,避免突发事故,提高变压器运行的可靠性,开展变压器故障诊断方法的研究具有十分重要的意义。
[0003] 综合目前国内外关于变压器振动信号分离的研究现状来看,以
独立分量分析算法(ICA)为代表主流的
盲源分离算法对源信号的独立性要求较高,但由于铁心振动信号与绕组振动信号在振幅、
频谱中相似度很高,混合矩阵的可靠性存疑,因此主流的盲源分离等盲源分离算法分离出的信号并不能准确地保留绕组及铁心的振动特性。
发明内容
[0004] 本发明的目的在于克服上述
现有技术的缺点,提供了一种基于RBF神经网络的变压器绕组及铁心振动信号分离方法,该方法能够准确的分离变压器绕组及铁心的振动信号,以准确保留绕组及铁心的振动特性。
[0005] 为达到上述目的,本发明所述的基于RBF神经网络的变压器绕组及铁心振动信号分离方法包括以下步骤:
[0006] 在变压器不同工况下,采集变压器绕组的振动信号、变压器铁心的振动信号以及变压器绕组与铁心的混合信号,将变压器绕组与铁心的混合信号作为径向基神经网络的
输入层,将变压器绕组的振动信号及变压器铁心的振动信号作为径向基神经网络的
输出层,对径向基神经网络进行训练,然后利用训练后的径向基神经网络对待分离的变压器绕组与铁心的混合信号进行分离,得分离后的变压器绕组的振动信号及变压器铁心的振动信号。
[0007] 基于压电式振动
加速度
传感器的变压器测振系统采集变压器油箱表面的振动信号作为变压器绕组与铁心的混合信号。
[0008] 训练后的径向基神经网络包括用于分离变压器铁心振动信号的铁心神经网络及用于分离变压器绕组振动信号的绕组神经网络。
[0009] 采集变压器铁心的时域振动信号,再对变压器铁心的时域振动信号进行傅里叶变换,得变压器铁心的频域振动信号,然后将变压器铁心的频域振动信号输入到径向基神经网络的输出层,将变压器绕组与铁心的混合信号输入到径向基神经网络的输入层,对径向基神经网络进行训练,得铁心神经网络。
[0010] 采集变压器绕组的时域振动信号,再对变压器绕组的时域振动信号进行傅里叶变换,得变压器绕组的频域振动信号,然后将变压器绕组的频域振动信号输入到径向基神经网络的输出层,将变压器绕组与铁心的混合信号输入到径向基神经网络的输入层,对径向基神经网络进行训练,得绕组神经网络。
[0011] 本发明具有以下有益效果:
[0012] 本发明所述的基于RBF神经网络的变压器绕组及铁心振动信号分离方法在具体操作时,将不同工况下采集的变压器绕组与铁心的混合信号作为径向基神经网络的输入层,将不同工况下采集得到的变压器绕组的振动信号及变压器铁心的振动信号作为径向基神经网络的输出层,对径向基神经网络进行训练,通过训练的径向基神经网络对采集的混合信号进行分离,以实现分离变压器绕组及铁心的振动信号,并准确保留绕组及铁心的振动特性。
附图说明
[0014] 图2为
实施例一中三
相变压器振动测点标记图;
[0015] 图3为实施例一中铁心振动信号分离效果图;
[0016] 图4为实施例一中绕组振动信号分离效果图;
[0017] 图5为神经网络训练结果图;
[0018] 图6为各测点铁心振动信号相似系数图;
[0019] 图7为绕组相似系数箱线图。
具体实施方式
[0020] 下面结合附图对本发明做进一步详细描述:
[0021] 参考图1,本发明所述的基于RBF神经网络的变压器绕组及铁心振动信号分离方法包括以下步骤:在变压器不同工况下,采集变压器绕组的振动信号、变压器铁心的振动信号以及变压器绕组与铁心的混合信号,将变压器绕组与铁心的混合信号作为径向基神经网络的输入层,将变压器绕组的振动信号及变压器铁心的振动信号作为径向基神经网络的输出层,对径向基神经网络进行训练,然后利用训练后的径向基神经网络对待分离的变压器绕组与铁心的混合信号进行分离,得分离后的变压器绕组的振动信号及变压器铁心的振动信号,其中,基于压电式振动加速度传感器的变压器测振系统采集变压器油箱表面的振动信号作为变压器绕组与铁心的混合信号。
[0022] 训练后的径向基神经网络包括用于分离变压器铁心振动信号的铁心神经网络及用于分离变压器绕组振动信号的绕组神经网络。
[0023] 采集变压器铁心的时域振动信号,再对变压器铁心的时域振动信号进行傅里叶变换,得变压器铁心的频域振动信号,然后将变压器铁心的频域振动信号输入到径向基神经网络的输出层,将变压器绕组与铁心的混合信号输入到径向基神经网络的输入层,对径向基神经网络进行训练,得铁心神经网络。
[0024] 采集变压器绕组的时域振动信号,再对变压器绕组的时域振动信号进行傅里叶变换,得变压器绕组的频域振动信号,然后将变压器绕组的频域振动信号输入到径向基神经网络的输出层,将变压器绕组与铁心的混合信号输入到径向基神经网络的输入层,对径向基神经网络进行训练,得绕组神经网络。
[0025] 实施例一
[0026] 本实施例针对三相试验变压器,其测点选择如图2所示,在振动信号的采集过程中,为了防止试验结果的偶然性,对每个测点同种工况下的振动信号采集3次,且在进行同一台变压器的多次振动测试时,传感器的
位置保持不变。
[0027] 试验时,首先采集变负载工况下振动信号作为混合信号,记录各工况下
电压及
电流值;其次,采集对应电压下空载试验的振动信号作为铁心的振动源信号,以及对应电流下稳态
短路试验的振动信号作为绕组的振动源信号。
[0028] 为了模拟变压器实际运行中的电压变化,选取试验电压360V、370V、380V、390V、400V、410V及420V,变负载试验外接纯阻性负载箱,表1为变负载试验工况表。
[0029] 表1
[0030]
[0031] 以混合信号分离出铁心信号为例,对径向基神经网络振动信号分离过程进行说明。由变负载工况表知,试验一共包括28种工况,在网络训练过程中,选择其中27组工况的数据作为训练集,剩余一种工况作为验证集。
[0032] 对采集到的时域信号进行
傅立叶变换。由于振动信号为100Hz及其整数次谐波,1200Hz以上
频率幅值较小,可忽略不计,因此,将100Hz至1200Hz内的训练集的铁心振动频域信号输入到神经网络的输出层,将对应频率训练集的混合信号输入到神经网络的输入层,建立铁心神经网络。
[0033] 以测点1为例对分离效果进行说明,由图3可知,振动源信号与分离得到的信号在频谱特征上十分接近。
[0034] 同理以测点1为例对绕组分离效果进行说明。由图4可知,两组信号种类、幅值极为接近。
[0035] 以ICA为代表的非
监督学习算法对信号的独立性要求较高,而铁心振动信号与绕组振动信号在振幅、频谱方面相似度高,不满足独立性要求,因此,该方法得到的混合矩阵可靠性存疑,进而分离出的信号不能准确地保留绕组及铁心的振动特性。因此为了解决上述问题,本发明利用径向基(Radial Basis Function,RBF)神经网络,以混合信号作为神经网络的输入层,独立振动信号作为输出层构建分离模型,利用不同工况下的振动频域信号对该网络进行多次训练,径向基神经网络分离效果理想。
[0036] 在实际操作时,当只想分离得到铁心及绕组中的某一个信号时,例如只分离铁心振动信号,那么在神经网络建立时,不必将铁心、绕组振动信号都输入到神经网络的输出层,而只将铁心的振动信号输入到神经网络输出层即可。
[0037] 网络训练过程如图5所示,横坐标(Epochs)为
迭代次数,纵坐标(Performance)为均方差值,Goal为均方差值的目标值,当网络迭代到35代时,训练误差达到
指定精度(0.001),网络训练完成。
[0038] 为了避免训练结果的偶然性,采用交叉验证方法对分离效果进行验证,轮流将27组工况的数据作为训练集,剩余的一种工况作为验证集,如第一次将第1组数据作为验证集,剩余27组数据作为训练集,进行网络训练及信号分离,第二次将第2组数据作为验证集,剩余27组数据作为训练集,因此,对于同一个测点,共建立28个径向基神经网络,进而获得28个
波形相似系数,将其取平均作为最终的衡量指标。
[0039] 由图6可知,6个测点的铁心振动信号相似系数均大于0.98,因此,此方法能够准确从混合信号中分离出铁心振动信号,分离效果理想。
[0040] 将绕组波形相似系数绘制箱线图,如图7所示。箱子中间的线条为相似系数的中位数,箱子的上下线为上四分位数和下四分位数,包含了50%的数据。箱子上下方各有一条线表示最大值、最小值。由箱线图可知,绕组振动信号的波形相似系数平均值均大于0.7,有80%的测点的相似系数大于0.8。虽然最小值大多在0.6附近,但
箱体绝大部分在0.7之上,总体分离效果良好。比较铁心分离效果相比,绕组振动信号的分离效果一般。这是由于铁心振动信号幅值较大,
信噪比较高,而绕组振动信号基频振幅在10-3m/s2量级,信噪比差,因此分离效果没有铁心理想。