技术领域
[0001] 本
发明涉及变压器绕组诊断技术领域，具体涉及基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法。
背景技术
[0002] 随着我国电
力事业的不断发展，对电力设备的
稳定性和状态诊断的准确性提出了更高的要求。电力变压器作为输变电装备中的核心设备，其安全稳定运行至关重要。因此提高电力变压器的状态诊断技术，及时发现变压器内部的潜伏性故障，
预防事故的发生，对保障
电网安全稳定运行具有重要意义。绕组是变压器的核心组成部分，其状态诊断技术
水平的高低直接影响着变压器的运维。经在变压器绕组机械状态检测技术的
现有技术中，基于变压器振动
信号的诊断技术研究主要分为仿真建模和
信号处理两大方向。目前应用于变压器状态诊断领域的时频分析方法主要有基于经验模态分解的Hilbert–Huang变换和基于小波分解的时频分析。时
频谱的主要作用是监测信号在时间轴上的突变，虽然变压器状态发生改变时振动信号会发生改变，但变压器状态的改变多为微弱故障的累积，状态改变是渐变过程，在
采样时段内，变压器状态信息包含于振动信号的周期成分中，在采样时段内振动信号周期成分的
频率分布规律不随时间变化。同时，虽然现有研究测试了变压器不同
位置的振动信号，但特征提取时不同测试位置振动信号独立分析忽略了变压器不同测试位置振动信号的特性差异，导致测试位置改变时，特征量可能不具有通用性。
[0003] 针对变压器绕组振动信号分析方法的缺点。现有技术中使用传统WOA(Whale Optimization Algorithm)，但是该方法存在解
精度低、收敛速度慢和易陷入局部最优的缺点；也存在使用EMD分解，但是该方法存在虚假分量；另外也有其他方法来尝试解决技术问题，但是运算量大，占用诊断和预测系统的处理器的大量资源并增加了功率消耗。因此现有技术迫切需要一种变压器绕组故障诊断方法，能够精确地诊断和预测变压器绕组故障诊断，并且运算量低，特征量具有通用性，诊断和预测系统的处理器资源的占用少，诊断和预测系统的处理器的功率消耗低，并且可操性强，不存在虚假分量问题，清晰可靠简单。
发明内容
[0004] 为解决现有技术中的不足，本发明提供一种基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法能够精确地诊断和预测变压器绕组故障诊断，故障特征明显，结果简单，可操性强，不存在虚假分量问题，运算量低，特征量具有通用性，诊断和预测系统的处理器资源的占用少，诊断和预测系统的处理器的功率消耗低。
[0005] 具体而言，本发明提出一种基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法，同
时针对传统WOA容易陷入局部最优的
缺陷，将混沌映射引入到
数据处理中，该处理方法被称为CGWO(Chaotic WhaleOptimization Algorithm)。首先，利用PSO对VMD的参数进行优化，以排列熵为适应度函数进行优化，将IVMD应用于变压器绕组的的故障特征的提取，并将其作为CWOA-SVM输入，与WOA-SVM和SVM做对比。本发明的方法能够有效地提取变压器绕组故障特征。
[0006] 为了实现上述目标，本发明提出一种基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法，采用如下技术方案：
[0007] 载入变压器绕组的原始信号；
[0008] 初始化变压器的信号样本数据；
[0009] 粒子群寻优；
[0010] VMD处理信号
[0011] 筛选最佳分量；
[0012] 排列熵特征量提取；
[0013] CWOA-SVM输入训练正确率对比。
[0014] 根据本发明的进一步的
实施例，提供一种基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法，其特征在于，包括以下步骤：
[0015] 1)通过
加速度
传感器对绕组正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；
[0016] 2)基于预处理的振动信号，利用PSO对VMD的参数L和惩罚系数α进行优化，从而可避免人为主观因素的干预，自动筛选出最佳分量的参数组合，并对采集到的振动信号进行分解，提取绕组的故障特征量；
[0017] 所述IVMD的步骤为：针对预处理的振动信号，PSO函数优化VMD的参数L和惩罚系数α，将排列熵作为适应度函数，并将排列熵作为特征以使VMD分解具备自适应性，改进后的VMD称为IVMD(improved variational mode decomposition)，优化的具体步骤如下：
[0018] ①假设在一个D维空间内，由M个粒子组成的种群为X＝(X1,X2,X3,...,XD)，第i个粒子位置为Xi＝(Xi1,Xi2,Xi3,...,XiD)，第i个粒子的速度为Vi＝(Vi1,Vi2,Vi3,...,ViD)，某个体局部极值为Pi＝(pi1,pi2,pi3,…piD)，种群全局极值G＝(g1,g2,...,gD)，每个粒子通过个体局部极值和种群极值
迭代更新自身的速度和位置，该速度和位置被表述为：
[0019]
[0020] 式中：w为惯性权重；d＝1,2，…，D；i＝1,2，…，M；k为当前迭代次数；c1和c2为加速度因子；η为介于[0,1]间的随机数。
[0021] ②利用排列熵作为适应度函数，将变压器的振动时间
序列表示为[X(h),h＝1,2,...,H]，对该时间序列进行相空间重构：
[0022]
[0023] j＝1,2,3,…K
[0024] 式中，m和t分别为嵌入维数和延迟时间，K＝n-(m-1)t，矩阵中的每一行都可以作为变压器绕组时间序列重构后的一个分量，共有K个重构分量；将绕组时间序列X(h)重构矩阵中的第j个重构分量x(j),x(j+t),...,x(j+(m-1)t)按照升序重新排列，j1,j2,...,jm表示各个向量所在列的索引，即：
[0025] x(i+(j1-1)t)≤x(i+(j2-1)t)≤…≤x(i+(jm-1)t)
[0026] 因此对于任意一个时间序列数据组成的向量，都可以得到一组符号序列：
[0027] S(l)＝(j1,j2,…jm)
[0028] 式中，l＝1,2，…,r，且r≤m！，m维相空间映射不同的符号序列(j1,j2,…,jm)总共有m！种排列，符号序列S(l)是其中的一种排列；计算每一种符号序列出现的概率P1,P2,...,Pr；此时，时间序列X(h)的r种不同符号序列的排列熵(PE)可以按照shannon熵的形式来定义，即适应度函数为：
[0029]
[0030] 通常将Hp(m)进行归一化处理，即：
[0031]
[0032] Hp值的大小表示时间序列[X(h),h＝1,2,...,H]的随机程度。
[0033] ③通过步骤①,②，利用PSO函数优化VMD，将排列熵作为优化VMD的适应度函数，求出其中参数L和惩罚系数α；将优化得到的参数再带入VMD中，进行信号分解；优化得出参数VMD，寻求L个估计带宽之和最小的模态函数uk(t)，模态之和为
输入信号f(t)；
[0034] 其中变分约束问题为：
[0035]
[0036] 式中，uk＝{u1,u2,···,uK}为各模态函数集；ωk＝{ω1,ω2,···,ωK}为各中心频率集；是对函数求时间t的偏导数；δ(t)为单位脉冲函数；j为虚数单位；*表示卷积；
[0037] 为了解决上述约束最优化问题，引入拉格朗日函数ζ；
[0038]
[0039] 式中，α表示惩罚系数；λ(t)表示拉格朗日乘子，L表示窄带IMF分量个数。
[0040] 3)利用排列熵对IVMD的分解模态进行计算，提取特征量，并将其作为训练后的CWOA-SVM的输入量，并输出变压器绕组故障诊断结果。
[0041] 在一个实施例中，在步骤1)中，所述加速度传感器采用压电式加速度传感器。
[0042] 在一个实施例中，在步骤1)中，对变压器进行振动测试、信号采集时，
采样频率为25.6kHz。
[0043] 在一个实施例中，步骤1)中传感器的位置摆放在变压器的顶子上。
[0044] 在一个实施例中，在步骤2)中，采用PSO函数优化VMD的相关参数包括对VMD的两个影响参数进行并行优化。
[0045] 在一个实施例中，在步骤3)中，针对变压器绕组正常、绕组
垫块脱落、绕组松动、绕组形变四种工况状态下分别取多组数据，用各组中部分数据作为样本，然后用剩下的部分数据作为测试数据，用前四个IMF分量分量得到的排列熵作为特征量。
[0046] 在一个实施例中，在步骤3)中，针对变压器绕组正常、绕组垫块脱落、绕组松动、绕组形变工况，四种工况状态下分别取偶数组数据，用各组中任意的、数量为偶数组的一半的数据作为样本，然后用剩下的数量为偶数组的另一半数据作为测试数据，用前面的多个IMF分量得到的排列熵作为特征量，以形成训练组和测试组。
[0047] 在一个实施例中，在步骤3)中，采用相同的数据对GWO-SVM和SVM进行训练，并对这些数据进行预测。
[0048] 在一个实施例中，该方法针对变压器绕组正常、绕组垫块脱落、绕组松动、绕组形变四种工况状态下分别取多组数据，用各组中部分数据作为样本，然后用剩下的部分数据作为测试数据，用前四个IMF分量分量得到的排列熵作为特征量。
[0049] 本发明所达到的有益效果：
[0050] 1.本发明采用基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法，可以降低运算量，减少了诊断和预测系统的处理器资源的占用，对应地降低了诊断和预测系统的处理器的功率消耗；
[0051] 2.本发明相较于EMD分解方法，不存在虚假分量问题，结果更准确；
[0052] 3.本发明采用PSO来确定VMD的模态数，清晰可靠，而且简单；
[0053] 4.本发明的特征量具有通用性。
附图说明
[0054] 图1是本发明的基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法的
流程图；
[0055] 图2是本发明的PSO优化VMD得到的K的图示。
具体实施方式
[0056] 下面结合附图对本发明做进一步描述。以下实施案例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0057] 图1是本发明的基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法的流程图，该变压器绕组故障诊断方法包括以下步骤；
[0058] 载入变压器绕组的原始信号；
[0059] 初始化变压器的信号样本数据；
[0060] 粒子群寻优；
[0061] VMD处理信号
[0062] 筛选最佳分量；
[0063] 排列熵特征量提取；
[0064] CWOA-SVM输入训练正确率对比。
[0065] 根据本发明的进一步的实施例，基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法的具体步骤如下：
[0066] 1)通过加速度传感器对绕组正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；
[0067] 优选地，步骤(1)中传感器的位置摆放时，摆放在顶子上的效果优于摆放在侧面的效果，因此将传感器的位置设置在顶子上。
[0068] 2)基于预处理的振动信号，利用PSO对VMD的参数L和惩罚系数α进行优化，具体而言对VMD的两个影响参数进行并行优化，从而可避免人为主观因素的干预，自动筛选出最佳分量的参数组合，并对采集到的振动信号进行分解，提取绕组的故障特征量；所述IVMD的步骤为：
[0069] 针对预处理的振动信号，PSO函数优化VMD的参数L和惩罚系数α，将排列熵作为适应度函数，并将排列熵作为特征以使VMD分解具备自适应性，改进后的VMD称为IVMD(improved variational mode decomposition)，优化的具体步骤如下：
[0070] ①假设在一个D维空间内，由M个粒子组成的种群为X＝(X1,X2,X3,...,XD)，第i个粒子位置为Xi＝(Xi1,Xi2,Xi3,...,XiD)，第i个粒子的速度为Vi＝(Vi1,Vi2,Vi3,...,ViD)，某个体局部极值为Pi＝(pi1,pi2,pi3,…piD)，种群全局极值G＝(g1,g2,...,gD)，每个粒子通过个体局部极值和种群极值迭代更新自身的速度和位置，该速度和位置被表述为：
[0071]
[0072] 式中：w为惯性权重；d＝1,2，…，D；i＝1,2，…，M；k为当前迭代次数；c1和c2为加速度因子；η为介于[0,1]间的随机数。
[0073] ②利用排列熵作为适应度函数，将变压器的振动时间序列表示为[X(h),h＝1,2,...,H]，对该时间序列进行相空间重构：
[0074]
[0075] j＝1,2,3,…K
[0076] 式中，m和t分别为嵌入维数和延迟时间，K＝n-(m-1)t，矩阵中的每一行都可以作为变压器绕组时间序列重构后的一个分量，共有K个重构分量；将绕组时间序列X(h)重构矩阵中的第j个重构分量x(j),x(j+t),...,x(j+(m-1)t)按照升序重新排列，j1,j2,...,jm表示各个向量所在列的索引，即：
[0077] x(i+(j1-1)t)≤x(i+(j2-1)t)≤…≤x(i+(jm-1)t)
[0078] 因此对于任意一个时间序列数据组成的向量，都可以得到一组符号序列：
[0079] S(l)＝(j1,j2,…jm)
[0080] 式中，l＝1,2，...,r，且r≤m！，m维相空间映射不同的符号序列(j1,j2,…,jm)总共有m！种排列，符号序列S(l)是其中的一种排列；计算每一种符号序列出现的概率P1,P2,...,Pr；此时，时间序列X(h)的r种不同符号序列的排列熵(PE)可以按照shannon熵的形式来定义，即适应度函数为：
[0081]
[0082] 通常将Hp(m)进行归一化处理，即：
[0083]
[0084] Hp值的大小表示时间序列[X(h),h＝1,2,...,H]的随机程度。
[0085] ③通过步骤①,②，利用PSO函数优化VMD，将排列熵作为优化VMD的适应度函数，求出其中参数L和惩罚系数α；将优化得到的参数再带入VMD中，进行信号分解；优化得出参数VMD，寻求L个估计带宽之和最小的模态函数uk(t)，模态之和为输入信号f(t)；
[0086] 其中变分约束问题为：
[0087]
[0088] 式中，uk＝{u1,u2,···,uK}为各模态函数集；ωk＝{ω1,ω2,···,ωK}为各中心频率集； 是对函数求时间t的偏导数；δ(t)为单位脉冲函数；j为虚数单位；*表示卷积；
[0089] 为了解决上述约束最优化问题，引入拉格朗日函数ζ；
[0090]
[0091] 式中，α表示惩罚系数；λ(t)表示拉格朗日乘子，L表示窄带IMF分量个数。
[0092] 3)利用排列熵对IVMD的分解模态进行计算，提取特征量，并将其作为训练后的CWOA-SVM的输入量，并输出变压器绕组故障诊断结果。
[0093] 优选的，训练CWOA-SVM的过程如下：
[0094] ①通过Logistic混沌映射对WOA种群进行混沌初始化,即CGWOA,从而避免了WOA陷入全局最优；
[0095] ②由于径向基函数核函数只需确定一个参数δ，因此选用RBF作为函数，利用CWOA对最优δ和C进行寻优；
[0096] 其中C是惩罚系数，即对误差的宽容度。C越高，说明越不能容忍出现误差,容易过拟合。C越小，容易欠拟合。C过大或过小，泛化能力变差。
[0097]
[0098] 式中，gamma是选择RBF函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。
[0099] ③将样本输入到CWOA-SVM中，一部分进行训练，一部分测试，计算准确率，并和其它SVM作对比。
[0100] 优选地，训练CWOA-SVM的过程进一步包括：根据和其它SVM作的对比，将结果反馈给CWOA-SVM以进行调适。
[0101] 在本发明的一个具体实施例中，采用PCB356A16压电式加速度传感器以及NI9234
数据采集仪对1台型号为S11–M–10/10的变压器样机进行振动测试，采样频率为25.6kHz。变压器绕组正常、绕组垫块脱落、绕组松动、绕组形变工况每种工况四种状态下分别取30组数据，用各组中任意的15组数据作为样本，然后用剩下的每15组数据作为测试数据，用前4个IMF分量得到的排列熵作为特征量，相当于训练组60组，测试组60组。表1所示为训练集数据预测结果。表1为CWOA-SVM的预测结果与SVM和WOA-SVM预测结果的比较，由表中可以看出，基于IVMD和CWOA-SVM的变压器绕组故障诊断方法可以有效地识别出故障类型，其中针对变压器绕组正常、绕组垫块脱落、绕组松动、绕组形变四种工况，预测精度分别提高了7％～35.7％、6.7％～29.8％、10.02％～30.22％、8.66％～25.88％，本发明的诊断效果在各方面都优于传统的WOA-SVM和SVM的效果。
[0102] 表1
[0103]
[0104]
[0105] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行
修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的
权利要求保护范围之内。
