[发明专利]基于IVMD排列熵和CWOA-SVM的变压器绕组故障诊断方法

说明书

一种基于IVMD排列熵和CWOA‑SVM的变压器绕组故障诊断方法，该方法包括：采集变压器绕组在正常和故障状态下的振动信号；采用PSO优化VMD相关参数，对IMF进行排列熵计算提取特征量，将其作为CWOA‑SVM输入，并与传统的SVM和WOA‑SVM作对比，比较预测准确率。本发明的变压器绕组故障诊断方法可以有效地提取变压器绕组机械故障特征，精确地诊断和预测变压器绕组故障诊断，故障特征明显，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，本发明的技术效果优于基于传统SVM的效果。

技术领域

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

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。

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(WhaleOptimization 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

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。

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。

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：

载入变压器绕组的原始信号；

初始化变压器的信号样本数据；

粒子群寻优；

VMD处理信号

筛选最佳分量；