[发明专利]一种基于ITD排列熵和CGWO-SVM的变压器绕组振动信号识别方法

说明书

一种基于ITD排列熵和CGWO‑SVM的变压器绕组振动信号识别方法。该方法包括：采集变压器绕组在切换过程中正常和故障状态下的振动信号；采用ITD进行振动信号的分解，并利用排列熵对分解信号进行复杂计算以提取特征向量，将特征向量作为CWGO‑SVM的输入量进行训练，并与GWO‑SVM和SVM进行对比。本发明的方法可以有效地提取变压器绕组的故障特征，诊断结果精度高，实现了对变压器绕组故障的智能诊断，能够在潜伏性故障发生的早期发现故障，具备较强的可操作性，并且其技术效果优于传统SVM的效果。

技术领域

本发明属于变压器绕组故障诊断技术领域，具体涉及一种基于ITD排列熵和CGWO-SVM的变压器绕组振动信号识别方法。

背景技术

近年来，我国电网逐渐在向特高压、远距离大容量输电、智能电网方向前进，系统内部相互关联日渐多元化、复合化和巨大化，对系统内单个环节的持续稳定运行的能力要求愈发严格。保证电力系统中每一单个环节不发生故障是整体构架不发生故障的前提条件，这在构建坚强智能电网中也是不可或缺的一部分。依照国家电网公司2001-2010共计十年的我国电网运行安全评估报告，电力系统异常运行的主要因素囊括电力设备异常、自然灾难、工作人员责任事故和其它共四类。由相关数据可知，单个环节单个设备故障所导致的电网异常运行占电网合计异常运行总数的37.1％～61.1％，有些年的比例甚至大于一半，2001-2010的平均值也达到45.9％这一无法忽视的高值占比。结合所有统计结果可得，单个环节单个设备的故障状态逐渐成为整个系统异常运行的核心因素。由于变压器抗短路能力不足而引发的绕组故障逐年增加，并日益成为电力变压器故障的主要原因，因此，迫切需要一种能够准确判断绕组机械状态的方法。

传统的变压器绕组故障检测方法或者需要变压器退出运行，或者对于潜伏性故障的检测具有滞后性，难以在潜伏性故障发生的早期发现故障。现有的变压器故障检测分析方法包括振动分析，该分析方法具有诸多优势，例如与变压器套管和引出线没有电气连接，不会对变压器运行产生干扰，并且振动频谱对变压器的诸多异常灵敏等。变压器箱体上的振动频谱可以反映包括铁心和绕组的变压器的健康程度，其中振动频谱的100Hz振幅是估计变压器健康程度和故障判断的重要考量因素。故而，需要获取并进一步解析变压器箱体上的振动频谱，并且找到振动频谱分析变压器工作状态的相关途径。

由于现有的变压器绕组故障检测方法诊断精度不够高，诊断效果有待改善，因此迫切需要高精度地实现对变压器绕组故障的智能诊断，以及在潜伏性故障发生的早期发现故障，并且方法需要有较强的可操作性。

发明内容

发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于ITD排列熵和CGWO-SVM变压器绕组振动信号识别方法，其诊断结果确实精度高，结构简单，可操作性强。

具体而言，本发明提出一种基于ITD排列熵(Permutation Entropy)和CGWO-SVM分析的电力变压器绕组振动信号识别方法，以期实现电力变压器绕组早期潜伏性故障的精确诊断。为此，本发明将ITD(Intrinsic Time-scale Decompostion)引入到电力变压器绕组的故障诊断中，分解出多个PR分量，将排列熵定量描述含有设备信号的前几个PR分量作为特征量，将其作为CGWO-SVM输入量，并建立了混沌灰狼优化(chaotic gray wolfoptimizer)的支持向量机(Support Vector Machine，SVM)故障诊断模型，实现电力变压器绕组故障的智能诊断。

本发明提供一种基于ITD排列熵和CGWO-SVM的变压器绕组振动信号识别方法，包括以下步骤：

载入变压器绕组的原始信号；

进行ITD分解；

进行PR分量排列熵计算；

CGWO-SVM输入训练；

进行正确率对比。