[发明专利]一种基于核函数极限学习机的变压器故障辨识方法

说明书

本申请提供了一种基于核函数极限学习机的变压器故障辨识方法，在变压器运行工况下，获取振动信号作为分析样本，在振动信号消噪后，基于小波包分解重构得到振动信号的各频率能量特征值，提取各频率能量特征值作为指纹矢量，并分成训练集和测试集两类样本集，建立优化核函数极限学习机网络模型，利用指纹矢量训练集进行模型训练，在模型中输入待测集，分析计算输出检查结果，得到变压器的工作状态，实现变压器的故障辨识。本方法解决了系统陷入维数灾难的异常问题，使故障判断分析结果性能得以进一步优化提升，实现了电力变压器的异常故障自动识别。

技术领域

本申请涉及变压器故障辨识技术领域，尤其涉及一种基于核函数极限学习机的变压器故障辨识方法。

背景技术

随着国内电网变压器容量的日益增大，变压器绕组损坏的变形也呈上涨趋势，为有效降低变压器故障可能带来的风险和影响，采用变压器故障识别技术和方法及时检测、监控绕组变形损坏情况和受损程度，有效地防止变压器事故的进一步恶化。在长期的理论研究和工程实践中，在变压器故障识别方面已有一些技术方法和成果。目前电力变压器故障的形式主要有3类：(1)绝缘故障；(2)电力故障；(3)机械故障。

然而由于故障和特征之间的关系较为复杂，在现有技术中，还缺乏应用完善的工程方法，从而产生对绕组故障监测不够及时和对短路后形变的判断精度不足的问题。

发明内容

本申请提供了一种基于核函数极限学习机的变压器故障辨识方法，以解决传统技术对绕组故障监测不够及时和对短路后形变的判断精度的不足的问题。

本申请解决上述技术问题所采取的技术方案如下：

一种基于核函数极限学习机的变压器故障辨识方法，包括以下步骤：

在变压器运行工况下，获取振动信号作为分析样本；

在振动信号消噪后，基于小波包分解重构得到振动信号的各频率能量特征值；

提取各频率能量特征值作为指纹矢量，并分成训练集和测试集两类样本集；

建立优化核函数极限学习机网络模型，利用指纹矢量训练集进行模型训练；

在模型中输入待测集，分析计算输出检查结果，得到变压器的工作状态，实现变压器的故障辨识。

可选的，所述在变压器运行工况下，获取振动信号作为分析样本，包括：

通过在多个监测点布置振动传感器，设置信号采集仪采样频率区间和采样时间，获取变压器不同运行状态下的振动信号；

将所述振动信号作为分析样本。

可选的，所述传感器为压电式加速度传感器，且布置于绕组轴向位置。

可选的，所述信号采集仪连续至少3次采集变压器每个监测点的振动信号，按设定的采样频率和采样时间整周期截取变压器振动信号。

可选的，基于Donoho小波消噪理论对信号进行消噪处理，门限阈值的选取满足高斯正态分布的变量，即z～N(μ，σ²)满足下式：

p{-3σ＜z-μ＜3σ}＝0.9974

对于白噪声，其均值为0，方差为σ²。

可选的，基于小波包原理对获取的降噪振动信号利用Daubechies小波系列的db20小波进行五层静态小波分析，提取各子频带小波变换的能量特征值。

可选的，优化核函数极限学习机模型包含三层结构，设x＝x₁，x₂，x₃，x₄····x_n表示为输入向量的各个分量