[发明专利]基于时频特征的变压器有载分接开关故障识别方法

权利要求书

1.基于时频特征的变压器有载分接开关故障识别方法，其特征在于，包括以下步骤：

(1)建立分接开关振动信号的仿真模型，将分接开关振动信号分解为多个瞬时非平稳衰减的振动子波信号；

(2)通过稀疏分解法对分接开关振动子波信号进行稀疏重构和降噪；

(3)利用小波包时频谱提取进行降噪后的各所述振动子波信号的时频特征向量，对各所述时频特征向量添加故障标签，并集合成样本集；

(4)通过样本集对卷积神经网络进行训练，生成可识别故障信号的故障识别模型；

(5)输入分接开关的振动信号，提取振动信号的时频特征向量，将时频特征向量输入至故障识别模型进行识别，识别故障信号；

根据以下公式建立分接开关振动信号的仿真模型：

式中，D(t)为分接开关振动信号的仿真模型，n为振动子波的个数；i为振动子波位数；H_i为振动子波的幅值；s_i为振动子波的衰减系数；t_i为振动子波的起始时刻；p_i为振动子波的频率；为单位阶跃函数；e为自然常数；

所述通过稀疏分解法对分接开关振动子波信号进行稀疏重构和降噪进行降噪的步骤具体为：

通过分接开关振动信号的仿真模型获取振动子波信号p，对振动子波信号p进行重构，通过稀疏分解法选取一与振动子波信号p最匹配的原子信号q₁，要求在原子信号q₁处得到与振动子波信号p的内积最大值：

式中，x,y表示向量x和y的内积，|·|表示向量的绝对值，sup(*)为函数上限，α为原子信号的索引指标，Γ是α的集合；

分解上述内积最大值公式得到：

p＝p,q₁q₁+W¹p；

式中，p,q₁为振动子波信号p在原子信号q₁上的投影；W¹p为信号残差分量，且与q¹正交；利用残差分量替换信号p，选取一个与残差分量结构特征最为匹配的原子信号q²，进行再次分解，得到：

W¹p＝W¹p,q₂+W²p；

式中，W²p为第二次分解后的信号残差分量；

重复上述噪声信号的获取过程，进行l次迭代，此时振动子波信号p被分解为：

式中，W^i-1p代表第i-1次分解后的信号残差分量，W^i-1p＝p，q_i为选取的第i个原子信号，设分接开关振动子波信号用p表示，则存在：

p＝u+v

式中，为经稀疏重构后的信号；v＝W^lp为第l次分解后的信号残差分量即残留噪声信号；

设置迭代的上限值，分离出经稀疏重构后的信号u，实现信号去噪。

2.根据权利要求1所述的基于时频特征的变压器有载分接开关故障识别方法，其特征在于，所述利用小波包时频谱提取进行降噪后的各所述振动子波信号的时频特征向量的具体步骤为：

对稀疏重构和降噪后的信号进行尺度为M的小波分解，得到小波包系数S(m,k)，m＝1,2,...,M，k＝1,2,...,N，从而划分了分解与重构获得的时频平面，形成M×N个时频子区域；

按照公式根据小波包系数的绝对值计算各个子频段内各点的概率k_m,n，作为分接开关振动子波信号的时频特征向量；

式中，S(m,n)表示信号在第m个离散时间点，第n个离散频率点上的小波包系数。

3.根据权利要求1所述的基于时频特征的变压器有载分接开关故障识别方法，其特征在于：所述卷积神经网络包含3个卷积层、3个池化层、1个全连接层，池化方式为最大值池化方式，卷积核尺寸为5×5。