[发明专利]一种基于多维特征模型的变压器振动原因识别方法

权利要求书

1.一种基于多维特征模型的变压器振动原因识别方法，其特征在于：包括以下步骤：

(1)利用振动传感器采集变压器的振动信号x(n)，其长度为N，n＝0,1,2,3…N-1，采用周期为T，并进行变压器振动信号x(n)的特征值提取；

(1-1)假设变压器振动信号x(n)的长度满足N＝2^M，M＝0,1,2…，则按n的奇偶性可把分成两个长度为N/2的序列，如式(1-1-1)和式(1-1-2)所示：

式中，x₁(r)为x(n)的偶数序号元素构成的序列，x₂(r)为x(n)的奇数序号元素构成的序列；此时，对变压器的振动信号x(n)进行快速傅里叶变换，得到

其中，X(k)、X₁(k)和X₂(k)分别为x(n)、x₁(r)和x₂(r)的快速傅里叶变换，X₁(k)和X₂(k)均N/2周期，且为旋转因子；

(1-2)变压器振动信号的基频振幅A_b的提取：

变压器绕组的振动加速度由稳态分量和衰减分量构成，而实际运行中仅包含稳态分量，该稳态分量的频率是电源频率的2倍，称为变压器振动信号的基频，与之对应的基频振幅反映了变压器绕组电流的大小，根据试验结果发现变压器振动信号的基频振幅与电流的平方呈线性关系。

根据式(1-1-3)得到的快速傅里叶变换结果X(k)，可得到变压器振动信号的基频f_b的幅值，即为基频振幅A_b，由式(1-2-1)给出：

(1-3)提取变压器振动信号的主频的频率f_m与幅值A_m：

根据式(1-1-3)得到的快速傅里叶变换结果X(k)，计算变压器振动信号的基频f_b(f_b＝100Hz)的整数倍频率对应的幅值，选取其中的最大幅值作为主频幅值A_m，对应的频率作为主频的频率f_m，即

式中，n为正整数；

(1-4)提取变压器振动信号的基频占比A_pb：

根据公式(1-4-1)可得变压器振动信号的基频占比如下，

式中，f_max为变压器振动信号的频率最大值；

基频占比可以有效反映变压器被电能质量问题污染的程度信息，A_pb值越大，说明电能质量问题对变压器影响越小；

(1-5)提取变压器振动信号的奇次频率信号幅值占比A_po：

根据公式(1-5-1)计算变压器振动信号的奇次频率信号幅值占比A_po

A_po＝A_Σo/A_Σ (1-5-1)

其中，n＝0,1,2,3…表示变压器振动信号的奇次频率信号幅值的平方和，n＝0,1,2,3…表示变压器振动信号所有频率信号幅值的平方和；

由于在直流偏磁的情况下，变压器的振动信号中含有大量的奇次频率信号，因此，变压器振动信号的奇次频率信号幅值占比A_po反映了变压器受直流偏磁影响的情况，即变压器励磁电流中直流分量的大小；且当A_po较大时，说明变压器受直流偏磁影响较大，变压器励磁电流中直流分量的较大；

(1-6)提取变压器振动信号的振动熵E：

根据公式(1-6-1)计算振动熵：

其中，f为变压器振动信号的频率，f_max为变压器振动信号的频率最大值；

变压器振动信号的振动熵E能够描述基频信号及其倍频信号振荡程度的不确定性，即：E越低，振动信号的振动熵较小，表明振动信号的频谱中能量越集中，说明变压器处于重载运行状态；E越高，振动信号的振动熵较大，则表明振动信号的频谱中的能量越分散，说明变压器负载为非线性负载；

(2)基于神经网络变压器振动原因的识别；

(2-1)构建神经网络模型，包括输入层、隐含层和输出层；其中，输入层的神经元为步骤(1)从变压器的振动信号中提取的特征值，输出层的神经元是变压器的振动原因；

(2-2)为避免梯度消失的问题，将隐含层的激活函数设为Leaky ReLU形式，如式(2-2-1)所示：

其中，x为神经元的输入，a＞0；该激活函数能够避免神经元饱和及死亡的情况发生，收敛速度和计算速度均相对较快；

(2-3)由于隐含层神经元输入为则隐含层神经元输出为由此可得，输出层各神经元的输入为

(2-4)选择softmax作为输出层激活函数，如式(2-4-1)所示：

进一步可得到神经网络输出层各神经元的输出如式(2-4-2)所示；

(2-5)将步骤(1)提取的五种工况下变压器振动的特征量，进行归一化处理，公式如下

其中，x_i^*代表归一化后的数据；x_i代表样本特征量；x_min和x_max分别代表样本特征量的最小数据和最大数据；

(2-6)神经网络输出误差E可由式(2-6-1)所示的最小二乘法表示，即：

利用梯度下降法调整输入层和隐含层神经元之间的权重系数w_ih，以及隐含层和输出层神经元之间的权重系数w_hj，即：

式中，η表示学习率，可在0-1区间内取值；

(2-7)经过步骤(2-5)和步骤(2-6)训练后即可得到神经网络各层间连接线的权重系数和由此得到适用于变压器振动原因识别的多维特征模型，即多维特征神经网络模型；

(2-8)将步骤(1)提取的变压器振动的特征量，根据式(2-5-1)进行归一化，得到待识别的数据组X；并将X作为步骤(2-7)得到的多维特征神经网络模型的输入，则其输出即为与X相对应的变压器振动原因。