[发明专利]一种基于混沌理论和蜉蝣优化K-means算法的变压器绕组松动故障特征提取方法

说明书

本发明公开了一种基于混沌理论和蜉蝣优化K‑means算法的变压器绕组松动故障特征提取方法，步骤如下：步骤1：在变压器箱体设置测点，获取各测点的振动信号，选取振动幅值最大的测点D作为最佳测点；步骤2：计算测点D采集振动信号的最大Lyapunov指数，判断其混沌特性；步骤3：计算具有混沌特性的振动信号的关联维数、Kolmogorov熵作为变压器绕组松动故障的混沌特征；步骤4：将振动信号进行相空间重构，得到相空间轨迹；步骤5：采用蜉蝣优化算法优化K‑means算法的初始聚类簇中心，再对相空间轨迹聚类，最终对所得K个簇中心计算簇中心矩之和与矢径偏移作为变压器绕组松动故障的几何特征；步骤6：变压器绕组非正常状态的混沌特征和几何特征与参考值对比，实现精确识别。

技术领域

本发明属于电力设备振动信号分析领域，尤其涉及一种基于混沌理论和蜉蝣优化K-means算法的变压器绕组松动故障特征提取方法。

背景技术

作为电力系统输变电关键设备，电力变压器的可靠运行对电力系统的安全、经济、稳定运行具有重要意义。而因外部短路造成变压器绕组松动、变形，是变压器运行过程中的常见故障，严重威胁着系统的安全运行。因此，有必要研究变压器绕组松动故障时对应的故障特征，以实现变压器绕组松动故障的精确识别，这对减少变压器事故的发生具有重要意义。现场测试中，由于利用振动法采集振动信号时无需与变压器有电气连接，是一种无损测量检测方式，因此对振动信号的分析广泛应用于变压器故障诊断领域。目前，对振动信号进行特征分析的方法主要是通过经验模态分解、变分模态分解及在此基础上改进的集合经验模态分解、互补集总经验模态分解等时频分析法把原来非线性、非平稳的振动信号分解成多个平稳信号进行求解。然而，这类特征分析方法在时频转换的过程中或多或少存在模态混叠、端点效应等现象，使原始信号丢失部分信息。不同于时频分析方法，基于混沌理论的时间序列研究是一种分析时域信号混沌特性的方法，也称为混沌时间序列分析法。这种方法挖掘的是原始信号的混沌属性特征，近年来不断应用于电力设备故障特征分析。

发明内容

发明目的：从变压器振动信号的相空间轨迹的混沌属性及几何形态角度出发，本发明提出一种基于混沌理论和蜉蝣优化K-means算法的变压器绕组松动故障特征提取方法，在判断变压器振动信号混沌特性的基础上，将具有混沌特性的振动信号计算提取混沌特征；同时，采用蜉蝣优化算法(Mayfly Optimization Algorithm，MOA)优化K-means算法初始聚类簇中心，对所得相空间轨迹的K个簇中心提取几何特征。本发明所述提取的混沌特征和几何特征不仅可以分别识别变压器绕组松动故障程度，而且可以结合成一组特征向量实现变压器绕组松动状态特征的精确表达。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于混沌理论和蜉蝣优化K-means算法的变压器绕组松动故障特征提取方法，包括以下步骤：

步骤1：在正常状态的变压器箱体上设置P个测点，获取变压器振动信号，选取振动幅值最大的测点D作为最佳测点；

步骤2：计算测点D采集振动信号的最大Lyapunov指数，判断其混沌特性；

步骤3：计算具有混沌特性的振动信号的关联维数、Kolmogorov熵作为变压器绕组松动故障的混沌特征参考值；

步骤4：将振动信号进行相空间重构，得到相空间轨迹；

步骤5：采用蜉蝣优化算法优化K-means算法的初始聚类簇中心，再对相空间轨迹聚类，最终对所得K个簇中心计算簇中心矩之和与矢径偏移作为变压器绕组松动故障的几何特征参考值；

步骤6：变压器绕组非正常状态的混沌特征与几何特征与参考值对比，实现精确识别故障。

进一步，在步骤1中，在正常状态的变压器箱体上设置P个测点，获取变压器振动信号，选取振动幅值最大的测点D作为最佳测点，步骤如下：