[发明专利]基于振动分析法的变压器故障分类和识别方法

说明书

本发明公开了一种基于振动分析法的变压器故障分类和识别方法，包括以下步骤：S1：选取变压器试验对象，采集不同状态下变压器振动信号为样本数据；S2：利用希尔伯特‑黄变换中集合经验模式分解方法计算样本数据得到本征模函数；S3：提取本征模函数分量中特征矢量V；S4：利用主成分分析法对特征矢量进行降维，坐标投影到二维图像中；S5：利用K邻近法对样本数据进行分类；S6：利用距离公式计算测试样本与原始样本的距离；S7：进行模式识别；S8：输出模式识别中相对应的变压器故障类型；可直观有效地判断变压器运行状态。

技术领域

本发明涉及电力设备检测领域，具体涉及一种基于振动分析法的变压器故障分类和识别方法。

背景技术

在电力系统的各种设备中，变压器是昂贵且重要的设备，其可靠性对于保证电网安全运行意义重大。变压器历年的故障统计表明，变压器绕组和铁芯是发生故障较多的部件，绕组和铁芯引发的变压器事故在变压器总事故中所占比例达到70％。

目前，检测变压器运行状态的方法日益增多。短路阻抗法，通过离线测量绕组的电抗并观察其阻抗值变化来判断绕组变形情况，但该方法灵敏度低、可靠性差。低压脉冲法，主要应用于现场试验测试，然而该方法具有易受干扰影响、需作校正、测试电路要求特殊布置以保证测试的重复性等缺陷。频响分析法，通过测量变压器3相绕组的频率响应曲线进行测试变压器绕组变形程度，克服了低压脉冲法存在可重复性差的一些缺陷，但该方法只能对变压器进行离线检测。但是以上三种方法都只能实现离线检测，因此，迫切需要一种可以进行对变压器故障进行带电检测的方法。

现有的集合经验模式分解方法，即EEMD方法来提取变压器状态的特征向量并利用Fisher判别法进行故障分类可以实现对变压器故障的带电检测。但是，根据EEMD提取变压器振动信号的特征矢量，特征矢量是多组数据，并且试验样本较多时，试验样本会成为一个多维数组。多维数组不利于计算，同时也不利于现实中的观察；同时Fisher判别法只能实现线性分类，无法实现非线性分类，在试验数据中由于试验测量数据的不确定性，难免会出现错误数据，这些错误数据会影响到线性分类的效果。

发明内容

本发明为了解决上述技术问题提供一种基于振动分析法的变压器故障分类和识别方法。

本发明通过下述技术方案实现：

基于振动分析法的变压器故障分类和识别方法，包括以下步骤：

S1：选取变压器试验对象，采集不同状态下变压器振动信号为样本数据；

S2：利用希尔伯特-黄变换中集合经验模式分解方法计算样本数据得到本征模函数；

S3：提取本征模函数分量中特征矢量V；

S4：利用主成分分析法对特征矢量进行降维，坐标投影到二维图像中；

S5：利用K邻近法对样本数据进行分类；

S6：利用距离公式计算测试样本与原始样本的距离；

S7：进行模式识别；

S8：输出模式识别中相对应的变压器故障类型。

由于变压器绕组和铁芯结构非线性特性的存在，变压器振动信号会呈现出比较明显的非线性。传统的时频分析方法在分析非线性非平稳信号存在不足。本发明采用主成分分析法和KNN分类识别法，实现对试验样本的直观分类和模式识别。对于试验样本数据，可以实现在二维图像上的直观投影，达到直观分类效果，在分类中的极少量错误数据不会影响到 KNN分类和模式识别的效果。

在步骤S2中，利用希尔伯特-黄变换中集合经验模式分解方法计算样本数据得到本征模函数的步骤为：

向原始信号x(t)中加入M次的高斯白噪音序列n_i(t)，(i＝1，2，…，M)，即：