[发明专利]一种基于振动信号的配电变压器故障诊断方法

说明书

本发明涉及一种基于振动信号的配电变压器故障诊断方法，包括：获取配电变压器振动信号，并采用自适应噪声完备集合经验模态分解与希尔伯特变换相结合对配电变压器振动信号进行处理，分别求取不同频带的边际谱构造特征向量；对特征向量矩阵构造高斯函数加权的无向完全图，求取邻接矩阵，并构建多通道多连通的图卷积神经网络模型用于挖掘深层特征与故障分类；在图卷积神经网络模型中，使用带正弦函数的扰动因子改进灰狼优化算法对高斯核带宽寻优，得到最优诊断模型；通过得到的最优诊断模型对待识别对象进行故障识别。该方法有利于提高诊断精度，以及对未知类型故障进行辨识。

技术领域

本发明属于电力设备故障诊断技术领域，具体涉及一种基于振动信号的配电变压器故障诊断方法。

背景技术

近年来，我国电网格局发生较大改变，已经从原先的小功率、低电压、小规模的初期阶段进入到大容量、大机组、超高压、大规模的现代化发展阶段。电力系统的发展规模不断扩大，电力设备的电压等级随之不断提高、容量也不断变大，导致电力设备发生故障的概率也随之增加，这必然对电力系统整体的安全性以及电力设备工作的可靠性和稳定性提出更高的要求。配电变压器是配电网中的核心设备，突发性的故障会造成重大的安全事故与经济损失。据统计，每年因变压器故障导致的事故不可胜数。因此，为确保配电网系统正常运行，对配电变压器运行状态进行监测是非常有必要。

基于振动信号分析法的变压器故障检测技术是当前研究热点。振动法是将位移、速度或加速度传感器安装于变压器的支撑件、绕组侧面或油箱表面，通过振动信号来分析变压器运行状态，甚至识别故障类型。该方法具有安装方便、灵活、无电气连接等优点。

现有的配电变压器故障诊断算法多样，主要包含人工提取特征与人工智能法两大类。人工提取特征是通过对变压器振动信号分解，提取代表性特征训练一个强的分类器或提出一些诊断指标，以阈值形式进行分类。随着数字智能技术的发展，深度学习方法已经成为当前最为热门的研究方向之一。人工智能方法直接将振动信号输入网络中，省去了特征提取步骤，直接对数据进行分析、辨识。配电变压器在实际运行过程中，运行工况并不是一成不变的，工况的波动导致振动信号差异较大依赖于人工经验所提特征的区分效果不佳。另外，配电变压器在运行过程中往往存在一些未知类型的故障(即新出现的故障)，现有的故障诊断算法对未知类型故障的辨识效果不佳。

发明内容

本发明的目的在于提供一种基于振动信号的配电变压器故障诊断方法，该方法有利于提高诊断精度，以及对未知类型故障进行辨识。

为实现上述目的，本发明采用的技术方案是：一种基于振动信号的配电变压器故障诊断方法，包括：

步骤S1、采集配电变压器振动信号，并使用自适应噪声完备集合经验模态分解与希尔伯特变换相结合对配电变压器振动信号进行处理，分别求取不同频带的边际谱构造特征向量；

步骤S2、对特征向量矩阵构造高斯函数加权的无向完全图，求取邻接矩阵，并搭建多通道多连通的图卷积神经网络模型用于挖掘深层特征与故障分类；

步骤S3、在图卷积神经网络模型中，使用带正弦函数的扰动因子改进灰狼优化算法对高斯核带宽寻优，获得最优诊断模型；

步骤S4、通过得到的最优诊断模型对待识别对象进行故障识别。

进一步地，采集配电变压器箱体表面的振动信号，并采用自适应噪声完备集合经验模态分解与希尔伯特变换相结合对配电变压器振动信号进行处理，包括以下步骤：

步骤S11、使用振动信号采集装置获取配电变压器箱体表面的振动信号；

步骤S12、采用自适应噪声完备集合经验模态分解(CEEMDAN)对配电变压器振动信号进行处理，具体过程如下：