电力变压器有载分接开关振动脉冲数自动识别方法与流程

本发明属于电气设备监测技术领域，，特别涉及到电力变压器有载分接开关振动脉冲信号与变压器油箱表面振动信号的自适应提取方法。

背景技术：

有载调压分接开关(on-loadtapchanger,oltc)是变压器完成调压的核心部件，不仅能稳定负载中心电压，而且也是联络电网、调整负载潮流、改善无功分配等不可缺少的重要设备，它的性能状况直接关系到有载调压变压器的安全运行。发达国家对容量在10mva及以上的变压器大都安装了有载分接开关，我国也愈来愈多地采用了有载调压变压器。有载分接开关由选择器、切换开关和电动机构组成，机械故障是其主要故障类型，包括选择开关触头接触不良、操作机构失灵、限位开关失灵、切换开关拒切、中止或动作滞后、内部紧固件松动和脱落等。这些故障可以通过对有载分接开关振动信号的分析进行有效的检测和判断。由于电力变压器在运行时，铁心硅钢片的磁致伸缩引起铁心振动，绕组在负载电流电场力作用下产生绕组振动，这些振动都将传递到变压器的油箱表面，形成变压器的主要振动。在变压器油箱表面获得的振动信号除了有载分接开关振动以外，还包括铁心和绕组的振动。因此要对有载分接开关振动信号进行分析和处理，首先需要对油箱表面振动信号进行信号提取，从中提取出有载分接开关振动信脉冲号成分。

有载分接开关动作振动波形主要是由动静触头的接触摩擦引起的振动冲击脉冲信号，而铁心和绕组的振动信号主要为周期信号，同时有载分接开关在一次动作过程中，多个触点将发生接触与提取，产生的振动波形将存在多个振动冲击脉冲，振动冲击脉冲信号与分接开关触点的接触状态相关，能够反映出触点接触的状态。

技术实现要素：

本发明的目的是提供一种电力变压器有载分接开关振动脉冲数自动识别方法，以实现对有载分接开关多个振动脉冲信号的自动识别。

为实现上述目的，本发明采用的技术方案为：

一种电力变压器有载分接开关振动脉冲数自动识别方法，包括以下步骤:

(1)在变压器油箱表面获得振动信号，该振动信号是包括有载分接开关振动脉冲信号、环境噪声、变压器铁心振动信号的混合信号；并对所述混合信号进行零均值处理；

(2)根据所述混合信号的统计特性，以一个采样间隔为分割点将所述混合信号分为前后两个统计时间段内的自回归模型，并逐次计算对应的回归系数和模型阶数；

(3)利用最大似然估计公式对自回归模型的误差进行最大似然估计；

(4)计算信号回归模型误差的信息熵a值；

(5)求取信息熵a值的最小值和最大值；该最小值对应噪声自回归模型和振动脉冲信号自回归模型的最佳分割点，是在最小二乘意义下两个模型的最佳匹配，是分接开关触头机械动作产生的振动脉冲信号的起始点；

(6)根据有载分接开关的类型，选择有效的振动脉冲信号长度区间，求取信号长度区间对应的信息熵a值的梯度；则可对有效信号长度内的多个振动脉冲信号形成统计意义上的包络；从第二个包络开始，包络的最大值表示振动脉冲信号的信息熵变化率最大，即前后两个振动脉冲信号在统计意义上的分割点，标志着后一个振动脉冲信号起始点；

(7)应用梯度法求取局部最大值的经典算法，获得每个包络的最大值，最大值得个数即对应于振动脉冲的数目。

有益效果：本发明的方法利用振动冲击脉冲信号和环境噪声信号的统计独立特性，在对数据进行处理及分段的基础上，通过计算信号的信息熵来判断脉冲信号的起始时间，进一步计算信息熵的梯度，并在运用求取最大值和最小值经典算法的基础上，结合设定的阈值来实现对有载分接开关多个振动脉冲信号的自动识别。

附图说明

图1为分接开关振动信号；

图2为分接开关振动信号信息熵曲线；

图3为分接开关振动信号脉冲数识别图形。

具体实施方式

下面结合附图对本发明做更进一步的解释。

一种电力变压器有载分接开关振动脉冲数自动识别方法，包括以下步骤:

(1)在变压器油箱表面获得振动信号，该振动信号是包括有载分接开关振动脉冲信号、环境噪声、变压器铁心振动信号的混合信号；并对所述混合信号进行零均值处理；

变压器油箱表面采集得到的混合信号为xn＝{x1,...,xn}，则混合信号去除均值的方法为：

式中，表示去掉均值后的第n个信号的幅值，xn表示采集得到的混合信号时间序列中第n个信号的幅值，n表示采集得到的混合信号时间序列的总个数，xm表示在第m个混合信号的幅值，下标n、m分别表示采集到的混合信号中的第n、m个信号。

(2)根据所述混合信号的统计特性，以一个采样间隔为分割点将所述混合信号分为前后两个统计时间段内的自回归模型，并逐次计算对应的回归系数和模型阶数；

具体方法为：

变压器表面采集得到的混合信号的时间序列为xn＝{x1,...,xn}。

首先进行第一次数据分段，从第一个数据x1开始，把混合信号的时间序列分成{x1}和{x2,...,xn}两个时间段，如图2所示。

然后进行第二次分段，第一个时间段增加一个数据x2，第二个时间段减少一个数据x2，即两个时间段分别为{x1，x2}和{x3,...,xn}。依次递推，对于总共有n个数据的混合信号，则总共需要n-1次数据分段。

对于第j次分段后的两段数据{x1,x2,...,xj}和{xj+1,xj+2,...,xn}，分别用下式建立第一段数据和第二段数据的自回归模型：

式中，为自回归模型的系数，mi(i＝1,2)分别为噪声模型的阶数和信号模型的阶数。该模型将时间序列在模型窗内分为确定的和预测误差若误差为高斯分布，则其均值方差且与时间序列确定的部分不相关

(3)利用最大似然估计公式对自回归模型的误差进行最大似然估计；具体方法为：

把j作为分割点，使用自回归模型的系数来提取时间序列[m1+1,j]和[j+1,n-m2]中的预测误差部分。假设误差为高斯分布，则这两个时段误差的似然函数l可用下式表示：

式中分别表示时段1和时段2的模型参数(依赖于j)，而且p1＝m1+1，p2＝j+1，q1＝j，q2＝n-m2，n1＝j-m1，n2＝n-m2-j；

若把k作为分割点，使用自回归模型的系数来提取时间序列[m1+1,k]和[k+1,n-m2]中的预测误差部分。

对方程最大似然函数取对数并求偏导数，寻找模型参数的最大似然估计，如下式所示：

求解上式，可求得模型参数：

通过实验研究发现，对于变压器表面测得的混合信号自回归模型误差参数的最大似然估计，可以用下式代替：

上式中，下标k表示采集得到的混合信号中的第k个信号。

(4)对于第j次分段，通过下式计算信号回归模型误差的信息熵a值，计算结果如附图2所示：

上式中，c＝(m1+m2-n)(log2π+1)，为常数。

(5)采用minmax算法获取信息熵a值的最小值和最大值。

(6)根据有载分接开关的类型，选择有效的振动脉冲信号长度区间，采用diff算法求取信号长度区间对应的信息熵a值的梯度，则可对有效信号长度内的多个振动脉冲信号形成统计意义上的包络。

(7)应用梯度法求取局部最大值的经典算法，可以获得每个包络的最大值，最大值得个数对应于脉冲的数目，如图3所示。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。