一种基于时域数据切分的变压器振动异常检测方法与流程

1.本发明涉及一种基于时域数据切分的变压器振动异常检测方法，属于电力领域。


背景技术：

2.变压器的运行状态对电网的安全、稳定运行具有重要影响。理论研究表明，变压器铁芯振动基频幅值与电源电压大小成正比，绕组振动基频幅值与负载电流大小成正比，由此可以通过变压器振动信号分析绕组和铁心工作状态。变压器振动在线监测具有可带电监测、成本低廉、无直接电气连接安全性高等优点，但变压器表面振动受多重因素影响，振动法分析变压器运行状态和故障诊断在理论和方法上远未成熟，难以满足变压器运行管理和检修工作的实际需要。


技术实现要素：

3.本发明提出了一种基于时域数据切分的变压器振动异常检测方法。本发明的技术方案是：依据变压器负载电流和运行电压值划分变压器运行工况，使用加速度传感器获取正常运行中不同工况条件下的变压器表面振动信号；基于振动信号采样频率和变压器的振动基频确定描述变压器状态的振动信号最短长度；然后通过公式推导和实验来确定数据切分的滑动步长与最佳样本长度并提取振动信号特征。应用训练后的一维卷积神经网络完成变压器当前振动信号分类，当分类结果与当前实际工况不一致时，判定变压器振动异常。
4.本发明的优点有：
5.(1)切分方法简单有效：本发明方法基于采样频率和变压器振动基频分析确定变压器振动信号样本长度，切分方法简单有效且无需人工设置。
6.(2)异常检测精度高：本发明方法确定的样本最优长度包含2～3个振动周期。基于此样本设置，相比于其它切分方法，本专利方法可显著提升卷积神经网络对变压器振动信号的特征提取能力。
附图说明
7.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
8.图1为一种基于时域数据切分的变压器振动异常检测方法流程示意图；
9.图2振动数据切分示意图；
10.图3改进一维卷积神经网络结构图；
11.图4激活函数曲线图；
12.图5一维卷积全局平均池化操作示意图；
13.图6 dropout操作示意图；
14.图7一种基于时域数据切分的变压器振动信号识别方法的另一种示意图；
15.图8模型训练流程图；
16.图9不同切分方法对比。
具体实施方式
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，结合附图对本发明做进一步描述：
18.如图1所示，本发明的技术方案是：依据变压器负载电流和运行电压值划分变压器运行工况，使用加速度传感器获取正常运行中不同工况条件下的变压器表面振动信号；基于振动信号采样频率和变压器的振动基频确定描述变压器状态的振动信号最短长度；然后通过公式推导和实验来确定数据切分的滑动步长与最佳样本长度并提取振动信号特征。应用训练后的一维卷积神经网络完成变压器当前振动信号分类，当分类结果与当前实际工况不一致时，判定变压器振动异常。
19.1、时域数据切分方法
20.变压器的振动主要来源于铁心和绕组的振动且具有固定频率，实测的运行变压器表面振动信号幅值也呈现出周期性变换，可将变压器表面的振动信号近似视为平稳信号。当变压器出现铁心或绕组故障时，仅振动信号基频幅值发生变化，振动周期不会发生变化。振动数据切分示意图如图2所示。
21.假设变压器表面的振动周期t0不变，一个周期内的采样点数为可描述变压器状态的最小长度，其长度l
min
的计算公式为：
22.l
min
＝t0·
fs
ꢀꢀ
(1)
23.图1中w为滑动步长，n
min
为切分后的样本长度。为保证样本充分切割应满足关系式：
24.w≤l
min
≤n
min
ꢀꢀ
(2)
25.w≤l
min
，表示窗口为有重叠移动，可避免造成样本浪费，保证生成足够的样本数量。l
min
≤n
min
，表示实验样本至少包含变压器一个振动周期的点数，保证切分的样本包含足够的振动信息。
26.在数据切分时，根据每个样本中包含变压器振动周期长度的初始相位不同来定义不同的数据类型。每个样本的相位差为：
[0027][0028]
可计算出经过ns个不同相位的样本后，则第1个样本与第ns+1个样本的初始相位相同，则原始信号经时域切分后会生成ns个不同类型的数据。可计算出ns为：
[0029][0030]
式(3)中，ns取整数。
[0031]
将式(3)带入式(4)中，可得：
[0032]
[0033]
综合上述公式可得：
[0034][0035]
综上所述，本专利所提出的变压器时域振动信号切分方法步骤为：
[0036]
1)已知振动加速度传感器的采样频率为fshz、变压器振动周期t0，由式(1)计算可描述变压器状态的最小长度为l
min
。
[0037]
2)通过滑动窗口的形式进行数据采集，滑动步长w、l
min
和实验样本长度n
min
三者需满足式(2)：w≤l
min
≤n
min
。
[0038]
3)通过式(6)计算实验样本的滑动步长w，完成数据切分。
[0039]
2、改进一维卷积神经网络
[0040]
本发明实现的改进一维卷积神经网络是在经典lenet-5网络基础之上进行改进得到，其结构如图3所示。
[0041]
卷积层使用不同的卷积核对输入按步长沿序列前进方向进行卷积运算，然后通过一个激活函数，可得到相应的特征图。因卷积核的权值参数共享机制，每个卷积核对应一个特征图，卷积核数为输出特征图深度。卷积运算公式如式(7)所示。
[0042][0043]
式(7)中，为第l-1层第i个通道的输出；cl-1为l-1层第c个通道；y
l
为第l层的输出；为第l层卷积核权重矩阵；为偏置项；*为卷积运算。
[0044]
激活函数的作用是向神经网络中引入非线性因素，以增强网络的非线性表达能力。常用的饱和激活函数有sigmoid、tanh和relu。三种激活函数的曲线图如图4所示。三种激活函数的数学表达式为：
[0045][0046][0047]al(i,j)
＝relu(x
l(i,j)
)＝max(0,x
l(i,j)
)
ꢀꢀ
(10)
[0048]
式(8)-式(10)中，x
l(i,j)
为第l卷积层中第i个特征图第j个特征值；a
l(i,j)
为x
(i,j)
的激活值；a为非线性比例。
[0049]
由图4可见，sigmoid和tanh函数在趋近于0和1时导数近于0，神经网络在反向传播时会出现梯度消失现象。relu函数将小于0的特征值置零，可加快模型的收敛速度，本专利所用的激活函数为relu函数。
[0050]
池化层的作用是压缩特征维度以减少网络运算的参数量，同时，降低发生过拟合的可能性。本专利采取全局平均池化，计算过程如图5所示。
[0051]
在神经网络训练过程中，在训练样本过少的情况下，模型在训练过程中易出现过拟合现象。为解决该问题，专利模型中引入批量归一化层(batch normalization,bn)和dropout来提高其泛化能力。bn层将上层输出进行标准化处理，常放置于卷积层和激活函数之间。dropout操作会在训练过程中，按照设定概率随机丢掉一部分神经元，该部分神经元
仅保留权重信息。通过多批次的迭代来提高网络的鲁棒性。图6为dropout操作示意图，其中蓝色带
“×”
部分为丢掉神经元。
[0052]
全连接层的作用是将前几层提取的特征展开成一维向量，进一步提取特征，最后接入softmax分类器，完成分类任务。
[0053]
本专利设计的一维卷积神经网络模型由输入层、卷积层i、池化层i、卷积层ⅱ、池化层ⅱ、卷积层ⅲ、池化层ⅲ和两层全连接层组成，网络中引入bn层与dropout操作，相比经典cnn的改进如下：
[0054]
1)输入层为经时域切分的一维原始数据，为适应一维振动时序数列特性，网络中的卷积核和池化核均采用一维结构；
[0055]
2)卷积层i为增大感受视野范围，采用较大尺寸的卷积核。大卷积核更有利于抑制高频噪声；
[0056]
3)卷积层后，通过bn层与dropout操作来增强模型泛化能力。
[0057]
参见图7，应用本发明的具体步骤为：
[0058]
步骤1：使用加速度传感器获取变压器表面振动信号；
[0059]
将振动加速度传感器放置到预定的电力变压器表面振动测点，振动加速度传感器的采样率设定fs＝10khz，每次采样时间长度为0.5-1.0秒，采样间隔为5-10分钟，每次采样的同时记录负载电流与电压大小。
[0060]
步骤2：依据变压器负载电流和运行电压大小进行运行工况区间划分，方法如下：
[0061]
1)根据变压器额定负载电流in和额定电压un划分变压器运行工况。根据负载电流划分为(0-60％in]、(60％in-95％in]、(95％in-105％in]、(105％in-130％in]四个区间，根据电压划分为(90％un-98％un]、(98％un-102％un]、(102％un-120％un)三个区间。基于变压器实际负载电流和电压两种因素，根据前述区间划分方法，将变压器运行工况划分为12种，工况划分如表1所示：
[0062]
表1工况划分表
[0063][0064]
2)根据上述变压器运行工况划分方法，应用振动信号样本构造基于工况划分的训练数据集。
[0065]
步骤3：对每类变压器状态进行时域数据切分，其中，数据切分预处理如下：
[0066]
1)振动加速度传感器的采样频率为fshz、变压器振动基频(工频的2倍)周期为t0，由式(1)计算可描述变压器状态的最短长度：
[0067]
l
min
＝t0·
fs
ꢀꢀ
(1)
[0068]
采样频率fs为10khz，我国电压工频为50hz，现研究结论表明，变压器表面振动基频为工频的两倍，按照公式(1)可计算得到可描述变压器状态的最小长度l
min
＝200。
[0069]
2)通过滑动窗口的形式进行变压器表面振动信号切分，滑动步长w、l
min
和样本长度n
min
三者需满足式(2)：
[0070]
w≤l
min
≤n
min
ꢀꢀ
(2)
[0071]
样本长度需满足式(2)：w≤l
min
≤n
min
，即步长w应小于等于200，样本长度应大于等于200。实验分析表明，最小样本长度应至少包含2～3个l
min
，本专利设置样本长度为600。
[0072]
3)通过式(3)计算样本的滑动步长，完成变压器表面振动信号切分，得到获取振动信号样本。式(3)中为不同样本个数由式(4)计算。
[0073][0074][0075]
通过式(3)和式(4)计算实验样本的滑动步长，完成数据切分。实验分析表明，当ns≤2时，卷积神经网络的特征提取能力显著增强，对比结果如图9所示，按照本专利方法对变压器振动信号进行切分，可得到最佳的样本长度与样本的切分间隔。
[0076]
需要注意的是，步骤2和步骤3之间的先后顺序可以互换，也可以是先进行切分，再进行工况划分；也可以是先进行工况划分，再进行切分。
[0077]
步骤4：建立改进一维卷积神经网络模型，模型训练流程图如图8所示。训练数据与测试数据按照4：1的比例划分，本专利构建的一维卷积神经网络模型的输入为切分后的变压器振动信号，输出为变压器运行工况状态。一维卷积神经网络模型通过卷积层与池化层的交替完成状态特征的自动提取。以softmax函数的输出概率与状态类别的差异性作为损失函数，最后，通过反向传播更新网络参数直至损失值达到要求并保存模型。
[0078]
网络超参数设置为：batch＝16，epoch＝30，α＝0.001。网络模型的参数满足表1，池化层为全局平均池化层，激活函数为relu函数，模型中引入批量归一化层(batch normalization,bn)和dropout。
[0079]
表1
[0080][0081]
步骤5：最后应用训练好的一维卷积神经网络异常检测模型进行变压器振动异常
检测，判断变压器的运行状态。按照模型输入要求对数据进行预处理。
[0082]
具体包括：
[0083]
1)将在线监测的变压器状态分为正常和异常，根据异常程度由低到高依次划分为注意、告警和故障三种；
[0084]
2)将振动加速度传感器获取监测变压器表面振动信号，得到监测振动信号样本，根据采集时刻的负载电流和运行电压确定其所属实际工况类型；
[0085]
3)应用一维卷积神经网络异常检测模型对监测振动信号样本进行分类，依据分类的结果和实际工况类型的异同，判断变压器当前状态，具体判断规则如下：
[0086]
根据采集的电压和电流值可推算出当前所属的工况类型，若与模型的检测结果一致则正常，若不一致，即模型的检测结果出现错误则认为当前为异常工况，具体包括：
[0087]
(1)在1小时内，每次采集监测振动信号样本间隔不低于15分钟，一维卷积神经网络异常检测模型分类结果与当前实际工况不一致情况出现2次及以上时，判定当前变压器运行状态为注意；
[0088]
(2)在3小时内，每次采集监测振动信号样本间隔不低于30分钟，一维卷积神经网络异常检测模型分类结果与当前实际工况不一致情况出现4次及以上时，判定当前变压器运行状态为告警；
[0089]
(3)当6小时内，每次采集监测振动信号样本间隔不低于45分钟，一维卷积神经网络异常检测模型分类结果与当前实际工况不一致情况出现5次及以上时，判定当前变压器运行状态为故障；
[0090]
(4)若同时满足上述2条或全部满足，判定当前运行状态为异常程度最高状态；
[0091]
(5)不满足上述(1)、(2)和(3)中任意一条时，判定当前变压器运行状态为正常。
[0092]
本发明公开了一种基于时域数据切分的变压器振动异常检测方法。包括：时域数据的切分预处理，在预处理后提取包含2～3个振动周期样本的特征，通过改进的一维卷积神经网络进行变压器振动异常检测。本发明给出变压器振动异常检测方法，可提升变压器振动信号的识别效果，有效监控变压器的工作状态，提升工作安全性。
[0093]
本说明书中各个部分采用递进的方式描述，每个部分重点说明的都是与其他部分的不同之处，各个部分之间相同相似部分互相参见即可。
[0094]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本技术中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本技术所示的实施例，而是要符合与本技术所公开的原理和新颖特点相一致的最宽的范围。