本发明涉及信号提取方法，尤其涉及一种有载调压变压器用分接开关切换过程中振动信号的提取方法。
背景技术：
有载变压器是电力系统中最重要的设备之一，其运行稳定性对电力系统安全影响极大。有载分接开关是有载变压器的唯一可动部件，可在负载条件下通过改变电压变比实现不间断的电压调节，起着补偿电压波动、调节功率、提高系统性能及改善电能质量等的重要作用。但是，随着分接开关调压次数的增多，其故障率也随之增加。有载分接开关的故障主要包括电气故障和机械故障，且机械故障为主要故障类型，约占有载分接开关总故障的90％以上。此外，部分电气故障也是由机械故障引起的。因此，如何有效检测出有载分接开关的机械状态或故障隐患，进而采取有效的运维措施就显得十分重要，这是保障变压器及有载分接开关安全运行的重要手段。
有载分接开关在换挡操作过程中，动静触头等机构零部件之间的碰撞或摩擦会引起机械振动，不同振动事件产生的机械振动信号在时域上形成一个振动信号的时间序列，而振动信号中包含了大量的分接开关机械状态信息，因此，基于振动分析法的有载分接开关机械状态检测日益引起了国内外研究人员的关注。该方法的最大优点是可以通过放置在变压器油箱上的振动传感器来获取分接开关切换过程中的振动信号。只要分接开关切换过程中的机械特性发生变化，都可以从振动信号中得到反映，从而大大提高检测灵敏度。同时，将振动传感器置于变压器箱壁上的振动检测手段安全便捷，便于实现在线监测，提高变压器有载分接开关的运行可靠性。
对运行中的有载调压变压器来说，其本体振动包括绕组振动和铁芯振动。相应地，经放置于变压器油箱壁处的振动传感器采集到的分接开关切换过程中的振动信号包含有绕组振动信号和铁芯振动信号。因此，在应用分接开关切换过程中的振动信号检测其机械状态时，需要准确获取分接开关切换过程中的振动信号，从而提高有载分接开关机械状态检测的准确性。中国专利cn106092309a公开了一种电力变压器有载分接开关及本体振动信号的分析提取方法，其提出根据变压器有载分接开关及本体振动信号的频谱特性辅以滤波方法对电力变压器有载分接开关及本体的振动信号进行提取。但是，有载分接开关的振动信号与变压器本体振动信号频谱分量有重叠现象，因此，该方法的准确性有限。中国专利cn104215324a公开了一种电力变压器有载分接开关振动信号提取方法，其提出基于ica经典算法的变压器本体和分接开关振动信号提取方法。但是，该方法要求变压器本体振动信号与有载分接开关振动信号独立，对变压器本体和分接开关振动信号这类具有非线性特征的信号进行分离，存在局限性。
技术实现要素：
本发明是为避免上述现有技术所存在的不足，提供一种有载调压变压器用分接开关振动信号的提取方法，通过在线监测变压器本体及有载分接开关切换过程中的混合振动信号，应用广义自回归神经网络对变压器本体振动信号进行预测，进而根据变压器本体振动信号与混合振动信号的频谱分量的差异，实现有载分接开关切换过程中振动信号的准确提取，为基于振动信号的有载分接开关机械状态检测提供重要前提，确保有载分接开关及变压器的安全可靠运行。
本发明为解决技术问题采用如下技术方案：
本发明有载调压变压器用分接开关振动信号提取方法的特点是：将某一时间段内的有载变压器本体振动信号作为输入向量输入变压器本体振动信号预测模型，获得所述变压器本体振动信号预测模型的输出，以其输出作为在有载调压变压器分接开关切换过程中的变压器本体振动信号预测结果，分别对所述变压器本体振动信号预测结果和实测获得的由变压器本体振动信号与分接开关切换过程中的振动信号组成的混合振动信号进行频谱分析，在混合振动信号的频谱分布中减去变压器本体振动信号预测结果的频谱分量获得频域信号，进而对所述频域信号进行傅里叶反变换，将通过傅里叶反变换获得的时域信号记为有载变压器分接开关切换过程中的振动信号。
本发明有载调压变压器用分接开关振动信号提取方法的特点是按如下步骤进行：
步骤1、采集获得有载调压变压器分接开关切换时油箱表面的一段振动信号x(t)，所述振动信号x(t)为包括有载分接开关切换过程中的振动信号和变压器本体振动信号的混合振动信号；
步骤2、根据振动信号x(t)的网格数n(δ)选取变压器本体振动信号x1(t)
所述网格数n(δ)是指：在时间段[tk-δt,tk]内，以δ为边长的正方形网格覆盖所述振动信号x(t)所需要的网格数量；若网格数n(δ)大于阈值，记录对应的时刻为td，则取振动信号x(t)从起始时刻至td-δt处的振动信号作为变压器本体振动信号x1(t)；并记振动信号x(t)中从td-δt处至末端处的振动信号为x2(t)；
步骤3、基于广义自回归神经网络建立变压器本体振动信号x1(t)的预测模型如式(1)：
并有：
n0为广义自回归神经网络中神经元的数目；yi是第i个神经元对应的输出量；
x为变压器本体振动信号预测模型输入量；xi是变压器本体振动信号的学习样本；
y为变压器本体振动信号预测模型输出量；σ是光滑因子，σ取值为0.1-0.3；
按如下方式选取变压器本体振动信号预测模型输入量x和变压器本体振动信号预测模型输出量y：
从变压器本体振动信号x1(t)起始时刻至td-δt处，将第1个至31个采样点数据划分为第1组向量，第2个至第32个采样点数据划分为第2组向量，第3个至第33个采样点的数据划分为第3组向量，以此类推；以每组向量的前30个数据作为输入量，最后一个数据作为输出量，构成学习样本；
步骤4、在所述变压器本体振动信号x1(t)中，从td-δt处朝向起始时刻一侧往前选取1000个采样点数据作为变压器本体振动信号预测模型的输入并按式(1)计算获得变压器本体振动信号预测模型的输出，即为变压器本体预测振动信号x1'(t)；
步骤5、分别对变压器本体预测振动信号x1'(t)和振动信号x2(t)进行傅里叶变换，获得变压器本体预测振动信号x1'(t)和振动信号x2(t)的频谱分量；
步骤6、将振动信号x2(t)的频谱分量与变压器本体预测振动信号x1'(t)的频谱分量相减获得频域信号，对所述频域信号进行傅里叶反变换，将经过傅里叶反变换所获得的时域信号记为有载变压器分接开关切换过程中的振动信号。
本实施例中有载调压变压器用分接开关振动信号提取方法的特点也在于：
所述网格数n(δ)为：
式中，δ＝δt/p，p是所选取的一段振动信号的数据点数。
与已有技术相比，本发明有益效果体现在：
本发明方法是通过放置在变压器箱壁上的振动传感器对有载调压变压器分接开关切换过程中的振动信号进行监测，提取得到有载分接开关切换过程中的振动信号，从而根据振动信号准确、高效地判断有载分接开关的机械状态，以便于能够及时发现问题，对有载分接开关的隐患进行及时检修，提高有载分接开关及变压器的可靠性。
附图说明
图1为本发明方法流程示意图；
图2为本发明方法中实际测得的有载调压变压器用有载分接开关切换过程中变压器油箱处的振动信号；
图3为本发明方法中采用的广义自回归神经网络的结构示意图；
图4a为本发明方法提取得到的分接开关振动信号；
图4b为分接开关不带电时的振动信号。
具体实施方式
参见图1，本实施例中有载调压变压器用分接开关振动信号提取方法是：将某一时间段内的有载变压器本体振动信号作为输入向量输入变压器本体振动信号预测模型，获得所述变压器本体振动信号预测模型的输出，以其输出作为在有载调压变压器分接开关切换过程中的变压器本体振动信号预测结果，分别对所述变压器本体振动信号预测结果和实测获得的由变压器本体振动信号与分接开关切换过程中的振动信号组成的混合振动信号进行频谱分析，在混合振动信号的频谱分布中减去变压器本体振动信号预测结果的频谱分量获得频域信号，进而对所述频域信号进行傅里叶反变换，将通过傅里叶反变换获得的时域信号记为有载变压器分接开关切换过程中的振动信号。
图1所示，本实施例有载调压变压器用分接开关振动信号提取方法按如下步骤进行：
步骤1、采集获得有载调压变压器分接开关切换时油箱表面的一段振动信号x(t)，振动信号x(t)为包括有载分接开关切换过程中的振动信号和变压器本体振动信号的混合振动信号，如图2所示。
步骤2、根据振动信号x(t)的网格数n(δ)选取变压器本体振动信号x1(t)
网格数n(δ)是指：在时间段[tk-δt,tk]内，以δ为边长的正方形网格覆盖所述振动信号x(t)所需要的网格数量；若网格数n(δ)大于阈值，记录对应的时刻为td，则取振动信号x(t)从起始时刻至td-δt处的振动信号作为变压器本体振动信号x1(t)；并记振动信号x(t)中从td-δt处至末端处的振动信号为x2(t)；
网格数n(δ)为：
式中，δ＝δt/p，p是所选取的一段振动信号的数据点数，网格数n(δ)的阈值可以设置为1.82。
步骤3、基于广义自回归神经网络建立变压器本体振动信号x1(t)的预测模型如式(1)：
并有：
n0为广义自回归神经网络中神经元的数目；yi是第i个神经元对应的输出量；
x为变压器本体振动信号预测模型输入量；xi是变压器本体振动信号的学习样本；
y为变压器本体振动信号预测模型输出量；
σ是光滑因子，σ取值为0.1-0.3，可以取值为0.21；
按如下方式选取变压器本体振动信号预测模型输入量x和变压器本体振动信号预测模型输出量y：
从变压器本体振动信号x1(t)起始时刻至td-δt处，将第1个至31个采样点数据划分为第1组向量，第2个至第32个采样点数据划分为第2组向量，第3个至第33个采样点的数据划分为第3组向量，以此类推；以每组向量的前30个数据作为输入量，最后一个数据作为输出量，构成学习样本。
本实施例中广义自回归神经网络的结构如图3所示，由输入层、模式层、求和层和输出层四层构成。输入层是由神经元的输入构成，对应神经网络的输入量x，模式层由多个神经元构成，模式层的神经元数目等于学习样本向量的数目n0，各神经元各自对应不同的学习样本向量。
步骤4、在变压器本体振动信号x1(t)中，从td-δt处朝向起始时刻一侧往前选取1000个采样点数据作为变压器本体振动信号预测模型的输入并按式(1)计算获得变压器本体振动信号预测模型的输出，即为变压器本体预测振动信号x1'(t)。
步骤5、分别对变压器本体预测振动信号x1'(t)和振动信号x2(t)进行傅里叶变换，获得变压器本体预测振动信号x1'(t)和振动信号x2(t)的频谱分量。
步骤6、将振动信号x2(t)的频谱分量与变压器本体预测振动信号x1'(t)的频谱分量相减获得频域信号，对所述频域信号进行傅里叶反变换，将经过傅里叶反变换所获得的时域信号记为有载变压器分接开关切换过程中的振动信号。
图4a示出了按照本发明方法得到的有载调压分接开关切换过程中的振动信号，由图可见，分接开关切换过程中的振动信号较好地反映了其动作过程中的触头动作情况，切换时间介于50ms-60ms之间，与分接开关的动作时间相近。图4b给出了分接开关在有载调压变压器不带电情况下切换过程中的振动信号。这两条曲线的最大相对误差最大值为5.12％，验证了本发明方法的有效性。