一种有载分接开关在线监测故障诊断方法与流程

本发明涉及一种有载分接开关在线监测故障诊断方法，尤其是一种基于相空间与改进k均值聚类的有载分接开关在线监测故障诊断方法，属于电力变压器的状态监测与故障诊断领域。
背景技术：
：有载分接开关是有载调压变压器的关键组成部分，在电力系统中发挥着稳定负荷电压中心、调节无功潮流和增加电网灵活性的作用。依靠有载分接开关准确及时的动作，不仅可以减少和避免电压的大幅度波动，而且可以强制分配负荷潮流，挖掘设备无功和有功出力，保证电力系统安全可靠运行，增加电网的灵活性。有载分接开关的制造质量和运行、检修技术水平直接关系到有载调压变压器的运行安全。有载分接开关(oltc)由选择器、切换开关和电动机组成，其性能包括电气性能和机械性能两个方面。电气性能主要指接触头接触电阻，当触头接触电阻增大时，会引起触头过热，甚至烧毁。机械性能是指oltc操作过程中选择开关和切换开关等部件的动作顺序和时间配合，以及切换过程中是否存在卡涩和触头切换不到位等。由于机械振动容易受各种随机因素的影响，往往表现为一定的混沌特性，实际工程中很多非线性系统的振动，都采用混沌理论解释。本发明从混沌动力学的角度去观察oltc的机械振动模式变化，并研究能反应oltc操作时不同振动模式变化的动力学特征参数，为实现oltc机械状态的在线监测与故障诊断提供依据。通过相空间重构和改进的k均值聚类的方法对分接开关故障进行监测和诊断，应用相空间重构方法和改进的k均值聚类的方法得出振动信号的相轨图几何特征，定量地描述出开关操作时不同振动模式相轨图几何特征的变化，从混沌动力学角度为机械状态监测与故障诊断提供一种新的判断方法。但是由于传统的k均值算法存在两个固有的缺点：(1)对于随机的初始值选取可能会导致不同的聚类结果，甚至存在着无解的情况；(2)该算法是基于梯度下降的算法，因此不可避免地常常陷入局部极优，这两大缺陷大大限制了它的应用范围，基于此缺陷本专利采用粒子群kmeans进行改进，并在有载分接开关当中应用。技术实现要素：一种有载分接开关在线监测故障诊断方法，尤其是一种基于相空间重构与改进k均值聚类的oltc在线监测故障诊断方法，该方法包括如下步骤：步骤1：输入有载分接开关(oltc)振动测量数据，计算延迟时间τ。其中，按设定的采样频率和采样时间整周期截取振动信号，采用混沌原理利用互信息延迟法计算延迟时间τ，还可以使用自关联函数法和平均位移法。步骤2：计算嵌入维数n。采用g-p算法计算嵌入维数n，依据g-p原理，当曲线的线性部分不再变化，就可以得出嵌入维数n，计算嵌入维数n还可以使用cao算法。步骤3：将相空间处理后得到的预处理数据，也就是步骤1和步骤2中得到的延迟时间τ和嵌入维数n，加入到pso算法中进行优化，设置初始聚类中心；具体的设置为：设置pso算法中粒子群的最大迭代数，种群规模，以及初始簇中心的个数。步骤4：利用随机初始化方法初始粒子群初始种群数；步骤5：计算初始每个粒子适应度，找出当前全局的最优解作为目标位置适应度，并找出当前全局最优解的位置作为目标位置；步骤6：将每个粒子的适应度和全局经历过的最好位置进行比较，若较好，则将其作为当前的最好的位置，对最好位置进行更换；步骤7：设n为迭代次数，如果达到最大迭代次数(max_iter)，结束输出最优解，得到全局最优目标，如果不是返回步骤4；步骤8：将步骤7中的全局最优目标，即粒子群优化得到的初始聚类中心，赋值给k均值聚类算法(kmeans)，kmeans对全局最优目标进行聚类；步骤9：利用kmeans得到的簇中心，得到四种工况下oltc振动信号的簇中心在相空间的位置；oltc四种工况包括：触头正常、触头脱落、触头松动、以及弹簧性能下降。步骤10：在获得四种工况簇中心三维坐标的基础上，计算簇中心矢量和的模与矢量夹角，从而识别故障。故障识别的依据为：根据簇中心矢量和的模(msccv)的值的大小，簇中心矢量夹角(accv)的值的大小，或者二者的联合，从而确定不同工况。该方法的有益效果在于：基于kmeans陷入局部最优的缺陷而言，本方法能更好的实现全局最优，并且能较好的识别不同工况下的oltc故障。附图说明图1为本方法流程图；图2为根据互信息法所得的延迟时间τ；图3为根据g-p算法所得的嵌入维数n；图4为四种工况下簇中心位置。具体实施方式以下将结合附图，对本发明的技术方案进行详细说明。本发明采用m型有载分接开关，传感器的类型为传统压电式传感器与电荷放大器集于一体的lc0151型传感器。切换过程中的触头在不同状态下的振动信号，信号采样频率为50khz，触头切换时间约为100ms，频率集中在20khz以内，采样取6873个点，切换时间集中在0～41ms，将lc0151型传感器安装在离振源比较近的地方，综合考虑安装在有载分接开关顶上，并通过数据采集卡将振动信号转化为数字信号存储在计算机上。测试时考虑oltc的工况为四种：触头正常、触头脱落、触头松动、以及弹簧性能下降。一种基于相空间重构与改进k均值聚类的oltc在线监测故障诊断方法，该方法流程图如图1所示，包括如下步骤：步骤1：输入oltc振动测量数据，计算延迟时间τ。其中，按设定的采样频率和采样时间整周期截取振动信号，采用混沌原理利用互信息延迟法计算延迟时间τ，如图2所示，还可以使用自关联函数法和平均位移法。步骤2：计算嵌入维数n。采用g-p算法计算嵌入维数n，如图3所示，依据g-p原理，当曲线的线性部分不再变化，就可以得出嵌入维数n，计算嵌入维数n还可以使用cao算法。步骤3：将相空间处理后得到的预处理数据，也就是步骤1和步骤2中得到的延迟时间τ和嵌入维数n，加入到pso算法中进行优化，设置初始聚类中心；具体的设置为：设置pso算法中粒子群的最大迭代数，种群规模，以及初始簇中心的个数。步骤4：利用随机初始化方法初始粒子群初始种群数；步骤5：计算初始每个粒子适应度，找出当前全局的最优解作为目标位置适应度，并找出当前全局最优解的位置作为目标位置；步骤6：将每个粒子的适应度和全局经历过的最好位置进行比较，若较好，则将其作为当前的最好的位置，对最好位置进行更换；步骤7：设n为迭代次数，如果达到最大迭代次数(max_iter)，结束输出最优解，得到全局最优目标，如果不是返回步骤4；步骤8：将步骤7中的全局最优目标，即粒子群优化得到的初始聚类中心，赋值给kmeans，k均值聚类算法对全局最优目标进行聚类；步骤9：利用kmeans得到的簇中心，得到四种工况下oltc振动信号的簇中心在相空间的位置，如图4所示；步骤10：在获得四种工况簇中心三维坐标的基础上，计算簇中心矢量和的模与矢量夹角，从而识别故障。故障识别的依据为：根据簇中心矢量和的模(msccv)的值的大小，簇中心矢量夹角(accv)的值的大小，或者二者的联合，从而确定不同工况。簇中心矢量和的模(modulesofthesumofclustercentervectors，msccv)和簇中心矢量夹角(theangleofclustercentervector，accv)的计算步骤如下：其中x,y,z分别代表了在直角坐标系中的位置，x,y,z的下角标1,2,3,4代表了同一个工况下四个簇中心点的直角坐标，a,b,c,d代表了同一工况下的四个簇中心点，用向量来表示，则：簇中心矢量和的模(msccv)计算公式如下：簇中心矢量的夹角(accv)计算公式如下：利用式(1)和式(2)求出四种工况下簇中心矢量和的模与矢量夹角，如下表1所示。从表1中可以看出四种工况条件下msccv发生了明显的变化。簇中心矢量和的模值的变化与振动幅值的大小有关，能对四种工况下的状态进行判断识别。其中触头正常时，msccv的值为最大，触头脱落次之，触头松动为最小，弹簧性能下降时，msccv值是触头脱落时msccv值的一半。accv触头状态部分的结论与msccv相同，但是弹簧性能下降时，accv的数值与触头脱落时的数值大致相同，因此需要与msccv联合进行判断。表1特征值表特征量工况触头正常触头松动触头脱落弹簧性能下降msccv7.830.722.821.255accv0.760.3750.480.47以上所述仅为本发明的一种实施案例，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。当前第1页12