一种基于核函数极限学习机的励磁涌流和故障电流识别方法与流程

本发明涉及一种基于核函数极限学习机的励磁涌流和故障电流识别方法，属于智能变电站设备诊断技术领域。

背景技术：

随着我国电网容量的不断扩大，大容量的电力变压器越来越多的投入到电力系统运行中，一旦其发生故障，会给工、农业以及人们的生活带来严重的不利影响，也会造成大量的经济损失。因此，为了整个电网能够更加安全稳定运行，电力变压器的保护问题已经引起了相关电力系统部门的高度重视。

目前，电力变压器保护的一个主要难题仍是如何正确识别励磁涌流和故障电流。常用的方法大多基于涌流的波形特征，如：相对于内部故障电流，涌流二次谐波含量较大、波形中出现间断角以及涌流波形前后半周波形明显不对称等。但这些方法在实际应用中，都或多或少存在一些难以解决的缺陷，如：现代变压器铁心广泛采用高导磁冷轧晶粒硅钢材料，饱和点低且剩磁较大，使得涌流中某一相或两相电力的二次谐波分量很小；间断角的测量对采样率以及CPU的运行性能要求较高，而且由于变压器铁芯的非线性因素影响，间断角恢复也较为困难；利用波形相关性原理区分涌流和故障电流时，区分它们之间的对称系数或者波形相关系数整定比较困难。近几年，国内外研究学者把新的数学工具(人工神经网络、专家系统和小波分析等)应用到变压器保护中，取得了一定的成效。

常用方法有利用小波变换对差动电流预处理，提取能量谱作为神经网络特征输入量，训练后的网络能够正确区分励磁涌流和故障电流，但小波变换中小波基和分解尺度的选择还无统一遵循的原则，且小波分解存在能量泄漏；后来又提出了自适应小波神经网络励磁涌流识别方法，经测试，该方法识别率较高，但对训练样本数量要求较高，当实际样本数量有限时，该方法准确度将受到限制。

技术实现要素：

本发明的目的在于克服现有技术中的不足，提供了一种基于核函数极限学习机的励磁涌流和故障电流识别方法，收敛速度快，泛化性能稳定及预测准确性高，能够实现分相制动的励磁涌流和故障电流识别方法，解决了现有技术中故障诊断方法收敛速度慢、预测准确率低的技术问题。

为解决上述技术问题，本发明提供了一种基于核函数极限学习机的励磁涌流和故障电流识别方法，其特征是，包括以下步骤：

步骤一，采集变压器高、低压侧电流，各相的高、低压侧电流作差得到各相的差动电流；

步骤二，对各相差动电流分别进行经验模态分解，得到对应各相的IMF序列；

步骤三，将各相的IMF分量分别构成轨迹矩阵，对轨迹矩阵进行奇异值分解得到对应各相的奇异值，基于信息熵得到对应各相的奇异谱熵；

步骤四，采集变压器故障工况的电流数据，将电流数据分为训练样本集和测试样本集；

步骤五，以各相的奇异谱熵为输入量，以电流类型为输出量，建立各相的核函数极限学习机，并利用训练样本集对核函数极限学习机进行学习训练；

步骤六，利用测试样本集对训练后的核函数极限学习机进行测试和评价。

进一步的，在步骤三中，设第k个IMF分量C_k＝{c_k(t),t＝1,2,…,N}，N代表分析信号的长度，将C_k加窗，长度为M，通常M不超过N的2/3，得到c_k(1),c_k(2),…,c_k(M)，然后右移1步，得到c_k(2),c_k(3),…,c_k(M+1)，依次类推，该IMF序列被分为(N-M+1)个窗口，以此构造轨迹矩阵A_k

然后对轨迹矩阵A_k进行奇异值分解得到奇异值(m＝1,2,…,m₀)(m₀＝min(N-M+1,M))，各奇异值构成了奇异值谱，根据信息熵理论，定义其奇异谱熵为

式中：表示第m个奇异值在整个奇异值谱的比重。

进一步的，在步骤四中，变压器故障工况包括变压器空载合闸，单相接地故障，两相接地故障，三相短路，匝间短路和带匝间短路空载合闸；以变压器空载合闸、单相接地故障、两相接地故障、三相短路和匝间短路的电流数据作为训练样本集；以带匝间短路空载合闸的电流数据作为测试样本集。

进一步的，核函数极限学习机的输出值为电流类型，其中电流类型包括励磁涌流和故障电流；其中输出值为1代表励磁涌流，输出值为2代表故障电流。

进一步的，核函数极限学习机中参数γ和参数C采用粒子群算法进行优选，以核函数极 限学习机训练的平均准确率作为适应度评价函数。

与现有技术相比，本发明所达到的有益效果是：本发明基于经验模态分解，以原差动电流信号为对象，提取出信号中固有模态函数，然后奇异谱熵专注于挖掘信号本质特征，不受信号幅值大小的影响，具有一定的抗噪声干扰能力，有效提取励磁涌流和故障电流特征。最后，利用核函数极限学习机具有结构简单、训练时间短、泛化性能稳定等优点对励磁涌流和故障电流进行识别。经验证，该方法能够对励磁涌流和内部故障电流快速正确区分，经验模态分解和奇异值分解能够不受互感器饱和的影响提取特征值，同时核函数极限学习机也能够实现分相制动，避免了当最大空载合闸于内部故障时，最大相差动保护会因无故障相的涌流制动而延时动作的影响。

附图说明

图1是本发明方法的流程图。

图2是本发明实施例中接线示意图。

图3是本发明实施例中变压器不同工况下差动电流波形。

图4是本发明实施例中互感器饱和A相差动电流波形。

图5是本发明实施例中核函数极限学习机输出结果图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的一种基于核函数极限学习机的励磁涌流和故障电流识别方法，包括以下步骤：

步骤一，采集变压器高、低压侧电流，各相的高、低压侧电流分别作差得到各相的差动电流。

差动电流为某一相高压侧的电流减去低压侧的电流，变压器的各相差动电流计算过程为，先采集变压器高、低压侧电流互感器变换得到的各相电流，各相的高低压侧电流分别作差得到对应各相的差动电流。其中，互感器变比，电流相位已经调整，变压器在正常运行状态下，差动电流为零。

步骤二，对各相差动电流分别进行经验模态分解，得到对应各相的IMF序列；

经验模态分解(EMD)是一种自适应的时频分析方法，以原信号为对象，自动生成基函数，作为滤波器，提取出信号中固有模态函数。和背景技术中的小波变换相比，小波变换中小波基和分解尺度的选择还无统一遵循的原则，且小波分解存在能量泄漏。因此，采用EMD分 解而不用小波变换。

差动电流信号s(t)经经验模态分解得到各阶固有模态函数(IMF)和一个剩余分量，具体如下:

式中：s(t)表示原差动电流信号；c_k(t)表示第k个本征模态函数；r_n(t)表示剩余分量，IMF序列分别包含了信号从高到低不同频率段的成分。

步骤三，将各相的IMF分量分别构成轨迹矩阵，对轨迹矩阵进行奇异值分解得到对应各相的奇异值，基于信息熵得到对应各相的奇异谱熵；

设第k个IMF分量C_k＝{c_k(t),t＝1,2,…,N}，此处N代表分析信号的长度，将C_k加窗，长度为M，通常M不超过N的2/3，得到c_k(1),c_k(2),…,c_k(M)，然后右移1步，得到c_k(2),c_k(3),…,c_k(M+1)，依次类推，该IMF序列被分为(N-M+1)个窗口，以此构造轨迹矩阵A_k

然后对轨迹矩阵A_k进行奇异值分解得到奇异值(m＝1,2,…,m₀)(m₀＝min(N-M+1,M))。各奇异值构成了奇异值谱。根据信息熵理论，定义其奇异谱熵为

式中：表示第m个奇异值在整个奇异值谱的比重。

步骤四，采集变压器故障工况的电流数据，将电流数据分为训练样本集和测试样本集；

通过动模试验或者仿真试验对变压器故障工况进行模拟，故障工况包括变压器空载合闸，单相接地故障，两相接地故障，三相短路，匝间短路和带匝间短路空载合闸；以变压器空载合闸、单相接地故障、两相接地故障、三相短路和匝间短路的电流数据作为训练样本集；以带匝间短路空载合闸的电流数据作为测试样本集。

步骤五，以各相的奇异谱熵为输入量，以电流类型为输出量，建立各相的核函数极限学习机，并利用训练样本集对核函数极限学习机进行学习训练；

每一相的核函数极限学习机以各相的奇异谱熵为输入量，以电流类型为输出量，其输出值为电流类型，其中输出值为1代表励磁涌流，输出值为2代表故障电流。

核函数极限学习机是在基本极限学习机基础上，引入核函数才得到的一种单层前馈神经 网络算法。其中，基本极限学习机模型表示参见现有技术，这里不再详述。

核函数极限学习机模型输出表达式为：

式中：ψ_ELM(i,j)＝exp(-γ||x_i-x_j||²)，ψ_ELM(i，j)为核函数，通常选择高斯核函数；Y为样本数。

其中，核函数中的参数γ与广义逆矩阵中的参数C，对网络训练速度和泛化能力影响较大，通常凭经验或多次尝试后才能确定。但这样费时费力，而且确定的参数也不一定是最优结果。

奇异谱熵专注于挖掘信号本质特征，不受信号幅值大小的影响，具有一定的抗噪声干扰能力，能够提取励磁涌流和故障电流各自特征。所以把奇异谱熵作为输入量，学习机才能够很好的对励磁涌流和故障电流进行区分。

进一步的，核函数极限学习机网络训练速度和预测性能受关键参数γ和参数C影响较大，采用现有技术中启发式粒子群算法对参数γ和参数C进行优选。本方法中利用粒子群算法对参数优选参见现有技术，本发明中适应度函数以均分训练样本所得多个模型的平均准确率作为适应度评价函数，为核函数极限学习参数优选提供评价标准。

各相都建立有核函数极限学习机，能够对各相的电流类型进行识别，实现分相制动，避免了当最大空载合闸于内部故障时，最大相差动保护(“或”门差动保护)会因无故障相的涌流制动而延时动作的影响。

步骤六，利用测试样本集对训练后的核函数极限学习机进行测试和评价。

这里测试就是指学习机对励磁涌流和故障电流识别的能力，评价就是学习机能够对励磁涌流和故障电流正确识别的能力。识别的准确率越高，则此核函数极限学习机的性能越好。

本发明基于经验模态分解，以原差动电流信号为对象，提取出信号中固有模态函数，然后奇异谱熵专注于挖掘信号本质特征，不受信号幅值大小的影响，具有一定的抗噪声干扰能力，有效提取励磁涌流和故障电流特征。最后，利用核函数极限学习机具有结构简单、训练时间短、泛化性能稳定等优点对励磁涌流和故障电流进行识别。经验证，该方法能够对励磁涌流和内部故障电流快速正确区分，经验模态分解和奇异值分解能够不受互感器饱和的影响提取特征值，同时核函数极限学习机也能够实现分相制动，避免了当最大空载合闸于内部故障时，最大相差动保护(“或”门差动保护)会因无故障相的涌流制动而延时动作的影响。

实施例

为了验证本发明方法的效果和可靠性，特进行以下实例验证。在EMTDC电磁暂态仿真试验平台进行试验模拟。试验模拟变压器为三单相变压器组，高低压侧为Y/D联接。单相变压器具体参数如下:额定容量10500kVA；低压侧额定电压10.5kV；低压侧额定电流1000A；高压侧额定电压110kV；高压侧额定电流95.45A；空载电流为0.14％；空载损耗为6.8kW；短路损耗为7.73kW；短路电压为10.02％。试验工况：空载合闸、单相接地故障(A相32％匝处短路)、两相接地短路故障(A、B相32％匝处短路)、三相短路(A、B和C相32％匝处短路)、匝间短路(A相8％匝处发生短路)以及带匝间短路空载合闸。仿真空载合闸时考虑初始合闸角和变压器剩磁的影响。以A相为参考相，合闸初相角在0°～360°间变化，剩磁在0％～60％额定工作磁密间变化。试验信号采样频率为5000Hz，采样时间0.1s，分析数据长度0.06s，试验系统接线图如图2所示，在试验系统中三相变压器的接线模拟为现有技术，在此不再赘述。图3为不同工况下的差动电流信号，图3中(a)为空载合闸工况下A、B、C三相的差动电流信号波形图，图3中(b)为单相接地故障下A、B、C三相的差动电流信号波形图，图3中(c)为两相接地故障下A、B、C三相的差动电流信号波形图，图3中(d)为三相短路工况下A、B、C三相的差动电流信号波形图，图3中(e)为匝间短路工况下A、B、C三相的差动电流信号波形图,图3中(f)为带匝间短路工况下A、B、C三相的差动电流信号波形图。采用本发明中方法为各相电流建立核函数极限学习机以对电流类型进行识别，这里以A相为例(B、C两相学习机训练和测试过程与A相相同)，首先利用经验模态分解对A相差动电流信号提取特征建立轨迹矩阵，在经验模态分解过程中，分析信号的长度为N＝0.06x5000＝300，通常M不超过N的2/3，此处M为100，对轨迹矩阵进行奇异值分解得到奇异谱熵，并将奇异谱熵作为输入量建立A相的核函数极限学习机。部分样本特征向量值如下表1所示。

表1：特征向量

然后一共搜集了240组样本数据，其中，180组作为训练样本(空载合闸60组，单相短路、两相短路、三相短路和匝间短路各30组)，60组作为测试样本(带匝间短路空载合闸中涌流30组，故障电流30组)。其中训练样本和测试样本中各包含2组由于互感器饱和导致的饱和性非对称励磁涌流，波形如图4所示。最终测试结果如图5所示。从图5中可以看出，60个测试样本，仅有一个励磁涌流样本错误分类，分类准确率达到了98.3333％。为进一步缩短保护的响应时间，提高输出响应速度，数据窗长度缩短为一个工频周期，分类准确率可达到100％，验证了本发明所提方法具有较高的准确性，能够对励磁涌流和故障电流正确识别。

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。