本发明涉及故障诊断领域，特别提供了一种电力变压器故障诊断方法。
背景技术：
电力变压器在运行过程中的振动信号不可避免地受到来自散热风扇、油冷强迫循环泵等非同源多源噪声的干扰，并且故障振源也有不同相绕组、铁芯等多源故障信号复杂耦合卷积后经不同路径到达箱体表面传感器，形成最终传感器所获取的信号，emd等递解回归式分解理论在变压器非线性非平稳信号的使用效果并不理想，会引起模态混叠、过分解和端点效应特征，出现两类模态混叠和过分解现象，准确反映源信号特征，同时传统的专家经验系统难以对此类多源故障进行精确分类。
因此，研制一种新的电力变压器故障诊断方法，实现多元故障精确分类是十分必要的。
技术实现要素：
鉴于此，本发明的目的在于提供一种电力变压器故障诊断方法，以实现电力变压器绕组潜伏性故障的精确诊断。
本发明提供的技术方案是：一种电力变压器故障诊断方法，包括如下步骤：
s1：通过设置在变压器箱体的振动传感器获得其振动数据；
s2：对所述变压器振动数据进行变分模态分解拆分，获取k个互异的多阶固有模态映射成分u1(t)、u2(t)、u3(t)...uk(t)；
s3：通过公式(1)获取多阶固有模态映射成分的能量特征
集合一统处理，令
s4：初始化支持向量机的戒律参数c和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的c和σ，之后，利用优化后的c和σ成立ppso-svm多分类模型并对其训练；
s5：使用变分模态分解方法获取未知故障类型的振动特征数据的特征向量，并将其导入到步骤4中训练后的ppso-svm多分类模型进行故障多分类，得到导出结果，之后，根据所述导出结果定论变压器的故障。
优选，s4中，初始化支持向量机的戒律参数c和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的c和σ的具体步骤如下：
(1)利用已知变压器异常的样本集，确立训练样本和测试样本；
(2)利用帕瑞托粒子群算法初始化支持向量机的戒律参数c和径向根中心映射宽度σ，其中，起始戒律参数c和径向根中心映射宽度σ通过优先顺序法确定；
(3)导入计算方式的一个设定粒子群，粒子数为n，当前循环阶数k＝0，不超过最大循环阶数kmax，之后，将戒律参数c定义为粒子的定位变量x，以径向根中心映射宽度σ作为粒子的位移率大小变量v，原型化各个粒子，随机实体化定位集合和位移率集合，对每个寻优粒子设定不同的状态变量；
(4)根据适应度函数，评价每个粒子的适应度；
(5)根据帕瑞托解支配原则和个体聚集密度选择技术，更新粒子个体极值和全局极值，求解帕瑞托非劣解；
(6)若当前循环阶数k＜kmax，则停止循环，把帕瑞托线性最优非劣集作相似导出，若当前循环阶数k＞kmax，则k＝k+1，更新每个粒子的速度、位置后再从第(4)步开始重新进行一次循环；
(7)对所获取的帕瑞托最优非劣解通过模糊聚合分类调整，获得一个最后定论的非劣解；
(8)将非劣解对应的戒律参数c和径向根中心映射宽度σ作为优化后的c和σ。
本发明提供的电力变压器故障诊断方法，先运用变分模态分解能量法获取变压器振动信号的特征向量，针对支持向量机两个核心参数难以确定的问题，使用帕瑞托粒子群方法对支持向量机的两个参数进行多目标并行寻优，之后，使用帕瑞托粒子群优化参数后的支持向量机对已提取的特征向量进行智能故障多分类。
本发明提供的电力变压器故障诊断方法，有效避免了两类模态混叠和过分解现象，准确反映源信号特征，使用帕瑞托粒子群方法对支持向量机的两个核心参数进行多目标并行寻优获取最优参数，最终可实现对变压器绕组垫块脱落、绕组径向拉伸、绕组扭转三种故障的准确诊断。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释，但并不局限本发明。
本发明提供了一种电力变压器故障诊断方法，包括如下步骤：
s1：通过设置在变压器箱体的振动传感器获得其振动数据；
s2：对所述变压器振动数据进行变分模态分解拆分，获取k个互异的多阶固有模态映射成分u1(t)、u2(t)、u3(t)...uk(t)；
s3：通过公式(1)获取多阶固有模态映射成分的能量特征
集合一统处理，令
s4：初始化支持向量机的戒律参数c和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的c和σ，之后，利用优化后的c和σ成立ppso-svm多分类模型并对其训练；
其中，初始化支持向量机的戒律参数c和径向根中心映射宽度σ并运用帕瑞托粒子群方法对其进行寻优，得到优化后的c和σ的具体步骤如下：
(1)利用已知变压器异常的样本集，确立训练样本和测试样本；
(2)利用帕瑞托粒子群算法初始化支持向量机的戒律参数c和径向根中心映射宽度σ，其中，起始戒律参数c和径向根中心映射宽度σ通过优先顺序法确定；
(3)导入计算方式的一个设定粒子群，粒子数为n，当前循环阶数k＝0，不超过最大循环阶数kmax，之后，将戒律参数c定义为粒子的定位变量x，以径向根中心映射宽度σ作为粒子的位移率大小变量v，原型化各个粒子，随机实体化定位集合和位移率集合，对每个寻优粒子设定不同的状态变量；
(4)根据适应度函数，评价每个粒子的适应度；
(5)根据帕瑞托解支配原则和个体聚集密度选择技术，更新粒子个体极值和全局极值，求解帕瑞托非劣解；
(6)若当前循环阶数k＜kmax，则停止循环，把帕瑞托线性最优非劣集作相似导出，若当前循环阶数k＞kmax，则k＝k+1，更新每个粒子的速度、位置后再从第(4)步开始重新进行一次循环；
(7)对所获取的帕瑞托最优非劣解通过模糊聚合分类调整，获得一个最后定论的非劣解；
(8)将非劣解对应的戒律参数c和径向根中心映射宽度σ作为优化后的c和σ。
s5：使用变分模态分解方法获取未知故障类型的振动特征数据的特征向量，并将其导入到步骤4中训练后的ppso-svm多分类模型进行故障多分类，得到导出结果，之后，根据所述导出结果定论变压器的故障。
本发明的具体实施方式是按照递进的方式进行撰写的，着重强调各个实施方案的不同之处，其相似部分可以相互参见。
上面对本发明的实施方式做了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。