[0001] 本发明属于电力设备故障诊断技术领域，具体涉及一种基于振动信号的配电变压器故障诊断方法。

[0002] 近年来，我国电网格局发生较大改变，已经从原先的小功率、低电压、小规模的初期阶段进入到大容量、大机组、超高压、大规模的现代化发展阶段。电力系统的发展规模不断扩大，电力设备的电压等级随之不断提高、容量也不断变大，导致电力设备发生故障的概率也随之增加，这必然对电力系统整体的安全性以及电力设备工作的可靠性和稳定性提出更高的要求。配电变压器是配电网中的核心设备，突发性的故障会造成重大的安全事故与经济损失。据统计，每年因变压器故障导致的事故不可胜数。因此，为确保配电网系统正常运行，对配电变压器运行状态进行监测是非常有必要。

[0003] 基于振动信号分析法的变压器故障检测技术是当前研究热点。振动法是将位移、速度或加速度传感器安装于变压器的支撑件、绕组侧面或油箱表面，通过振动信号来分析变压器运行状态，甚至识别故障类型。该方法具有安装方便、灵活、无电气连接等优点。

[0004] 现有的配电变压器故障诊断算法多样，主要包含人工提取特征与人工智能法两大类。人工提取特征是通过对变压器振动信号分解，提取代表性特征训练一个强的分类器或提出一些诊断指标，以阈值形式进行分类。随着数字智能技术的发展，深度学习方法已经成为当前最为热门的研究方向之一。人工智能方法直接将振动信号输入网络中，省去了特征提取步骤，直接对数据进行分析、辨识。配电变压器在实际运行过程中，运行工况并不是一成不变的，工况的波动导致振动信号差异较大依赖于人工经验所提特征的区分效果不佳。另外，配电变压器在运行过程中往往存在一些未知类型的故障(即新出现的故障)，现有的故障诊断算法对未知类型故障的辨识效果不佳。

[0082] 下面结合附图及实施例对本发明做进一步说明。

[0083] 应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

[0084] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0085] 如图1所示，本实施例提供了一种基于振动信号的配电变压器故障诊断方法，包括以下步骤：

[0086] 步骤S1、获取配电变压器箱体振动信号，并采用自适应噪声完备集合经验模态分解与希尔伯特变换相结合对配电变压器振动信号进行处理，分别求取不同频带的边际谱构造特征向量。如图2所示，步骤S1具体包括以下步骤：

[0087] 步骤S11、使用振动信号采集装置获取配电变压器表面的振动信号，其中采样频率设为3kHz，采样时间设为0.1s。

[0088] 步骤S12、采用自适应噪声完备集合经验模态分解(CEEMDAN)对配电变压器振动信号进行处理，具体过程如下：

[0089] 定义操作符Ej表示通过EMD获取j阶IMF分量；ni表示均值为0、方差为1的高斯白噪声；M(.)表示局部均值算子；std(.)表示标准差；x为原信号；ε0为用于控制辅助噪声与原始信号信噪比的系数，且在计算第k个模态分量时产生新的自适应系数βk‑1，控制向上一次余量添加噪声的大小；当k＝1时，β0＝ε0std(x)/std(E1(ni))，当k≥2时,βk‑1＝ε0std(rk)；

[0090] 1)通过计算xi＝x+β0E1(ni)的局部均值，得到第一余量r1：

[0091]

[0092] 式中，i＝1,2,...,N,N为噪声添加次数。

[0093] 2)在第1阶段，即k＝1，计算第1个模态分量：

[0094] IMF1＝x‑r1   (2)

[0095] 3)第2个IMF2表示为：

[0096]

[0097] 对第1阶段的余量添加自适应噪声信号r1+β1E2(ni)。

[0098] 4)同理，求第k个IMFk，其中k＝3,4,...,m，m为IMF分量的总数：

[0099] IMFk＝rk‑1‑rk   (4)

[0100] 5)重复以上步骤，直至余量r满足残差分量终止条件；最终，原始信号x被分解为：

[0101]

[0102] 步骤S13、对配电变压器振动信号CEEMDAN分解得到的m阶IMF分量使用希尔伯特变换(Hilbert)求取边际谱信息，其计算过程如式(6)‑式(11)所示：

[0103]

[0104]

[0105]

[0106]

[0107]

[0108]

[0109] 式中，ak(t)表示第k个模态分量的瞬时幅值函数；φk(t)表示对应的瞬时相位函数；ωk(t)表示对应的瞬时频率；H(ω,t)表示Hilbert谱；B(ω)表示Hilbert边际谱，其表征信号在每个瞬时频率上的幅值分布情况。

[0110] 步骤S14、将不同频带的Hilbert边际谱构成一个特征向量。

[0111] 步骤S2、对特征向量矩阵构造高斯函数加权的无向完全图，求取邻接矩阵，并构建图卷积神经网络模型用于挖掘深层特征与故障分类。步骤S2具体包括以下步骤：

[0112] 步骤S21、对边际谱信息组成的特征向量矩阵构造高斯函数加权的无向完全图，并求取邻接矩阵。

[0113] 在图G＝(V,E,A)模型中，V和E分别表示顶点和边的集合，A表示图的邻接矩阵。按照边的连接关系可分为无向图与有向图；按照边的权重关系可分为加权图与无权图。无向完全图的拓扑结构不会随着参数改变而变化，且无需考虑顶点间边连接的方向，构造过程简单。本方法采用无向加权完全图，以每个样本为顶点，假设所有顶点都存在边连接但边的权重不同，边连接的权重由高斯函数计算，具体如下：

[0114]

[0115] 式中，Apq＝Aqp表示两个顶点间的连接权重，η表示高斯核带宽，Xp,Xq表示特征向量矩阵X中第p个与第q个样本的特征向量。

[0116] 步骤S22、使用spyder软件中pytroch框架构建一个多通道和多连通的图卷积神经网络(改进的GCN)模型，以使其实现不同尺度特征挖掘和多通道信息连通，提高所提取信息的质量。为了从不同频率的边际谱中挖掘反映故障特征的有效信息，本实施例构建的改进的GCN模型如图4所示。构建的改进的GCN模型使用多个独立的图卷积层gc1、gc2和gc4对每个通道进行特征提取，各通道特征融合后连接一个图卷积层gc5，输出层连接一个分类器；在前向传播网络中添加一层图卷积层gc3，用于从不同尺度提取边际谱信息，增加gc4层节点特征的多样性；最后采用交叉熵损失函数计算损失值，并使用Adam优化器更新模型参数；
GCN前向传播如式(13)‑式(18)所示：

[0117] 模型输入层：

[0118] H(1)＝σ[D‑1/2(A+I)D‑1/2XW(1)]   (13)

[0119] 模型隐藏层：

[0120] H(2)＝σ[D‑1/2(A+I)D‑1/2(H(1)W(2)+XW(3))]   (14)

[0121] H(4)＝σ[D‑1/2(A+I)D‑1/2H(2)W(4)]   (15)

[0122] 各通道特征融合层：

[0123] H(5)＝[H1(4),H2(4),...,Hh(4)]   (16)

[0124] 模型输出层：

[0125] y＝[D‑1/2(A+I)D‑1/2H(5)W(5)]   (17)

[0126] lg_softmax分类：

[0127]

[0128] 式中，A+I为加自环的邻接矩阵；I为单位矩阵；D是A+I所对应度矩阵；W(l)表示第l层的权重；H(5)是各通道特征融合的特征；h表示通道数；σ(.)表示激活函数，本研究选择ReLU(.)＝max(0,.)；y＝[y1,y2,...yn]为输出层特征，维度等于类别数n；Y＝[Y1,Y2,…Yn]为分类器输出概率值。

[0129] 步骤S3、在图卷积神经网络模型中，使用带正弦函数的扰动因子改进灰狼优化算法对高斯核带宽寻优，获得最优诊断模型；如图5所示，步骤S3具体包括以下步骤：

[0130] 步骤S31、使用带正弦函数的扰动因子改进灰狼优化算法，对灰狼捕食的行为进行数学建模如式(19)‑式(25)所示。

[0131] 灰狼优化算法根据灰狼社会等级制度，将狼群中适应度最好的前三匹狼分别定义为α、β和δ，其余定义为 由每代狼群中最优的三个解指导完成目标搜索及位置更新。

[0132]

[0133]

[0134] F＝2γr1‑γ   (21)

[0135] C＝2r2   (22)

[0136]

[0137]

[0138]

[0139] 式中，d表示个体与目标之间的距离； 表示对灰狼位置更新； 表示目标向量位置；T是当前迭代次数；表示灰狼位置向量；F和C为向量系数；r1、r2为[0,1]随机数；γ为带正弦函数的扰动因子，其特征在算法执行初期减缓扰动因子的衰减速度提高全局搜索能力；算法后期在提高扰动因子的衰减速度且获得较小的值以避免最优解动荡，加快算法收敛。

[0140] 步骤S32、使用改进灰狼优化算法对高斯函数核带宽寻优，以模型验证集损失值最小化为目标函数，搜索空间设为(0.1～5)。

[0141] 步骤S33、多次迭代直至满足迭代停止条件，即模型验证集损失值不再发生变化或达到设定的最高迭代次数，结束寻优获得较佳的核带宽值。

[0142] 步骤S4、对于每个未知故障的待识别对象，基于得到的最优诊断模型，采用两级分类法对待识别对象进行故障识别：第一级分类，利用最优诊断模型的最后一级输出结果计算峰值因子，若超出阈值，则判断为未知类型故障，否则进行第二级分类；在第二级分类中，使用lg_softmax识别具体的故障。如图6所示，步骤S4具体包括以下步骤：

[0143] 步骤S41、使用S3获得训练好的最优诊断模型，计算训练集已知类型故障样本(训练集)中每个样本经最优模型经模型输出特征向量的峰值因子，并设定峰值因子的上下限；

[0144] 步骤S42、在对每个未知故障样本测试时，利用最优诊断模型获得最后一层输出特征向量y,并计算其峰值因子f；

[0145] 步骤S43、在第一级分类中，判断步骤S42中获得的峰值因子f是否在已知类型故障峰值因子的上下限范围内，若不在，则标识为未知类型故障；反之则进入第二级分类；

[0146] 步骤S44、在第二级分类中，对模型最后一层输出特征向量y计算lg_softmax，确定具体的故障类别。

[0147] 在本实施例中，获取的数据样本均来自于型号为S11‑M‑315/10油浸式变压器。对配电变压器进行故障模拟，分别在短路实验与空载实验下采集配电变压器绕组变形，绕组松动与正常状态，铁芯两点接地与铁芯松动四种故障状态的振动信号以下记为状态1‑5，计算用的服务器参数为：I5‑10200H的CPU，16G的RAM。

[0148] 各状态的原始波形与频谱如图7所示。本方法的诊断结果如图8所示。将额定工况下样本划分为训练集1200组、验证集300组用于模型训练。测试集包含五种状态，每种状态各有3种不同的运行工况，共计3000组样本。对诊断结果绘制混淆矩阵，其中6表示未知类型故障，所提方法对变压器正常情况，绕组变形，绕组松动，铁芯两点接地及铁芯松动五种状态均能准确识别，准确率达97.73％。对各状态不同运行工况的诊断结果如表1与表2所示。绕组松动、正常与铁芯两点接地状态受变压器运行工况波动影响较小。在空载电压波动下，对铁芯松动故障诊断准确率较低为94.33％‑95％；铁芯两点接地故障诊断准确率较高。通过观察发现，铁芯松动故障发生错判的样本，被误判为铁芯两点接地故障与未知类型故障。
在负载电流变化下，对绕组变形故障的诊断准确率波动较大，其中所有辨识错误样本均被误判为绕组松动状态与未知类型故障。由此说明，本方法对不同工况的诊断具有一定精度。

[0149] 表1不同负载电流下的诊断结果

[0150]

[0151] 表2不同空载电压下诊断结果

[0152]

[0153] 本实施例中，为验证本方法对未知类型故障预测效果，首先在S11‑M‑315/10变压器上收集了300组BC短路故障样本作为未知类型故障，使用所提两级分类法进行辨识。其诊断结果为92.76％，最优诊断模型输出层特征向量的峰值因子分布如图9所示，由图可知1200个已知故障类型(模型训练集样本)和300个未知类型故障(新出现的故障类型)在峰值因子上的差异。已知故障类型的样本，在经最优诊断模型后获得的峰值因子相对集中，而未知故障类型的计算结果会分散到两端。也就是说只要选择合适的阈值，就可以对未知类型的故障进行准确辨识。它们的边界，可以根据统计学原理进行计算。

[0154] 综上所述，本发明提出的基于振动信号的配电变压器故障诊断方法，取得了以下的技术效果：

[0155] (1)将Hilbert边际谱与图卷积神经网络结合，相比于人工提取特征与端到端的深度学习技术，能使所提特征更加清晰，从而提高模型的诊断精度。

[0156] (2)针对传统灰狼优化算法收敛因子与实际灰狼捕食行为不符的问题，提出一种带正弦函数的非线性扰动因子，从而在算法执行的初期提高收敛因子值，获得足够的扰动以增加算法的全局搜索能力，而在后期降低收敛因子值以避免最优解的动荡，加快收敛。同时，对GCN模型的结构进行改进，在前向传播网络中添加一层具有不同大小的图卷积层实现多尺度特征挖掘，同时设计了多个并行通道使其实现多源信息融合。

[0157] (3)提出一种两级分类法实现对未知类型故障辨识，在第一级分类中通过计算模型输出层特征向量的峰值因子，并以阈值法实现对未知类型故障辨识；在第二级分类中，利用lg_softmax辨识已知类型故障，克服了传统算法对未知类型故障无法辨识，通常将其误判为模型最相似的一类的问题。

[0158] 以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。