[发明专利]基于经验模态分解与蝴蝶算法的变压器声纹故障诊断方法

说明书

本发明属于电力设备故障诊断技术领域，公开了一种基于经验模态分解与蝴蝶算法的变压器声纹故障诊断方法，将含噪的变压器声纹数据进行完全集合经验模态分解并运用谱减法滤除环境噪声，得到纯净的变压器声纹数据；运用完全集合经验模态分解将除噪后的变压器声纹数据分解，提取复合多尺度熵、模糊熵、峭度熵构造联合特征并利用t‑SNE对联合特征进行降维；最后基于联合特征构建改进的PODSBOA‑LSSVM故障诊断模型，对未知变压器声纹进行诊断，输出诊断结果。本发明可以帮助电力工作人员人员及时掌握变压器运行状态，提前知晓潜伏故障，避免设备故障带来的损失。

技术领域

本发明涉及电力设备故障技术领域，具体涉及一种基于经验模态分解与蝴蝶算法的变压器声纹故障诊断方法。

背景技术

经过多年运行，变压器发生故障的几率不断增加，存在发生绝缘老化、部件松动等各种故障的风险。作为系统中用于电能转换的电力设备，变压器数量大，运行时间长，因而产生故障的变压器数目也较多变压器故障不仅更换设备造成经济损失，更换设备电力中断引起的间接经济损失更为巨大。变压器是电力系统中的重要设备，确保其安全的运行十分重要。因此，对变压器运行状态进行检测与诊断，及时消除变压器的隐患，对电力系统发展具有重要意义。

变压器故障的主要原因是绝缘被损害，绝缘老化、维修失误以及生产缺陷都会导致变压器绝缘出现悬浮电位、有气泡残留等损伤，导致绝缘的局部场强过高，产生放电现象。放电导致绝缘破环进一步增大，最终导致击穿。变压器中松动的部件或掉入变压器中的金属小部件可能会产生浮动电势，也会引起放电。一些机械故障可能会损坏变压器绝缘，甚至导致故障电流和有功功率损耗。因此，有必要在造成更大损失之前进行故障的检测。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出一种基于经验模态分解与蝴蝶算法的变压器声纹故障诊断方法，将含噪变压器声纹数据进行完全集合经验模态分解（CEEMDAN）分解得到若干个本征模态分量（IMF），计算每个本征模态分量的峭度找出含噪的本征模态分量（IMF）并进行重构，将重构信号利用谱减法滤除环境噪声，得到纯净的变压器声纹；并提取各个本征模态分量（IMF）的复合多尺度熵、模糊熵、峭度熵作为联合特征，利用t-SNE对联合特征进行降维；最后构建改进的PODSBOA-LSSVM故障诊断模型，对联合特征进行识别，输出诊断结果。本方法可以非接触测量、设备安装简单、测量速度快捷、信号易于测量, 不会干扰设备正常运行。

为了实现上述目的，本发明采用的一个技术方案是：一种基于完全集合经验模态分解与蝴蝶算法的变压器声纹故障诊断方法，包括以下步骤：

S1、运用CEEMDAN分解与谱减法滤除环境噪声：将含噪变压器声纹数据进行完全集合经验模态分解（CEEMDAN）并运用谱减法滤除环境噪声，得到纯净的变压器声纹数据；

S2、提取联合特征并利用t-SNE进行降维：通过完全集合经验模态分解（CEEMDAN）将除噪后的变压器声纹数据分解，得到若干个本征模态分量（IMF），提取各个本征模态分量（IMF）的复合多尺度熵、模糊熵、峭度熵构造联合特征并利用t-SNE算法对联合特征进行降维；

S3、构建改进的PODSBOA-LSSVM故障诊断模型进行诊断：以所得联合特征的数据集为基础，运用改进的蝴蝶算法（PODSBOA）对最小二乘支持向量机（LSSVM）进行参数优化，构造PODSBOA-LSSVM故障诊断模型，对未知变压器声纹数据进行诊断，输出诊断结果。

进一步地，所述的步骤S1中，将含噪变压器声纹数据进行完全集合经验模态分解（CEEMDAN）得到若干个本征模态分量（IMF），计算每个本征模态分量（IMF）的峭度找出含噪本征模态分量并进行重构，将重构信号利用谱减法滤除环境噪声，得到纯净的变压器声纹数据。

进一步地，步骤S1的具体过程如下：

S101：对含噪变压器声纹数据进行完全集合经验模态分解（CEEMDAN）得到若干个本征模态分量（IMF）；