[发明专利]变压器绕组振动状态感知方法

说明书

本发明公开了一种基于CWT‑InceptionNet的电力变压器绕组振动状态感知方法，方法中，将工频信号与振动信号叠加后的混合振动信号作为附加信号，再将振动信号与附加信号进行交叉小波变换得到交叉小波能量谱；特征提取所述交叉小波能量谱表征交叉谱图特性的特征量，按照变压器绕组的振动状态，对特征量矩阵M′进行编码得到振动状态编码，建立基于CWT‑InceptionNet网络的变压器绕组振动状态感知模型，将特征量矩阵M′和对应振动状态编码按一定比例分为训练集和测试集，通过训练集对网络参数进行训练与调优；保存训练好的网络模型，根据训练好的CWT‑InceptionNet网络对后续待判断的变压器绕组状态进行感知。

技术领域

本发明属于电力变压器绕组振动技术领域，特别是一种基于CWT-InceptionNet的电力变压器绕组振动状态感知方法。

背景技术

电力变压器是电网中实现远距离输送及电能分配的重要电力设备，其稳定性对电网安全至关重要。绕组作为变压器油箱内部重要的机械部件，发生机械故障所占比例高达70％。能否迅速检测到绕组振动状态一直以来都是行业热点。

传统的振动状态检测无法有效确定其位置及类别，感知准确性也不够高，均有其局限性。振动法通过实时采集油箱表面的振动信号，通过分析绕组受力变化判断变压器运行状态，常用的处理信号的方法有傅里叶变换、小波变换及希尔伯特-黄变换等。二维图像识别是通过转换坐标系统将一维振动信号转化成二维图像再进行识别，降低运算量。

卷积神经网络作为一种特征提取和分类方法，在图像特征提取领域大放异彩，它的基本结构包括了输入层、卷积层、池化层、全连接层及输出层。通过卷积层和池化层对图像特征进行提取，再通过全连接层和输出层进行分类识别。相对早期的卷积神经网络，InceptionNet创新地引入了Inception结构块，提升了模型感知力，使用批标准化缓解了梯度消失，并在后续版本更新中引入了ResNet网络中的残差模块，使神经网络深度增加成为可能。通过深层的模型训练，InceptionNet网络能够有效捕获浅层纹理特征、中间层过渡特征以及深层语义特征，提取出更为详细的图像特征信息。

因振动位置的距离和传播途径的不同会导致振动信号到达油箱表面的衰减程度也不相同，针对单一传感器采集数据特征片面化问题，文中采用多源传感器通道采集振动信号。其中，提取振动信号蕴含的特征是振动状态判断的关键步骤，目前常用的特征提取方法有脉冲波形特征提取法、统计特征提取法、分形特征提取法及图像矩特征法等。因为信号波形受噪声干扰影响较大，波形特征提取法很难准确提取出表征波形特性的特征量；统计特征和分形特征提取法需要的特征量的维数较高，会导致信息冗余，对分类器造成压力；矩特征法物理意义不明确且计算复杂，在实际应用中会受到一定限制。本发明采用交叉小波变换(cross-wavelet transform，CWT)，在时频域内对两信号进行分析，可以感知两信号间的时频相关性及相位关系特征。噪声具有随机性和互不相关性，因此在CWT中对信号分析的影响较小，而且振动信号的频率和相位分布特征是进行信号识别的重要信息，因此基于CWT的特征提取方法可以很好的描述变压器绕组振动信号特征，同时避免了噪声带来的影响。相关系数矩阵(correlation coefficient matrix，CCM)分析方法对向量间的相关性进行分析，剔除具有较强相关性的向量，降低向量维数，从而解决特征向量冗余及计算复杂的问题。

基于以上，本发明提出CWT-InceptionNet的电力变压器绕组振动状态感知方法。采集当前运行设备的多通道的实时振动数据，通过CWT和CCM获取一组特征量，基于CWT-InceptionNet模型对该组特征量进行特征提取和识别，通过卷积核进行卷积处理，将信号在二维空间中分解，提取信号特征，再将特征输入InceptionNet网络进行识别分类以更有效地实现潜在的变压器绕组振动状态感知。这种方法可以有效提升变压器的检修维护能力，相比于过去的定期检修和故障检修来说，这种基于状态感知的检修具有更多优势，不仅更有针对性还可以解决检修不及时、过度维修或者欠维修的问题。