一种阳极饱和电抗器铁芯故障诊断方法技术

本发明专利技术涉及一种阳极饱和电抗器铁芯故障诊断方法，包括：利用改进的变分模态分解算法将阳极饱和电抗器铁芯不同状态下的振动信号分解为

【技术实现步骤摘要】
一种阳极饱和电抗器铁芯故障诊断方法


[0001]本专利技术涉及故障诊断
，尤其涉及一种阳极饱和电抗器铁芯故障诊断方法
。

技术介绍

[0002]阳极饱和电抗器为特高压直流换流阀中重要的保护元件，其安全运行保证了换流阀中晶闸管的正常开断，提高了输电系统中的无功电压控制水平
、
线路输送功率和系统稳定性，对我国电网的优化控制和可持续发展具有十分重要的意义；但是，该设备投入使用之后铁芯和绕组中高频大幅度的振动会使铁芯变形
、
器件结构松动
、
绝缘脱落
、
老化加剧，长期积累最终会导致事故发生；因此，对阳极饱和电抗器铁芯的可靠状态诊断尤为重要，对阳极饱和电抗器铁芯准确诊断有利于诊断故障类型进行精确维修，进而保障电力系统稳定性
。
[0003]电力设备的故障诊断主要分为三个阶段：定期检修
、
传统方法
、
智能算法
。
目前针对于阳极饱和电抗器设备故障的诊断主要基于日常巡检，通过观察阳极饱和电抗器的外观情况和使用红外测温设备监测温度来判断阳极饱和电抗器是否正常工作
。
但是，在实践过程中定期检修和传统方法的判断标准过于绝对，很难在故障初期及时诊断出故障类型
。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息
。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺点，提供了一种阳极饱和电抗器铁芯故障诊断方法，解决了现有技术存在的不足
。
[0006]本专利技术的目的通过以下技术方案来实现：一种阳极饱和电抗器铁芯故障诊断方法，所述故障诊断方法包括：
[0007]利用改进的变分模态分解算法将阳极饱和电抗器铁芯不同状态下的振动信号分解为
K
best
个特征模态函数；
[0008]计算原始振动信号和特征模态函数分量的概率分布函数的核密度估计函数，计算两个概率分布函数的
K
‑
L
距离和
K
‑
L
散度，得到权重散度；
[0009]将权重散度作为训练集并作为相关向量机分量模型的输入，结合和声搜索算法构建
RS
‑
RVM
故障诊断模型；
[0010]将实时采集的数据输入到
RS
‑
RVM
故障诊断模型中进行故障诊断
。
[0011]所述计算原始振动信号和特征模态函数分量的概率分布函数的核密度估计函数，计算两个概率分布函数的
K
‑
L
距离和
K
‑
L
散度，得到权重散度具体包括以下内容：
[0012]设原始振动信号和特征模态函数分量的概率分布函数分布为
P(x)
和
Q(x)
；
[0013]计算两个概率分布函数的核密度估计函数
p(x)
和
q(x)
；
[0014]根据公式计算两个概率分布函数的
K
‑
L
距离，
R
表示样本集；
[0015]根据公式
D(p,q)
＝
δ
(p,q)+
δ
(q,p)
计算两个概率分布函数的
K
‑
L
散度；
[0016]将
K
‑
L
散度乘以权重系数得到检测阳极饱和电抗器铁芯状态重要标准的权重散度
。
[0017]所述将权重散度作为训练集并作为到相关向量机分量模型的输入，结合和声搜索算法构建
RS
‑
RVM
故障诊断模型具体包括以下内容：
[0018]将权重散度作为训练集并作为到相关向量机
RVM
分类模型的输入特征向量，在二元分类相关向量机的基础上采用二叉树模型构建阳极饱和电抗器铁芯故障分类模型；
[0019]使用和声搜索算法
HS
对相关向量机
RVM
核函数进行优化选择，优化
RVM
的分类精度，得到最终的
HS
‑
RVM
故障诊断模型
。
[0020]所述使用和声搜索算法
HS
对相关向量机
RVM
核函数进行优化选择具体包括以下内容：
[0021]A1、
确定优化问题的目标函数
、
约束条件以及和声搜索基本参数；
[0022]A2、
和声记忆库初始化，将随机产生
M
个优化问题的初始解放入和声记忆库
HM
中；
[0023]A3、
每次产生一个新解，其中新解分量通过保留和声记忆库
HM
中的某些解分量的方式产生，或者通过随机选择的方式产生，或者通过对保留和声记忆库中的某些解分量和随机选择的某些分量进行微调扰动的方式产生；
[0024]A4、
判断新解是否优于记忆库
HM
内的最差解，如果是，则将新解替换最差解，得到的新的和声记忆库；
[0025]A5、
重复步骤
A3
和
A4
，直到达到最大的迭代次数或者满足停止准则后结束循环，输出最优解
。
[0026]所述故障方法还包括根据变分模态分解算法确定最大分解品质因数，并利用最大分解品质因数确定变分模态分解算法的最佳分解模态数
K
，得到改进的变分模态分解算法
。
[0027]所述根据变分模态分解算法确定最大分解品质因数，并利用最大分解品质因数确定变分模态分解算法的最佳分解模态数
K
best
，得到改进的变分模态分解算法具体包括以下内容：
[0028]获取阳极饱和电抗器铁芯的振动信号数据与阳极饱和电抗器故障信息作为样本数据；
[0029]初始化变分模态分解算法参数，设置惩罚因子以及初始分解模态数；
[0030]将样本数据根据变分模态分解算法分解得到
K0个特征模态函数，计算
K0个特征模态函数的信息熵为
[0031]根据公式计算特征模态函数各分量之间的信息差系数，
S
表示
K0个信息熵的平均值；
[0032]根据公式计算特征模态函数与原信号的误差，
y
表示原始输入信号；
[0033]计算变分模态分解算法分解品质因数
Q
＝
C/
Δ
；
[0034]反复迭代
K0，使分解品质因数
Q本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种阳极饱和电抗器铁芯故障诊断方法，其特征在于：所述故障诊断方法包括：利用改进的变分模态分解算法将阳极饱和电抗器铁芯不同状态下的振动信号分解为
K
best
个特征模态函数；计算原始振动信号和特征模态函数分量的概率分布函数的核密度估计函数，计算两个概率分布函数的
K
‑
L
距离和
K
‑
L
散度，得到权重散度；将权重散度作为训练集并作为相关向量机分量模型的输入，结合和声搜索算法构建
RS
‑
RVM
故障诊断模型；将实时采集的数据输入到
RS
‑
RVM
故障诊断模型中进行故障诊断
。2.
根据权利要求1所述的一种阳极饱和电抗器铁芯故障诊断方法，其特征在于：所述计算原始振动信号和特征模态函数分量的概率分布函数的核密度估计函数，计算两个概率分布函数的
K
‑
L
距离和
K
‑
L
散度，得到权重散度具体包括以下内容：设原始振动信号和特征模态函数分量的概率分布函数分布为
P(x)
和
Q(x)
；计算两个概率分布函数的核密度估计函数
p(x)
和
q(x)
；根据公式计算两个概率分布函数的
K
‑
L
距离，
R
表示样本集；根据公式
D(p,q)
＝
δ
(p,q)+
δ
(q,p)
计算两个概率分布韩式的
K
‑
L
散度；将
K
‑
L
散度乘以权重系数得到检测阳极饱和电抗器铁芯状态重要标准的权重散度
。3.
根据权利要求1所述的一种阳极饱和电抗器铁芯故障诊断方法，其特征在于：所述将权重散度作为训练集并作为到相关向量机分量模型的输入，结合和声搜索算法构建
RS
‑
RVM
故障诊断模型具体包括以下内容：将权重散度作为训练集并作为到相关向量机
RVM
分类模型的输入特征向量，在二元分类相关向量机的基础上采用二叉树模型构建阳极饱和电抗器铁芯故障分类模型；使用和声搜索算法
HS
对相关向量机
RVM
核函数进行优化选择，优化
RVM
的分类精度，得到最终的
HS
‑
RVM

【专利技术属性】
技术研发人员：徐轶丹，顾建新，王枫，陈飞，刘瑞勇，王锦龙，卢建，吴军，张雪芹，金鑫，周晨梦，胡洁，吴聪聪，康守亚，李舜，胡一飞，陶流烊，汤梦莲，张帆，
申请(专利权)人：国网湖北省电力有限公司直流公司，
类型：发明
国别省市：