【技术实现步骤摘要】
本专利技术涉及变压器故障诊断，特别涉及一种变压器故障诊断方法、装置、设备及介质。
技术介绍
1、变压器作为电力系统中的重要电气设备之一，承担着电能输送与电压变换的重要任务；其是一种静止的电气设备，是用来将某一数值的交流电压变成频率相同的另一种或几种数值不同的电压的设备，通常具有两个或多个绕组，为了传输电能，在同一频率下，通过电磁感应将一个系统的交流电压和电流转换为另一系统的电压和电流，通常这些电流和电压的值是不同的。
2、变压器的作用是多方面的，不仅能升高电压把电能送到用电地区，还能把电压降低为各级使用电压，以满足用电的需要；它一旦发生故障将会引起局部甚至大面积停电，势必会造成巨大的经济损失；变压器的主要故障通常有焊接处渗漏油、密封件渗漏油、法兰连接处渗漏油、螺栓或管子螺纹渗漏油、铸铁件渗漏油、散热器渗漏油、瓷瓶及玻璃油表渗漏油；因此，建立高效准确的变压器故障诊断方法，掌握其运动状态对提高变压器运行水平，保障电力系统安全可靠运行具有重要意义。
3、现阶段常用的变压器故障诊断方法有iec比值法、罗杰斯比值法和大卫三角形法等，以及基于油中溶解气体特征的智能诊断方法，这类方法都是基于色谱法获取油中溶解的气体数据，通过气体数据来判断变压器的故障类型，但气体含量数据容易受到变压器中绝缘油的影响和内外环境，以及变压器设备本身的影响，致使所测得的气体含量数据难以反映真实的变压器状态，因而对于变压器故障的诊断准确度较低。
技术实现思路
1、本专利技术实施例提供一种变压器故障
2、本专利技术实施例提供一种变压器故障诊断方法，包括以下步骤：
3、采集变压器绝缘油的太赫兹时域光谱信号数据，并形成时域序列数据；
4、采用互补集合经验模态分解ceemd对时域序列数据进行分解，获得不同中心频率的本征模态分量imfs子序列；采用模糊熵fe方法获取每个本征模态分量imfs子序列的模糊熵值，并将每个本征模态分量imfs子序列的模糊熵值组成多个特征列向量；
5、构建基于正则化极限学习机relm的变压器故障诊断模型；采用多个特征列向量对变压器故障诊断模型进行训练，在训练过程中采用徒步优化方法hoa对变压器故障诊断模型进行模拟约束，以更新变压器故障诊断模型的模型参数，得到训练后的变压器故障诊断模型；
6、将待测的变压器的特征列向量输入至训练后的变压器故障诊断模型中，获得诊断后变压器的故障类型。
7、优选地，所述获得不同中心频率的本征模态分量imfs子序列，包括：
8、对原始时域序列数据s(t)添加不同的噪声实例，获取一组新的时域序列数据，其获取方程为：
9、si(t)＝s(t)+noisei
10、其中：s(t)表示原始信号；si(t)表示添加了噪声的信号；noisei表示随机噪声实例；
11、对每个添加了噪声的信号si(t)进行经验模态分解emd，得到一组本征模态分量，其分解方程为：
12、
13、其中：imfi，k(t)表示第i个信号的第k个本征模态函数；n表示本征模态函数的数量；residuei(t)表示第i个信号的残差；
14、将进行经验模态分解emd后得到一组本征模态分量进行集合平均，其集合平均方程为：
15、
16、其中：表示最终的第k个本征模态函数；m表示噪声实例的数量；表示第i个噪声实例的第k个模态；
17、从集合平均后的集合中选择在不同的噪声实例中一致性高的本征模态分量imfs，将该本征模态分量imfs作为不同中心频率的本征模态分量imfs子序列。
18、优选地，所述采用模糊熵fe方法获取每个本征模态分量imfs子序列的模糊熵值，包括：
19、获取本征模态分量imfs子序列和的相似度，其相似度获取方程为：
20、
21、其中：n表示模糊函数的指数；r表示相似容限阈值；表示序列和的切比雪夫距离；表示长度为m的序列；
22、根据每个本征模态分量imfs子序列之间的相似度，获取每个本征模态分量imfs子序列的平均相似度，其获取方程为：
23、
24、其中：n表示序列的总长度；
25、根据每个本征模态分量imfs子序列，获取每个本征模态分量imfs子序列的模糊熵值，其获取方程为：
26、fuzzyen(m,n,r)＝lnφm,n,r-lnφm+1,r,n
27、其中：m+1表示维数。
28、优选地，所述更新变压器故障诊断模型的模型参数，包括：
29、在对变压器故障诊断模型进行训练时，首先设置正则化极限学习机relm和徒步优化方法hoa的参数，所述参数包括种群大小、最大迭代次数、隐含层节点数和正则化参数；
30、根据徒步优化方法hoa在不断迭代优化tobler徒步函数内徒步者的速度和位置时所形成的步长和适应度阈值，持续更新正则化极限学习机relm的参数；并将迭代完成时获取的输入层权值和隐含层偏置设置为正则化极限学习机relm的输入参数，完成变压器故障诊断模型的模型参数的优化更新。
31、优选地，所述迭代优化tobler徒步函数内徒步者的速度和位置，包括：
32、tobler徒步函数表示为：
33、
34、其中：vi，t表示徒步者i在迭代或时间t的速度；si，t表示地形的坡度；
35、tobler徒步函数内的徒步者速度表示为：
36、vi,t＝vi,t-1+γi,t(βbest-αi,tβi,t)
37、其中：vi，t表示当前速度；vi，t-1表示初始速度；γi,t表示一个在[0,1]范围内的随机数；βbest表示领头徒步者的位置；αi，t表示徒步者的扫掠因子sf在[1,3]范围内；
38、tobler徒步函数内的徒步者位置表示为：
39、βi,t+1＝βi,t+vi,t
40、其中：βi,t+1表示当前位置；
41、初始化徒步者的位置，每个徒步者对应一个结果，该结果包含输入层权值和隐含层偏置；
42、根据tobler徒步函数获取每个徒步者的步行速度，并更新每个徒步者的实时位置，同时更新当前适应度和地形来调整步长；
43、不断迭代优化每个徒步者的步行速度和实时位置，获得最优适应度阈值和步长。
44、本专利技术实施例还提供一种变压器故障诊断装置，包括：
45、数据采集模块，用于采集变压器绝缘油的太赫兹时域光谱信号数据，并形成时域序列数据；
46、数据处理模块，用于采用互补集合经验模态分解本文档来自技高网...
【技术保护点】
1.一种变压器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变压器故障诊断方法，其特征在于，所述获得不同中心频率的本征模态分量IMFs子序列，包括：
3.根据权利要求1所述的一种变压器故障诊断方法，其特征在于，所述采用模糊熵FE方法获取每个本征模态分量IMFs子序列的模糊熵值，包括：
4.根据权利要求1所述的一种变压器故障诊断方法，其特征在于，所述更新变压器故障诊断模型的模型参数，包括：
5.根据权利要求4所述的一种变压器故障诊断方法，其特征在于，所述迭代优化Tobler徒步函数内徒步者的速度和位置，包括：
6.一种变压器故障诊断装置，其特征在于，包括：
7.一种电子设备，其特征在于，包括：存储器和处理器；
8.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1～5任一项所述的一种变压器故障诊断方法的步骤。
【技术特征摘要】
1.一种变压器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变压器故障诊断方法，其特征在于，所述获得不同中心频率的本征模态分量imfs子序列，包括：
3.根据权利要求1所述的一种变压器故障诊断方法，其特征在于，所述采用模糊熵fe方法获取每个本征模态分量imfs子序列的模糊熵值，包括：
4.根据权利要求1所述的一种变压器故障诊断方法，其特征在于，所述更新变压器故障诊断模型的模型...
【专利技术属性】
技术研发人员：牛炜，宋军，包艳艳，杨晶，段军红，白文远，陈维，刘罡，保承家，刘康，王海龙，史玉涛，刘睿轩，王佩，夏越，宋瑞凯，陈立新，
申请(专利权)人：国网甘肃省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。