基于改进变分模态分解的有载分接开关机械状态监测

龙源期刊网基于改进变分模态分解的有载分接开关机械状态监测作者：王冠刘金鑫赵彤张黎来源：《湖南大学学报·自然科学版》2017年第10期摘要：为提高变压器有载分接开关（On-LoadTap-Changer，OLTC）机械状态智能诊断水平，提出了基于改进变分模态分解（ImprovedVariationalModeDecomposition，IVMD）-权重散度的OLTC机械状态特征提取方法，以及和声搜索算法（HarmonySearch，HS）优化相关向量机（RelevanceVectorMachine，RVM）的故障分类方法.本文进行模拟实验测得了多组不同工况下的OLTC机械振动信号，通过IVMD算法将振动信号分解为一系列有限带宽本征模态函数（IntrinsicModeFunction，IMF），计算IMF分量与原始振动信号的K-L散度（Kullback-LeiblerDivergence，K-L），再乘上权重系数得到权重散度，以权重散度来表征多组OLTC机械振动信号的时频域复杂度.同时构建了RVM多分类模型，并通过和声搜索算法对RVM的核函数选择进行了优化，有效地实现了对于权重散度的分类.实验与数据分析结果表明，本文所提综合诊断方法精度较高，可准确提取机械故障特征，能够为OLTC智能故障诊断提供必要的参考.关键词：有载分接开关；改进变分模态分解；相关向量机；和声搜索算法；机械状态中图分类号：TM5648文献标志码：AMechanicalConditionMonitoringofOn-loadTapChangersBasedonImprovedVariationalModeDecompositionWANGGuan1，LIUJinxin1，ZHAOTong1，ZHANGLi2（1.SchoolofElectricalEngineering，ShandongUniversity，Jinan250061，China；2.ShandongProvincialKeyLaboratoryofUHVTransmissionTechnologyandEquipment，Jinan250061，China）Abstract：Inordertoimprovetheintelligentdiagnosislevelofanon-loadtap-changer（OLTC）mechanicalcondition，afeatureextractionmethodwasproposedbasedonimprovedvariationalmodedecomposition（IVMD）andweightdivergence.Theharmonysearch（HS）algorithmwasusedtooptimizetheparameterselectionoftherelevancevectormachine（RVM）.ThemechanicalvibrationsignalsofOLTCunderdifferentconditionsweremeasuredbysimulationexperiments.TheOLTCvibrationsignalswerethendecomposedintoaseriesoffinite-bandwidthintrinsicmodefunction（IMF）byIVMD.Next，Kullback–Leiblerdivergence（K-Ldivergence）oftheIMFandoriginalvibrationsignalwascalculated.TheK-Ldivergencewas龙源期刊网，whichrepresentedthetime-frequencydomaincomplexityoftheOLTCmechanicalvibrationsignals.Simultaneously，themulti-classificationmodelofRVMwasconstructed.TheselectionsofkernelfunctionparameterswereoptimizedbyHS，andtheclassificationofweightdivergencewasrealizedeffectively.Theexperimentalanddataanalysisresultsshowthattheproposedintegratedmodelexhibitshighfaultdiagnosisaccuracy.Thismodelcanaccuratelyextractthecharacteristicsofmechanicalcondition，andprovidereferenceforthepracticalOLTCintelligentfaultdiagnosis.Keywords：on-loadtap-changer；improvedvariationalmodedecomposition；relevancevectormachine；harmonysearchalgorithm；mechanicalcondition电力变压器是重要的输变电设备，其安全稳定运行是电力系统安全稳定运行的前提与基础，然而有载分接开关（On-LoadTap-Changer，OLTC）故障率居高不下，一直是威胁变压器健康的一大原因.据统计资料显示[1]：OLTC故障是造成变压器故障的主要原因，占变压器总故障的27%以上，且故障类型多为机械故障，如机构卡涩、滑档、拒动等.因此，以OLTC的机械状态诊断为研究对象，寻求更加高效且适用于工程应用领域的特征提取与模式识别算法，提高OLTC机械状态在线监测与故障诊断水平，以保证其安全稳定运行，具有重要的理论和现实意义.近年来，已有大量专家学者投身于OLTC带电监测与故障诊断的研究中，最为普遍的技术路线是利用振动加速度传感器非介入地监测OLTC操作过程中所产生的振动信号，从振动信号中提取表征OLTC机械状态的有效信息，进而及时发现OLTC的潜伏性故障，达到提前预知及时检修的目的[2-4].其中，寻求有效的振动信号特征提取与模式识别方法是提高OLTC机械状态监测水平的关键所在，因此专家学者的研究多围绕特征提取与模式识别方法展开.文献[5-7]利用不同的小波分析方法，以及自组织映射法和遗传算法等，对OLTC振动信号进行了时域分析，然而，对于这种非平稳信号，传统时频分析方法效果不明显.文献[8]基于经验模态分解（EMD）与希尔伯特变换在时频域中对振动信号进行了分析，提高了对于各种不同振动信号的自适应能力.但EMD算法处理的信号存在模态混叠现象，导致分析结果不准确.文献[9]提出了基于集总经验模态分解（EEMD）的OLTC故障诊断方法，该方法解决了EMD算法中存在的模态混叠效应问题，但也导致了计算量大大增加，工程适用性差.变分模态分解（VMD）是一种新型的自适应、多分辨率分解技术，既保留了EMD的自适应能力，又避免了模态混叠问题，同时比EEMD算法更具有工程适用性[10].相关向量机（RVM）在具备支持向量机（SVM）的优势之外，突破SVM本身的局限性，具有更好的泛化性能，故障分类速度快，同时避免了复杂的参数设置问题[11].基于上述分析，本文提出了基于改进变分模态分解（IVMD）-权重散度与和声搜索优化相关向量机（HS-RVM）的OLTC机械状态诊断方法.利用IVMD算法将原始振动信号分解为一组有限带宽的本征模态函数（IMF），计算IMF分量与原始振动信号的K-L散度，再乘上权重系数，以权重散度来表征振动信号复杂度.同时根据本文进行的实验，构建了RVM多分类模龙源期刊网型，并通过和声搜索算法对RVM的核函数选择进行了优化，大大提高了RVM的分类准确度.实验结果表明，本文所提出的综合诊断方法精确度高，能有效提取机械故障特征，为OLTC智能故障诊断提供必要的参考.1IVMD-权重散度原理1.1变模态分解原理对信号进行VMD处理的过程是对变分问题进行求解的过程，首先构造带约束条件的变分模型，然后搜寻模型的最优解来实现信号的自适应分离[12].假设给定输入信号y，将y分解为K个本征模态函数uk（t），k=1，2，…，K：uk（t）=Ak（t）cos（k（t））（1）式中：Ak（t）为uk（t）的瞬时幅值；dk（t）/dt=ωk（t），ωk（t）为uk（t）的瞬时频率.假设任意uk（t）都具有确定的中心频率ωk和有限的带宽，则变分问题即为在约束条件下寻求K个本征模态函数uk（t），约束条件有两个：①各模态之和等于输入信号；②本征模态函数的估计带宽之和最小.带约束条件的变分问题如下：min{uk}，{ωk}∑Kk=1tδ（t）+jπt*uk（t）e-jωkt2s.t.∑Kk=1uk（t）=y（t）（2）为求取上述变分问题的最优解，引入二次惩罚因子α与拉格朗日乘法算子λ（t），把上述问题转化为无约束条件的变分问题，如式（3）所示.L（{uk}，{ωk}，λ）=α∑ktδ（t）+jπt*uk（t）e-jωkt2+y（t）-∑kuk（t）22+（3）通过乘法算子交替方向法来求解上述变分问题，更新un+1k，ωn+1k和λn+1，寻找（3）式的鞍点，其中un+1k的表达式为：un+1k=龙源期刊网∈Xαtδ（t）+jπt*uk（t）e-jωkt22+y（t）-∑iui（t）+λ（t）222（4）式中：ωk等同于ωn+1k，∑iui（t）等同于∑i≠kui（t）n+1.利用Parseval/Plancherel傅里叶等距变换将（4）式转换到频域，将中心频率的取值问题扩展到频域，获得中心频率的更新方法，同时完成λ的更新.更新表达式如下：n+1k（ω）=（ω）-∑i≠Kni（ω）+n（ω）21+2α（ω-ωnk）2（5）ωn+1k=∫∞0ω|nk（ω）|2dω∫∞0|nk（ω）|2dω（6）n+1（ω）←n（ω）+τ（（ω）-∑Kn+1k（ω））（7）整理上述思路，将该变分问题的求解过程简化如下[13]：1）将{ω1k}，{u1k}，{1}和n进行初始化.2）对每一模态，根据式（5）（6）得到un+1k（ω）和ωn+1k.3）根据（7）式更新拉格朗日乘子.4）对于给定判别精度e0，判断下式，若满足停止迭代，否则返回步骤2）.∑Kk=1n+1k-nk2/nk221.2改进变模态分解通过VMD算法对OLTC机械振动信号处理前，需给出分解模态数K，其选取的合理与否会直接影响分解结果.若分解模态数K小于被处理信号中有用成分的个数，会造成OLTC振动信号分解不充分；若分解模态数K大于被处理信号中有用成分的个数，则会出现过分解现象，产生一些无用的虚假分量，干扰原信号中有用成分的分析.因此，K值的确定在VMD算法中占有至关重要的地位[14].为解决上述问题，本文对VMD算法进行了改进，提出了分解品质因数，更加科学地选取K值.由1.1知，VMD分解得到K个子模态.计算K个IMF的信息熵，设为[S1，S2，…，SK].信息熵代表了一组数据所携带信息量的多少，因此所得结果能够区分IMF分量之间的信息差异.定义IMF分量之间的信息差异系数C如（9）式：龙源期刊网=（S1-S）2+（S2-S）2+…+（SK-S）2（9）式中：S为K个IMF信息熵的平均值.C值越大，表明分解得到的IMF分量差异越明显.原始信号与重构信号之间误差Δ定义为下式：Δ=sum[abs（y-IMF1-IMF2-…-IMFK）]（10）式中：sum为求和；abs为取绝对值；y为原始输入信