一种变压器振动信号绕组状态特征提取方法
【技术领域】
[0001] 本发明涉及一种基于归一化相关系数的变压器振动信号绕组状态特征提取方法， 属于变压器技术领域。
【背景技术】
[0002] 变压器是电力系统中的基础设备，其安全、稳定运行是电力系统可靠运行的基本 保障。变压器绕组故障占变压器故障的37.5%以上，因此加强对变压器绕组的监测，及时发 现绕组故障并进行处理可有效减少变压器故障事故的发生。
[0003] 变压器运行过程中，硅钢片的磁致伸缩会引起铁芯振动，流过负载电流的绕组在 磁场力的作用下也会产生振动。绕组及铁芯的振动通过电力变压器自身和油传递到电力变 压器的油箱，从而引起油箱振动。因此，在线实时监测变压器油箱表面振动信号，能够及时 地分析电力变压器铁芯及绕组的工作状况。与频响分析法、短路电抗法和低压脉冲法相比， 振动分析法的最大优点是通过贴在变压器器身上的振动传感器来监测变压器绕组及铁芯 状况，与整个电力系统没有电气连接，对系统正常运行无任何影响。
[0004] 目前，许多学者对振动法监测变压器绕组状态进行了研究，提出了一系列的监测 方法，主要有傅里叶分析方法、小波分析方法、经验模态分解法(EMD)和集合经验模态分解 法(EEMD)。傅里叶分析方法是对振动信号进行傅里叶变换，得到基频分量的幅值变化，以此 作为判断变压器绕组是否发生松动的依据。该方法通常用于分析平稳随机信号，不能有效 地提取变压器故障信号的非平稳特征，所以使用该方法分析故障信号可能造成遗漏；小波 分析方法主要采用特定分解层数的系数作为特征矢量，将特征矢量作为变压器绕组故障的 诊断依据。其缺点是小波函数一旦选定，需用它来分析整个信号的数据，自适应性差;经验 模态分解法(EMD)是针对变压器故障信号的非平稳、非线性的特点，由希尔伯特谱判断变压 器正常与否。该方法选取本征模式函数(MF)时直接选取占能量比重很高的前几个分量，没 有考虑变压器本体振动信号的频率范围，容易产生模态混叠的现象;集合经验模态分解法 (EEMD)对变压器振动信号进行了能量特征提取，可有效识别变压器不同的故障特征。该方 法虽然能够有效地解决EMD的模态混叠现象，但需要设定分解的层数及加入高斯白噪声的 次数，分解得到的量仍会产生一定程度的混叠及一些与故障诊断无关的部分（即无关分 量），给绕组状态的判定带来干扰，所以如何剔去无关分量是一个需要解决的问题。总之，已 有的振动类监测方法都存在这样或那样的问题，还有必要进一步进行研究。
【发明内容】
[0005] 本发明的目的在于针对现有技术之弊端，提供一种变压器振动信号绕组状态特征 提取方法，以实现变压器绕组故障的在线监测。
[0006] 本发明所述问题是以下述技术方案解决的：
[0007] -种变压器振动信号绕组状态特征提取方法，所述方法首先对采集的变压器振动 信号进行集合经验模态分解;然后计算变压器振动信号与分解的本征模式函数的归一化相 关系数，继而根据计算出的归一化相关系数筛选出有效的本征模式分量(有效IMF分量）；最 后利用筛选出的有效本征模式分量来构造特征矢量，并将特征矢量作为识别变压器绕组状 态的依据。
[0008] 上述变压器振动信号绕组状态特征提取方法，具体处理步骤如下：
[0009] a.对采集的变压器振动信号进行集合经验模态分解(EEMD)，具体处理步骤如下：
[0010] ①在待分析的振动信号中加入随机高斯白噪声序列：
[0011] Xi(t) =x(t)+rru(t)
[0012] 式中Xdt)为加入白噪声处理的信号，x(t)为待分析信号序列，r为白噪声的幅值 系数，m(t)(i = 1,2,为随机高斯白噪声序列，m为信号序列个数；
[0013]②对每组加入白噪声处理的信号Xi(t)进行EMD分解，得出各自的MF分量部分和 余项部分，即： η
[0014] Xl{t)^^CAt)^rin{ t) Μ
[0015] 式中，(?为对振动信号第i次加入高斯白噪声后的Xi(t)进行分解得到的第j个IMF 分量，r ιη为第i次对t (t)进行分解后的余项，η为分解层数；
[0016] ③每一次加入互不相同的高斯白噪声序列，继而按照步骤①和步骤②分解信号， 最终得到EEMD的结果为： n
[0017] -Κ〇 = Σ?) + Γ(，） .Η
[0018] 其中q(t)为原始信号进行集合经验模态分解(EEMD)后所得的第j个IMF分量， m. （0 二 Σα '' ，r(t)为剩余分量； /=1
[0019] b.根据归一化相关系数提取有效分量：
[0020] 对x(t)和Cj(t)进行N次采样，计算振动信号与分解产生的本征模式函数之间的归 一化相关系数rj( j = l，2，···，n)为：
[0021]
[0022] 其中，xk为x(t)第k次采样的样值，5为x(t)N个样值的平均值，ckj为cj(t)第k次采 样的样值，^为N个样值的平均值 Cj(t)，然后将η与设定的阈值进行比较，若η大于设定的 阈值，则该IMF分量cj(t)为有效IMF分量，否则cj(t)为伪分量；
[0023] c.构造表征变压器绕组振动状态的特征矢量：
[0024]①求筛选出的各有效頂F分量的能量Ej:
[0025] Ej = J | Cj(t) 12dt
[0026] ②采用有效頂F分量的能量构造表征变压器绕组振动状态的特征矢量V:
[0027] V=[vi,V2,-",vm]
[0028] 其中v_, ，M为筛选出的有效頂F分量个数，用特征矢量V来表征变压器绕组的 状态信息。
[0029] 上述变压器振动信号绕组状态特征提取方法，所述归一化相关系数^的阈值为振 动信号与剩余分量相关系数值的1.2倍。
[0030] 本发明在原有集合经验模态分解法的基础上，利用相关系数法去除干扰项及伪分 量。实验表明，该方法能够有效去除伪分量，保留有效分量，可获得非常高的状态识别率，为 实现变压器绕组故障的在线监测提供了有利条件。
【附图说明】
[0031] 下面结合附图对本发明作进一步详述。
[0032] 图1是绕组松动前的振动信号；
[0033] 图2是绕组松动时的振动信号；
[0034] 图3是变压器绕组正常状态下的頂F分量；
[0035] 图4是变压器绕组松动状态下的頂F分量。
[0036] 文中各符号表示为为加入白噪声处理的信号，x(t)为待分析信号序列，r为 白噪声的幅值系数，m(t)(i = l，2，···，ηι)为随机高斯白噪声序列，m为信号序列个数，cij为 对振动信号第i次加入高斯白噪声后的Xdt)进行分解得到的第j个IMF分量，r in为第i次对 Xdt)进行分解后的余项，η为分解层数，Cj(t)为原始信号进行集合经验模态分解(EEMD)后 所得的第j个頂F分量，r(t)为剩余分量，^为振动信号与分解产生的本征模式函数之间的 归一化相关系数，xk为x(t)第k次采样的样值，$为x(t)N个样值的平均值，(?为 Cj(t)第k次 采样的样值，^为N个样值的平均值Cj(t)，N为对x(t)和Cj(t)采样的次数Ej为有效IMF分量 cj (t)的能量，V为表征变压器绕组振动状态的特征矢量，Μ为筛选出的有效頂F分量个数。
【具体实施方式】
[0037] 本发明首先对振动信号进行EEMD分解，然后通过计算变压器振动信号与分解的本 征模式函数的归一化相关系数，来筛选出有用的IMF分量，最后利用筛选出的有效分量来构 造特征矢量，并将其作为变压器绕组状态识别的依据。
[0038]本发明包括以下3个步骤：
[0039] 1.振动信号的EEMD分解。
[0040] 2.根据归一化相关系数提取有效分量。
[0041 ] 3.构造表征变压器绕组振动状态的特征矢量。
[0042]第1步对变压器振动信号进行EEMD分解，首先对振动信号加入高斯白噪声，然后对 其进行EMD分解。具体过程如下：
[0043] (1)在待分析的振动信号中加入随机高斯白噪声序列，如式（1)所示:x(t)为待分 析信号序列;m为信号序列个数;r为白噪声的幅值系数，m(t)(i = l，2，···，!!!)为随机高斯白 噪声序列。
[0044] Xi(t) =x(t)+rru(t) (1)
[0045] (2)对每组加入白噪声处理的信号Xi (t)进行EMD分解，分解得出各自的頂F分量部 分和余项部分，BP: η
[0046] = (2) ./Η
[0047] 式(2)中，(?为对振动信号第i次加入高斯白噪声后的t(t)进行分解得到的第j个 IMF分量;rin为第i次对t (t)进行分解后的余项;η为分解层数。
[0048] (3)每一次加入互不相同的高斯白噪声序列，继而按照上述(1)和(2)分解信号；
[0049] (4)最终得到EEMD的结果为 η
[0050] X⑴= + (3) j