[發(fā)明專利]一種基于振動特征的高壓并聯(lián)電抗器機械狀態(tài)評估方法

有效

• 申請?zhí)枺?/td>: 202010432433.X
• 申請日: 2020-05-20
• 公開（公告）號: CN111638028B
• 公開（公告）日: 2022-05-10
• 發(fā)明（設計）人: 高樹國;孟令明;曾四鳴;汲勝昌;黨永亮;劉宏亮;孫路;趙軍
• 申請（專利權）人: 國網河北省電力有限公司電力科學研究院;國家電網有限公司;西安交通大學
• 主分類號: G01M7/02
• 分類號: G01M7/02;G01R31/12;G06N3/04
• 代理公司: 石家莊新世紀專利商標事務所有限公司 13100
• 代理人: 呼春輝

1.一種基于振動特征的高壓并聯(lián)電抗器機械狀態(tài)評估方法，其特征在于：基于高壓并聯(lián)電抗器的歷史狀態(tài)數據和實時振動噪聲信號數據，通過LSTM神經網絡時間序列預測方法，對比預測特征值與實際特征值的偏差，衡量高壓并聯(lián)電抗器是或否出現(xiàn)機械缺陷或故障；包括S1高壓并聯(lián)電抗器振動信號和噪聲信號采集及數據預處理、S2建立LSTM神經網絡模型并設置參數、S3利用LSTM神經網絡模型預測振動信號和噪聲信號基頻幅值和S4利用綜合偏差衡量因子對高壓并聯(lián)電抗器運行狀態(tài)進行評估的步驟，

采集高壓并聯(lián)電抗器油箱表面的振動信號和噪聲信號，提取振動信號和噪聲信號中的特征值并組成特征序列，結合時間序列預測模型，計算預測特征值與實際特征值的綜合偏差衡量因子，通過該綜合偏差衡量因子判斷衡量高壓并聯(lián)電抗器的油箱內部是或否發(fā)生非自然趨勢的機械缺陷或故障；

所述S2建立LSTM神經網絡模型并設置參數的步驟包括S201確定輸入層、隱藏層和輸出層神經元個數和S202構建時間序列預測模型的步驟，

S2建立LSTM神經網絡模型并設置參數

S201確定輸入層、隱藏層和輸出層神經元個數

S202構建時間序列預測模型

根據隱藏層層數為1，構建LSTM神經網絡模型，網絡的隱藏層具有時序關系，具有當前信息的隱藏層的輸出作為輸入被轉移到下一時間步的隱藏層；

所述S4利用綜合偏差衡量因子對高壓并聯(lián)電抗器運行狀態(tài)進行評估的步驟包括S401計算綜合偏差衡量因子預測特征序列、S402判斷綜合偏差衡量因子預測特征序列是否大于閾值和S403告警或重復步驟S1至S4，

S4利用綜合偏差衡量因子對高壓并聯(lián)電抗器運行狀態(tài)進行評估

S401計算綜合偏差衡量因子預測特征序列

M_i＝{m₁,m₂,…m_i} (11)

式(11)中，M_i為真實的特征序列，形式為一維序列；i為序列對應的時刻，數值，根據采集信號的采集周期，時刻i每30min增加一次；m_i為序列M_i中的第i個時刻的特征，數值；

將預測序列F_i＝{f₁,f₂,…f_i}與真實的特征序列M_i＝{m₁,m₂,…m_i}進行對比，并計算綜合偏差衡量因子h，綜合偏差衡量因子定義如下：

式(12)中，h為綜合偏差衡量因子，數值；i為預測序列和真實的特征序列兩序列下標，數值；p為序列長度，數值；f_i為預測序列中第i個時刻的預測特征值，數值；m_i為真實的特征序列中第i個時刻的實際特征值，數值；

式(12)中，h為預測序列{f₁,f₂,…f_i}和真實的特征序列{m₁,m₂,…m_i}計算得到的綜合偏差衡量因子，數值；

S402判斷綜合偏差衡量因子預測特征序列是否大于閾值

若h大于綜合偏差衡量因子上限h_max,說明振動信號的特征與理想值偏差較大，高壓并聯(lián)電抗器內部緊固部件產生了一定的缺陷，發(fā)出報警，h_max取值范圍為[0.05,0.15]；

S403告警或重復步驟S1至S4

若綜合偏差衡量因子h小于綜合偏差衡量因子上限h_max，繼續(xù)采集數據，并基于當前數據執(zhí)行S1的步驟。

2.根據權利要求1所述的一種基于振動特征的高壓并聯(lián)電抗器機械狀態(tài)評估方法，其特征在于：將高壓并聯(lián)電抗器油箱表面的振動信號和噪聲信號的基頻幅值作為特征值。

3.根據權利要求1所述的一種基于振動特征的高壓并聯(lián)電抗器機械狀態(tài)評估方法，其特征在于：將30分鐘作為一個采樣周期，采集高壓并聯(lián)電抗器油箱表面的振動信號和噪聲信號。