一种有载分接开关故障检测系统及方法

一种有载分接开关故障检测系统及方法
发明背景
有载调压变压器是电力系统中非常重要的输配电设备，它通过有载分接开关的逐级动作，实现对高压输配电网电网的有载调压，使工业供电和居民供电的系统电压保持稳定。

有载分接开关是有载调压变压器的核心部件，OLTC的性能状况直接关系到有载调压变压器的安全运行。

目前，有载调压变压器运行维护的主要工作量集中在OLTC上。

而目前有载分接开关的故障检测主要以定期的预防性试验、定期检查和故障检修的方式进行维护，主要维护方法也是以OLTC的运行时间和操作次数作为理论依据，进行定期性预防试验和检修，如果有载分接头没问题，检修会造成不必要的停电，同时，一些潜伏性的故障问题很难及时发现。

目前，有载分接开关常见故障种类主要可以可为五类：触头松动，触头磨损，主轴变形，主弹簧弱化，不同的故障其振动幅值变化复杂，其振动周期和振动频率也会随着故障的不同发生很大的变化，长短可能差距比较大，目前的的一些识别算法复杂，对处理器的要求非常高，而处理器长期处于高速运转状态，实现起来成本较高。

采用本发明的所提提供的方法不仅可以提高减少运算量，而且可以提高故障信号的识别率。

发明内容
本发明所提及的有载分接开关故障检测系统分为三部分：观测信号特征提取，训练信号库建立和信号匹配识别分类三部分。

在对信号进行匹配识别分类之前需要对两类信号进行处理。

首先需要对有载分接开关常在的五类故障振动信号进行样本预处理，进行特征提取，根据提取到的特征矢量进行模型建立；然后对有载分接开关实时采样到的振动信号即观测信号进行特征提取；最后计算观测信号和5个模型的匹配率，根据相似性准则，匹配概率最大即为输出最优。

一种有载分接开关故障检测系统其实现方法具体如下:
首先对采集到的混合信号进行剥离和特征提取。

剥离出独立的有载分接开关的振动分量，因为通过安装在油箱上的传感器采集到的振动信号除了有载分接开关本身的振动信号外，还包含了绕组、铁心、油泵、风扇的振动信号，因为这些信号是与电网频率相关的周期信号，而有载分接开关的动作是非周期类的冲击信号，因此，这两类信号是彼此独立的，于是可以把有载分接开关动作时的独立振动分量提取出来。

为了保证采样数据的完整性和准确性，本发明采用200k的采样频率进行采样，这样的话会导致采样到的数据数据量比较大，为了减少由于数据量多造成的计算量大的缺点，同时又能保证采集到的数据的完整性，本发明根据实际情况的先验知识，首先对采集到的振动信号进行主成分分析法进行降维处理，然后采用RboustICA算法快速
把将为后的数据分成若干个独立互补相干的分量，最后采用基于小波的正交匹配追踪算法重构出混合信号中的背景信号（周期信号）。

假设采集到的技术对实际信号剥离和特征提取具体步骤如下：
1.初始化时延参数L 、主分量数目N COUNT 、聚类数目N CLUSTER ；将加速度传感器所接收到的混合振动信号M(t)通过补零张成高维子空间信号M R (t)；
2.对高维子空间信号M R (t)进行PCA 主分量分析得到低维信号M PCA (t)；
3.对低维信号M PCA (t)执行RboustICA 独立分量分析算法，得到独立分量M RICA (t)，计算独立分量M RICA (t)的归一化峭度O KTIC ,并求出O KTIC 中最小值对应的独立分量信号M RICA_MIN (t)，即最小归一化峭度值对应分量信号M RICA_MIN (t)；
4.为了提高噪声信号对原信号的干扰，提高信号的重构率,利用M RICA_MIN (t)采用基于小波的正交匹配追踪算法重构出原混合振动信号中的周期信号M PERIOD (t)。

在本发明中采用Robust ICA 算法可以减少迭代次数， 加快收敛速度，极大减少了运算量；Robust ICA 提升了当信号存在坏点和伪局部极值时的鲁棒性；在小样本空间下，其均方误差也明显优于普通ICA 算法。

本发明所述的小波正交匹配算法步骤具体如下：
（a1）将M RICA_MIN (t)信号进行单层小波分解，得到N CAOI 和N CDO1两个小波带系数;
（a2）低频带系数保留，选取P ×Q/2维的高斯观测矩阵Φ，对高频带系数N CDO1进行测量，其中Φ服从高斯分布；
（a3）设输入传感矩阵为Φ，输入测量矩阵为N CDO1,输入稀疏度为K,初始化残O
Γ=N CDO1,索引
集
O
Ω=0,t=l,按照正交匹配算法步骤进行信号重构，输出N CDO1的近似解
1
CDO N 。

(a4)将1CDO N 与N CAOI 一起做小波反变换得到重构时域周期信号M PERIOD (t)。

5.剔除混合振动信号中的周期信号，)()(t t M t M M PERIOD STATE -=）（，得到包含有载分接开关状态的本征分量)t M STATE
（，包含了有载分接开关运行中的正常和非正常的状态信息，作为观测信号。

6.对有载分接开关状态的本征分量)t M STATE
（进行特征提取得到的数据直接写入FPGA 的RAM_1区。

使用MATLAB 软件生成有载分接开关运行状态信息的训练库，具体步骤具体如下： 对有载分接开关的训练样本信号进行高斯混合模型库训练和SVM 库训练，其具体步骤具体如
下：
1.对振动训练样本信号采用上述特征提取方法进行特征提取，得到W 维特征向量，其特征集可记为：},.....,,{w 21m m m M =；
2.采用K-means 聚类算法获取高斯混合模型的初始化参数λ0。

3.用期望最大化算法得到新的模型参数λ1，其约束条件为： )|()|(01λλM P M P ≥ ,其中)|(λM P 为高斯混合模型的似然函数。

4. 通过多次迭代，采用上次计算出的模型参数修正得到新的模型参数，直到获取到
)|(λM P 的最大值，完成高斯混合模型库的建立，把模型库中的数据生成COE 格式数据，存入
FPGA 的ROM_1区中。

5. 把建立好的混合高斯模型作为贝叶斯分类器的先验概率，做出决策，并记录训练样本的准确性，获取得分最高的类别统计出容易识别错误的类别，并建立对判误判类别查询表，生成COE 格式数据，存入FPGA 的ROM_4区中。

6. 对于容易判断出错的类别，建立易错样本的SVM 库，生成特定格式数据，存入FPGA 的ROM3区。

在完成对观测信号的特征提取、高斯混合模型训练库建立及SVM 训练库的建立后，需要对观测信号进行测试分类，其具体步骤如下：
1.
取出FPGA_ROM1区存储的混合高斯模型作为贝叶斯决策的先验模型，构造贝叶斯分
类器，同时对FPGA_RAM1区中观测信号进行贝叶斯后验概率计算。

2.
根据计算出后验概率在FPGA_ROM4中的对判错判分类表中查询该类型观测信号是
否属于易错判类别，若属于易错判信号，则采用FPGA_ROM2区的SVM 训练库对该观测信号进行样本分类；若不属于易错信号则直接采用贝叶斯决策的结果。

对于易错判信号，混合高斯模型不但充当了识别分类的参考模型， 而且起能够对待测特征矢量起到聚类的作用 ，利用混合高斯模型聚类后，更容易进行分类，而且被错分的机率就会大大降低，这样可以故障信号的识别能力，减少误判的概率。