一种基于绝缘油拉曼光谱小波包能量熵的油纸绝缘老化诊断方法

摘要

本发明属于电力设备安全状态评估领域，具体涉及一种基于绝缘油拉曼光谱小波包能量熵的油纸绝缘老化诊断方法，所述方法采用油纸绝缘设备绝缘油拉曼光谱小波包能量熵作为老化特征量，结合Kennard‑Stone算法、多分类支持向量机构建、并运用遗传算法优化得到的老化诊断模型能够快速有效地实现现场油纸绝缘设备的整体老化状态诊断，不仅不需要对某一种油中溶解老化特征物浓度进行定量分析，具有更好的容错性能；且具有“成长性”，在今后工作中可将现场运行变压器中取得的油纸绝缘样本来扩充该诊断模型的样本库，实现对诊断模型的不断校正与改进，提高油纸绝缘设备的运行维护水平。

说明书

技术领域

本发明属于电力设备安全状态评估领域，涉及一种变压器老化诊断方法，具体涉及一种基于绝缘油拉曼光谱小波包能量熵的油纸绝缘老化诊断方法。

背景技术

现场快速诊断运行油纸绝缘设备的老化状态是提高设备运行安全、防止重大事故的关键，对确保电力系统运行安全具有重要意义。目前，现有的油纸绝缘老化状态诊断方法，主要是由绝缘老化引起的理化参数和电气性能参数的变化来进行评估。理化参数中的聚合度和拉伸强度最能真实反映油纸绝缘的老化强度，但测量时需要对变压器进行停电吊罩，从绕组几处最有代表性的部位取样，实施起来难度大，且会对绝缘造成损伤。电气性能参数主要是参考绝缘油中气体分析及糠醛、甲醇以及丙酮含量等单一特征参量的阈值，但糠醛的含量测定方法中高效液相色谱法操作复杂、洗脱困难且存在柱外效应，紫外光谱法检测效果不稳定且易受到油中有机物的干扰，比色法不仅效果不理想，且检测中使用的甲苯胺被认为是最强的致癌物之一；而油中CO及CO₂含量检测通常采用的气相色谱法，色谱柱的性能会随着使用时间的增长逐渐下降，且气相色谱检测系统需要高水平的检测人员在实验室中进行操作，限制了其在现场检测中的运用。目前尚未形成能够对绝缘整体老化状况作出有效现场诊断的方法，因此，研究一种能够快速有效地诊断油纸绝缘设备老化程度的方法，不仅具有重要的意义，且应用前景巨大。

发明内容

本发明的目的是提供一种基于绝缘油拉曼光谱小波包能量熵的油纸绝缘老化诊断方法，所述方法以小波包能量熵为特征量，能够快速有效地评估油纸绝缘设备的老化程度，准确度高，容错性能高，且具有“成长性”。

为实现上述发明目的，本发明提供以下内容：

一种基于绝缘油拉曼光谱小波包能量熵的油纸绝缘老化诊断方法，包括以下步骤：

步骤(1)：测定训练样本油纸绝缘设备绝缘油的拉曼光谱信号；

步骤(2)：将步骤(1)获得的拉曼光谱信号小波包分解，计算小波包能量熵；

步骤(3)：运用Kennard-Stone算法建立训练样本矩阵，以步骤(2)得到的小波包能量熵作为训练样本的老化特征量，根据绝缘纸的聚合度划分的四个老化阶段，利用多分类支持向量机对训练样本进行训练，建立老化诊断初模型，再利用遗传算法优化SVM参数，获得老化诊断模型；其中，所述的四个老化阶段是以绝缘纸平均聚合度为判别依据进行划分，第I阶段是指DP≧900、绝缘良好，第II阶段是指500≦DP<900、老化早期，第III阶段是指250≦DP<500、老化中期，第IV阶段是指DP<250、老化晚期；

步骤(4)：测定待测油纸绝缘设备绝缘油的拉曼光谱信号，小波包分解后计算小波包能量熵，输入步骤(3)建立的老化诊断模型，获得老化类型结果。

本发明步骤(1)中所述的拉曼光谱信号可以进行预处理，所述的预处理包括但不限于基线校正、去噪、消除荧光背景干扰。

本发明步骤(1)中所述的训练样本是指老化程度已知的绝缘油，数量不少于50个；优选地，所述训练样本的数量不少于100个。

本发明步骤(2)和(4)中所述的小波包分解层数一样，同为2层、3层、4层、5层、6层或7层；优选地，所述的小波包分解层数一样，同为3层、4层或5层。

本发明步骤(3)中所述的遗传算法的进化代数为100，种群数量为20。

本发明步骤(2)和(4)中所述的小波包能量熵(WPEE)的计算方法是：用拉曼光谱谱图的波数替代时间单位，将光谱信号s(t)通过小波包分解到第j分辨层后得到2^j个等带宽的子空间，在子空间的子信号能够重建成式中是子空间的小波包分解系数，ψ_j,k(t)为小波函数；子信号的能量可通过以下公式计算得到：因此，s(t)的总能量E为每个子信号能量之和相对小波包能量p_n定义为每个子空间信号能量与信号总能量之比，即p_n＝E_n/E，它表示信号在这个子空间的能量分布的概率；小波包能量熵则定义为

在一个具体的实施方案中，所述的油纸绝缘老化诊断模型的构建方法如下：将至少不少于50个样本量、包含不同老化状态的训练样本绝缘油的拉曼光谱信号，预处理后进行小波包分解计算获得训练样本的小波包能量熵，运用KS算法建立训练样本矩阵和测试样本矩阵，通过训练样本对多分类支持向量机进行训练，建立老化诊断初模型，再利用遗传算法优化SVM参数C和γ，进化代数为100，种群数量定为20，根据训练样本获得全局最优分类，即建立老化诊断模型。所述的SVM参数C和γ优化的遗传算法的基本步骤如下：

①t＝0；

②随机选择初始种群P(t)；

③计算个体适应度函数值F(t)；

④若种群中最优个体所对应的适应度函数值足够大或者算法已连续运行多代，且个体的最佳适应度无明显改进则转到第⑧步；

⑤t＝t+1；

⑥应用选择算子法从P(t-1)中选择P(t)；

⑦对P(t)进行交叉、变异操作，之后转到第③步；

⑧给出最佳的核函数参数γ和惩罚因子C。

本发明对绝缘油拉曼光谱信号进行基线校正和去噪等预处理工作，以保证数据的有效性和准确性。选择3阶Daubechies小波(Db3)为母小波，对绝缘油样本的拉曼光谱进行4层小波包分解，获得16个子信号，并求出所有子信号的小波包熵，训练样本中6个子信号的小波熵如图2所示。根据图2可以看出，尽管每个子信号的小波能量熵都含有可用于绝缘油老化诊断的光谱信息，但是都不能单独地对老化阶段进行有效的区分，因此运用所有子信号的小波包熵作为输入特征量，结合基于遗传算法的多分类支持向量机来形成更优化的诊断模型。

本发明依据IEEE导则在密封系统中加速热老化方法模拟真实变压器的老化状态来获取老化绝缘油样本，得到老化时间为1,5,10,20,35,50和80天的加速老化油样。运用Kennard-Stone(KS)算法建立训练样本矩阵和测试样本矩阵，剔除奇异样本并划分训练样本140个及测试样本70个。按照国标检测标准对油纸绝缘老化样本中的绝缘纸聚合度(DP)进行检测，以各个老化时间阶段绝缘纸平均聚合度为判别依据，将油纸绝缘样本划分为四个老化阶段，绝缘良好，I:DP≧900，1天；老化早期，II:500≦DP<900，5天和10天；老化中期，III:250≦DP<500，20天和35天；老化晚期，IV:DP<250，50天和80天。分析四个老化阶段所有油样的小波包能量熵，结果见图3，从绝缘油拉曼光谱中提取的小波包能量熵(WPEE)从13.9增加至15.4，而绝缘纸的聚合度(DP)从1178降低至203，即随着老化时间的增加，油纸绝缘样本的老化程度更加严重，光谱信息更加丰富，导致绝缘油拉曼光谱小波包能量熵呈上升趋势。

本发明中用来诊断油纸绝缘老化状态的多分类支持向量机(SVW)是一种二分类器，一种“一对多”的分类方法来解决多分类的问题。基本思想为：建立k(k-1)/2个分类器来解决一个k分类的问题，每一个分类器都被训练来对两类样本进行分类。假设两个训练样本分别属于第m个和第n个老化阶段，多分类问题可通过解决如下二分类问题解决：

if y_i＝m，(ω^mn)^Tφ(x_t)+b^mn≥1-ξ_i^mn

if y_i＝n，(ω^mn)^Tφ(x_t)+b^mn≤-1+ξ_i^mn

其中(x₁，y₁),…,(x_l，y_l)为训练样本数据；x_i为各个特征量；y_i∈{1,…,k}为类标签；φ为将x_i映射到高维空间的函数；ω＝[ω₁,ω₂,…,ω_N]^T为联系特征空间和输出空间的线性权重；b为阈值；C为罚函数。ξ表示相应的x_i所允许的误差的松弛变量。当y_i＝m时，该样本处于第m个老化阶段，当y_i＝n时，该样本处于第n个老化阶段。

运用多分类支持向量机对上述140个训练样本进行训练，建立老化诊断初模型，并结合交叉验证原理对建立的老化诊断初模型预测的绝缘油老化状态分类进行验证，结果见表1，

表1

由表1可以看出，上述老化诊断初模型可以实现油纸绝缘老化阶段的有效诊断，对训练样本的十折交互验证判别正确率达到77.1％(108/140)，上述方法对后三个老化阶段的诊断能力非常优秀，对处于老化晚期的绝缘油样本的诊断正确率更是达到了87.5％，但是对I类油样的判别能力稍显不足。

四种分类器的受试者工作特征曲线见图4，水平轴为假阳性率(FPR)，垂直轴为真阳性率(TPR)，由图4可知，所有四条曲线均接近点(0,1)，曲线下包围拟合面积(AUC)达到0.9225，即对每一类样本分类器能够有效地对该类样本及其他三类样本进行区分。

再运用遗传算法(GA)对多分类支持向量机(SVM)参数C和γ进行寻优，进化代数为100，种群数量为20，算法的基本步骤如下:

①t＝0；

②随机选择初始种群P(t)；

③计算个体适应度函数值F(t)；

④若种群中最优个体所对应的适应度函数值足够大或者算法已连续运行多代，且个体的最佳适应度无明显改进则转到第⑧步；

⑤t＝t+1；

⑥应用选择算子法从P(t-1)中选择P(t)；

⑦对P(t)进行交叉、变异操作，之后转到第③步；

⑧给出最佳的核函数参数γ和惩罚因子C，并用其训练样本以获得全局最优分类。

其适应度曲线见图5，最优C和γ分别为4.27和3.51，优化后的多分类支持向量机对训练样本的十折交互验证正确率提升为100％(140/140)。经过GA算法优化得到的老化诊断模型，老化诊断正确率得到明显的提升。

本发明从能量的角度出发，采用油纸绝缘设备绝缘油拉曼光谱小波包能量熵作为老化特征量，结合Kennard-Stone算法、多分类支持向量机构建、并运用遗传算法优化得到的老化诊断模型能够快速有效地实现现场油纸绝缘设备的整体老化状态诊断。该方法不仅不需要对某一种油中溶解老化特征物浓度进行定量分析，具有更好的容错性能；且具有“成长性”，在今后工作中可将现场运行变压器中取得的油纸绝缘样本来扩充该诊断模型的样本库，实现对诊断模型的不断校正与改进，提高油纸绝缘设备的运行维护水平。

附图说明

图1是本发明方法进行老化诊断的流程图；

图2是本发明四层小波包分解后的样品16个子信号中的6个的小波包熵；

图3是本发明不同老化阶段油纸绝缘样本绝缘纸聚合度与拉曼光谱小波包熵的关系；

图4是本发明四种分类器的受试者工作特征曲线；

图5是本发明遗传算法对C和γ参数寻优的适应度曲线；

图6是前五个主成分的得分图；

图7是绝缘油样品的老化类别分类得分散点图；

图8是基于主成分的老化诊断模型对70个测试样本的测试结果；

图9是基于小波包能量熵的老化诊断模型对70个测试样本的测试结果。

具体实施方式

实施例1

本实施例搜集了重庆大学输配电装备及系统安全与新技术国家重点实验室配置的不同老化状态油纸绝缘标准油样数据，在剔除冗余样本和奇异值数据后，最终选择了280组(210组训练样本、70组测试样本)对应油纸绝缘设备不同老化阶段的拉曼光谱数据进行研究。

对280组样本拉曼光谱数据采用三次样条函数去除基线及五点三次平滑算法降低光谱噪声，并对数据进行归一化处理。

使用主成分分析法提取光谱特征信息，利用方差最大原则，对光谱数据所包含的多个自变量进行线性拟合，达到拉曼光谱数据的降维目的并在最大程度上保留诊断信息。预处理后主成分得分图如图6所示，前五个主成分(PC1、PC2、PC3、PC4、PC5)的累积贡献率超过了95％，可以充分表达原始光谱中的光谱信息，前三个主成分(PC1、PC2、PC3)对210个训练样本的分类得分散点图见图7，四个老化阶段的油纸绝缘样本在主成分空间中呈带状分布，各老化状态样本处于相对独立的空间，基于不同的主成分组合可以基本实现对四类训练样本的有效划分。因此，以这五个主成分当作老化特征量，通过多分类支持向量机训练210个训练样本，建立基于主成分的油纸绝缘老化诊断初模型，再利用遗传算法优化SVM参数，其中遗传算法优化的进化代数定为100，种群数量定为20，获得基于主成分的油纸绝缘老化诊断模型，所述基于主成分的油纸绝缘老化诊断模型对210个训练样本的诊断正确率为95.71％，对70个测试样本的诊断正确率为62.86％，结果见图8。

而以小波包能量熵为老化特征量，通过多分类支持向量机训练210个训练样本，建立基于小波包能量熵的油纸绝缘老化诊断初模型，再利用遗传算法优化SVM参数，其中遗传算法优化的进化代数定为100，种群数量定为20，获得基于小波包能量熵的油纸绝缘老化诊断模型，所述基于小波包能量熵的油纸绝缘老化诊断模型对210个训练样本的诊断正确率为100％(210/210)，对70个测试样本的诊断正确率为81.43％(57/70)，结果见图9。对于不相邻的老化类别，基于小波包能量熵的老化诊断模型有更小的分类错误，从而避免了严重的诊断错误。