关键词:
配电变压器
故障诊断
振动信号
CEEMDAN
GCN
摘要:
针对配电变压器故障特征提取困难、故障识别难度大的问题,提出一种将振动信号、自适应噪声完备集合经验模态分解(CEEMDAN)与图卷积神经网络(GCN)三者有机结合的故障诊断方法。首先,采用CEEMDAN对来自加速度传感器的振动信号进行处理,获得一组固有模态分量(intrinsic modal function);其次求取边际谱信息作为特征向量;然后,对特征向量矩阵构造无向加权完全图,并使用改进灰狼优化算法对高斯核带宽进行寻优;最后,搭建一个具备多通道和多连通的改进GCN模型进行特征二次挖掘与故障分类。与此同时,还在模型中加入一种名叫“峰值因子”指标实现对未知类型故障的辨识。在实例分析中,分别对油浸式和干式变压器进行故障模拟,提取不同状态的样本进行测试。实验结果表明,所提方法对油浸式和干式变压器的故障识别准确率分别达到97.73%和95.6%,优于其他两种对比方法。在面对未知类型故障以及运行工况发生变化时,也具备较高是识别能力。