变压器振动信号分析在重载铁路数字孪生变电所的应用研究.pdf

铁道运输与经济RAILW AY TRANSPORT AND ECONOMY第 45 卷 第 11 期变压器振动信号分析在重载铁路数字孪生变电所的应用研究Application of Transformer Vibration Signal Analysis in Digital Twin Substation for Heavy-Haul Railway刘继永1，王志良2，李卓2LIU Jiyong1，WANG Zhiliang2，LI Zhuo2（1.国能朔黄铁路发展有限责任公司 肃宁分公司，河北 沧州 062350；2.中国铁道科学研究院集团有限公司 机车车辆研究所，北京 100081）(1.Suning Branch,Guoneng Shuohuang Railway Development Co.,Ltd.,Cangzhou 062350,Hebei China;2.Locomotive&Car Research Institute,China Academy of Railway Sciences Corporation Limited,Beijing 100081,China)摘要：基于重载铁路数字孪生变电所建设，对变压器振动信号分析应用开展了重点研究。首先，采用经验小波变换对变压器振动信号进行分解处理，获取反映变压器振动特性的多阶经验小波分量；其次，以精细化复合多尺度分散熵RCMDE作为衡量各阶经验小波分量时域分布特性的指标，通过组合各阶经验小波分量对应的RCMDE，表征变压器振动信号的多维度特征；最后，采用优化的OPTICS聚类算法辨识变压器振动是否存在异常，优化的OPTICS算法能够有效改善建模样本不平衡的问题，使得构建的预警模型整体性能更为稳健。在朔黄铁路变压器安装测试设备，采集分析振动信号，对研究方法进行了验证。经过实例验证，该研究方法适用于变压器故障在线监测，对于辨识变压器机械性故障预警具有一定实用价值。关键词：变压器；振动信号；经验小波变换；分散熵；聚类Abstract:Based on the construction of digital twin substations for heavy-haul railways,key research has been conducted on the analysis and application of transformer vibration signals.Firstly,empirical wavelet transform was employed to decompose and process the transformer vibration signals for obtaining multi-order empirical wavelet components that reflect the transformer vibration characteristics.Secondly,the refined composite multi-scale dispersed entropy RCMDE was adopted as an indicator to measure the temporal distribution characteristics of each order of empirical wavelet components.By combining the RCMDE corresponding to each order of empirical wavelet components,the multi-dimensional characteristics of transformer vibration signals were characterized.Finally,the optimized OPTICS clustering algorithm was utilized to identify whether there were abnormalities in transformer vibration.This algorithm can improve the problem of imbalanced modeling samples,making the overall performance of the built early warning model more robust.Meanwhile,this paper collected and analyzed vibration signals,and validated the research method by installing testing equipment on transformers of the Shuohuang Railway.Practical verification shows that this method is suitable for online monitoring of transformer faults and has certain practical significance for identifying mechanical fault warning of transformers.Keywords:Transformer;Vibration Signal;Empirical Wavelet Transform;Dispersed Entropy;Clustering文章编号：1003-1421（2023）11-0150-10 中图分类号：U284；TM41 文献标识码：ADOI：10.16668/ki.issn.1003-1421.2023.11.19引用格式：刘继永，王志良，李卓.变压器振动信号分析在重载铁路数字孪生变电所的应用研究J.铁道运输与经济，2023，45(11)：150-159.LIU Jiyong，WANG Zhiliang，LI Zhuo.Application of Transformer Vibration Signal Analysis in Digital Twin Substation for Heavy-Haul RailwayJ.Railway Transport and Economy，2023，45(11)：150-159.-150刘继永 等 变压器振动信号分析在重载铁路数字孪生变电所的应用研究0引言目前，铁路牵引变电所变压器故障诊断手段主要包括：油中溶解气体分析法1、局部放电法2、红外测温法3-4、振动分析法5-8等。油中溶解气体法局限性在于故障辨识时效性低，无法对变压器外部辅件缺陷辨识。局部放电法时效性更为灵敏但易受外界环境干扰，噪声抑制技术是难点。红外测温法待缺陷升级为严重故障时才可发挥出价值。振动分析法主要检测变压器绕组松动及变形、铁芯松动、有载分接开关触头卡涩等机械故障。据统计表明，变压器绕组、有载分接开关、铁芯故障占变压器故障的70%9，为此，对变压器状态检测及诊断分析是必要的。数字孪生变电所是一种将物理变电所与数字模型相结合概念，旨在实现对变电所全面监测、分析和优化，变压器振动信号分析是其一项重要应用研究领域。通过振动检测判断变压器故障，在国内已有应用，主要基于对振动信号的阈值分析。通过对振动信号采用精细化复合多尺度分散熵(Refined Composite Multi-Scale Dispersed Entropy，RCMDE)提取各分解分量特征信息，从时域、频域多个尺度衡量变压器振动信号复杂度，用作区分正常及异常指标，可以建立变压器振动信号与故障之间关联模型，用来预测变压器未来可能发生的故障类型和时间，主要应用于重载铁路承担冲击负荷的牵引供电变压器运维。1重载铁路变电所数字孪生建设根据实际电气设备种类和业务需求，对变压器、隔离开关、断路器、避雷器电气及结构状态信号进行采集，开展数据模型管理、训练，实现设备状态分类评估、趋势预测及缺陷案例自学习模型建立。朔黄铁路(神池南黄骅港)黄骅港牵引变电所在国内重载铁路领域首次应用变电所数字孪生建设技术，在电力变压器高压侧A，B，C三相绕组上、下2个位置部署振动监测传感器，在牵引变压器本体高压侧T，F相绕组上、下2个位置部署振动监测传感器；采用强磁铁将振动传感器吸附在变压器低压侧面中部位置。变压器振动传感器测点布置及安装示意图如图1所示。2重载工况下变压器振动优化算法变压器振动主要由铁芯、绕组产生，铁芯振动信号中含有高次谐波分量10。自适应模态分解方法开始广泛应用于机械故障诊断领域，如经验模式分解11(Empirical Mode Decomposition，EMD)，集 合 经 验 模 式 分 解12(Ensemble Empirical Mode Decomposition，EEMD)，自适应噪声完全集合经验模态分解5-6(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)，经验小波变换13-14(Empirical Wavelet Transform，EWT)，变分模式分解15(Variational Mode Decomposition，VMD)等方法。EWT是具备小波变换理论框架自适应信号分解方法，较好地解决了EMD存在模态混叠问题。故研究采用EWT作为变压器振动信号时频分解方法，用于区分不同故障模式下差异性。2.1经验小波变换EWT算法主要在于对振动信号傅里叶谱进行合理划分，自适应性体现在能够构造一系列正交小波滤波器组，通过小波滤波器实现非线性信号分解，提取一系列调频调幅(AM-FM)分量。经验小波变换优点是抗模态混叠能力强、端点效应轻微且运算时间较短。EWT13计算步骤如下。步骤1：傅里叶变换(FFT)计算输入信号f(t)的频谱；步骤2：将频谱F()定义在0，范围内。步骤3：根据傅里叶频谱分段构造个经验小波 n()。步骤4：计算经验小波变换(EWT)。图1变压器振动传感器测点布置及安装示意图Fig.1Measurement point layout and installation of transformer vibration sensors-151刘继永 等 变压器振动信号分析在重载铁路数字孪生变电所的应用研究步骤5：根据公式进行信号重构。f(t)=Wf(0，t)1(t)+n=1NWf(n，t)n(t)=F-1(Wf(0，)1()+n=1NWf(n)n()式 中：1为 经 验 尺 度 函 数；Wf(0，)1()和Wf(n，)n()分别为Wf(0，t)1(t)和Wf(k，t)k(t)的傅里叶变换。2.2精细化复合多尺度分散熵采用精细化复合多尺度分散熵 RCMDE 提取各分解分量特征信息，用作区分正常及异常指标。分散熵源于香农(Shannon)熵和符号动力学，能够快速、有效地衡量系统或时间序列不规则性，一些细节信息可能被忽略但固有动态属性能够有效保留下来16-17。RCMDE在短数据、不同幅值范围、同时存在确定性过程和随机过程等不利条件下，能有效提取隐藏在变压器振动信号序列中特征信息，定量表征各种工况下振动信号复杂程度，在提取振动信号特征方面具有一定优势。RCMDE对分散熵改进，通过可变尺度因子参与，使得衡量振动信号更为敏感。对于一长度为N的单变量时间序列：x=x1，x2，xN，其分散熵(DisEn)计算步骤如下。（1）将xj(j=1，2，N)映射为c类，每个类别均是从1至c整数索引。在最大或最小值明显大于或小于信号均值或中值情况下，采用正态累积分布函数(Normal Cumulative Distribution Function，NCDF)映射方法能够解决xj主要信息仅分配为少数几个类别问题。NCDF 方法将x映射为y=y1，y2，yN，其中y0，1。NCDF映射公式为yj=12-xje-(t-)222dt式中：和分别是时间序列x标准差和平均值。采用线性算法为每个yi分配一个从1到c整数。为实现该映射过程，通过zcj=round(cyj+0.5)来实现转换，其中 round 函数表示通过四舍五入将(cyj+0.5)的值映射为(1，c)之间的一类。由于采用了NCDF非线性处理，整个映射过程为非线性。（2）计算具有嵌入维度m和时间延迟d的新序列zm，ci，其表示为zm，ci=zci，zci+d，zci+(m-1)d i=1，2，N-(m-1)d 每个时间序列zm，ci可被映射为一个分散模式v0v1vm-1，其中zci=v0，zci+d=v1，zci+(m-1)d=vm-1，可用于分配给zm，ci的潜在分散模式数量等于cm，这主要是因为信号有m个元素，每个元素又是1至c之间整数。（3）对于每cm个潜在分散模式v0v1vm-1来说，出现该模式相应的频率如下。p(v0v1vm-1)=#i|iN-(m-1)d，zm，cihastypev0v1vm-1N-(m-1)d式中：p(v0v1vm-1)表示为分配给zm，ci的分散模式v0v1vm-1的数量除以嵌入维度为m的嵌入信号总和；#表示集合中元素个数。（4）基于香农熵定义，DisEn值计算公式为DisEn(x，m，c，d)=-=1cmp(v0v1vm-1)ln(p(v0v1vm-1)当所有可能的分散模式具有相等概率值时，DisEn将获得最大值，其值为ln(cm)。相反，若仅存在一个不同于零的p(v0v1vm-1)，说明该序列为一个完全规则或可预测的时间序列，此时DisEn将获得最小值。本研究将DisEnln(cm)作为归一化DisEn应用。多尺度分散熵(MDE)计算方式如下：假定存在一长度为 L 单变量信号：u=u1，u2，uL。在MDE算法中，首先将原始信号u划分为多组长度为非重叠分段，其中为尺度因子。其次，计算每个分段平均值以得出粗粒度信号，计算公式为xj()=1b=(j-1)+1jub 1j|L=N通过DisEn方法计算每个粗粒度信号熵值，即获得多尺度分散熵。在RCMDE算法中，对于尺度因子来说，不同值的时间序列，建立粗粒化过程有不同起点，RCMDE可表示为对那些移位序列分散模式平均值进行香农熵计算。u 中第 k 个粗粒化时间序列xk=xk，1，xk，2，可表示为xk，j=1b=k+(j-1)k+j-1ub1jN，1k-152刘继永 等 变压器振动信号分析在重载铁路数字孪生变电所的应用研究对于每个尺度因子来说，RCMDE可定义为RCMDE(x，m，c，d，)=-=1cmp(v0v1vm-1)ln(p(v0v1vm-1)式中：p(v0v1vm-1)=11p()k为序列x()k(1k)中与分散模式相应的频率。p(v0v1vm-1)=11p()k计算公式为p(v0v1vm-1)=11p()k3预警评定指标OPTICS聚类算法优化采用优化的OPTICS聚类算法18-20构建变压器正常运行状态下异常预警模型，自适应对设备运行工况聚类，抽取出典型工况；对于无法形成簇类非典型工况，采用等距离划分法对其进行优化，并将优化结果作为聚类结果补充，完善预警模型稳健性。3.1OPTICS聚类算法3.1.1OPTICS算法原理OPTICS 聚类算法18是基于密度的聚类算法，其输出是训练样本的一个有序队列，从这个队列里面可以获得任意密度的聚类。OPTICS算法主要输入参数包括：初始邻域半径和最少点数min(Pts)，其算法核心概念包括：核心点、核心距离、可达距离、直接密度可达，定义具体如下。（1）核心对象：如果一个对象 p 的半径范围内包含点数量不小于最少点数，即count(N(p)MinPts，则该对象称为核心对象。其中count(N(p)表示对象p在半径邻域范围内包含对象点数。（2）核心距离：只有核心对象才能定义核心距离。对象p的核心距离定义为p成为核心对象的最小半径*。对象 p 核心距离coreDist(p)数学描述如下。coreDist(p)=无定义 count(N(p)MinPtsdist(p，MinPtsth)其他式 中：MinPtsth表 示 第 MinPts 个 对 象；dist(p，MinPtsth)表示对象p与对象MinPtsth的空间距离。（3）可达距离：对于核心对象p，对象q到p可达距离可定义为q到p距离或者p核心距离，数学描述如下。reachDist(p，q)=无定义count(N(p)MinPtsmax(coreDist(p)，dist(p，q)其他（4）密 度 直 达：如 果 对 象 p、q 满 足：qN(p)，且count(N(p)MinPts，则称 q 可由 p 密度直达，或称为q可由p直接密度可达。（5）密度可达：如果数据集D中包含对象p1，p2，pn，当i1，n-1时，pi+1可由 pi密度直达，那么则称p1与pn密度可达。3.1.2OPTICS算法流程基于以上OPTICS聚类算法核心概念，其实现流程描述如下。步骤1：已知数据集D，创建2个队列，有序队列O和结果队列R，有序队列用来存放核心对象及其密度直达对象，并按可达距离升序排列；结果队列用来存放样本点输出次序。通俗来讲，有序队列用于存放待处理数据，而结果队列用于存放已处理数据。步骤2：若D中所有样本点都被处理或者不存在核心对象，则算法结束；否则，选择1个未处理(即不在结果队列R中)且为核心对象的样本点p进行处理：将p放入结果队列R中，并在D中把p标记为已处理；找到D中p所有的密度直达样本点，若p的密度直达样本点不存在于结果队列中，则将其按可达距离排序放入有序队列O中。步骤 3：若有序队列 O 为空，则回到步骤 2，否则从O中取出第一个样本点q(即可达距离最小的样本点)，放入R中，并将q在O中删除、在D中标记为已处理。步骤4：若q不是核心对象，则重复步骤3，从有序队列O中再次选择一个可达距离最小的样本点；若q是核心对象，则找到其在D中所有密度直达样本点。判断密度直达样本点是否已存在于结果队列，若存在，则对其不予处理，否则进行下一步；若有序队列中已经存在 q 的密度直达样本点，并且其新的可达距离小于旧的可达距离，可用新的可达距离取代旧的，并对有序队列重新排序；若有序队列中不存在q的密度直达样本点，将该样本点按可达距离插入有序队列。-153刘继永 等 变压器振动信号分析在重载铁路数字孪生变电所的应用研究步骤5：重复步骤2，3，直到算法结束，最终在结果队列中得到一个按可达距离分布的有序样本点。基于以上步骤，OPTICS算法获得1个非显式聚类结果，为确定具体确定聚类数需更进一步对训练样本的有序排列作一定决策判断。OPTICS算法聚类决策规则如下：给定邻域半径，当各样本点的可达距离小于时，此时可达距离有效，可形成聚类结构。对于可达距离大于的样本点，被判别为噪声点。一般情况下，决策图凹陷越深，说明聚类越紧密，样本间的相似度越高。3.1.3构造状态矩阵依据对训练样本聚类结果，可构造出用于辨识异常的智能预警模型，实现方式如下。（1）假定一样本集X=x1，x2，xi，xn，其中xi表示第i个样本，且每个样本包含m个参量，即XRnm。（2）经过OPTICS算法聚类后，样本集X被划分成 K 个簇类，每个样本均附带一个所属簇类标签。（3）针对每一簇类下所有样本，分别计算其平均值，均可得到1个1m大小向量，最终K个簇类对应1个Km大小平均值矩阵H，即HRKm，简称为状态矩阵，该矩阵每行向量代表 1 种运行模式。因训练样本集涵盖了设备运行全部或者绝大部分运行模式，理论上，新数据在状态矩阵中匹配到最相似向量，可作为其理论值是合理的。本研究以平均值作为簇代表，虽不及与簇中所有成员计算得来理论值精度高，但却能做到计算轻量化，符合实际现场应用。以上所述状态矩阵定义为本研究的预警模型。3.2等间距简化法OPTICS算法在实际应用中面对复杂状态数据情况下，会把不能形成聚类的样本判为噪声，由于训练样本均为设备正常运行数据，被OPTICS算法判为噪声样本依旧是有意义的，若将噪声样本抛除或用平均值替代，将大大降低新数据匹配精确度。针对以上问题，研究采用等间距简化法对噪声样本进行更进一步处理，一方面赋予噪声样本具有表征运行模式的意义，另一方面将噪声样本融入到状态矩阵中，完善原状态矩阵中不足。主要运行模式思路如下。步骤1：对噪声样本中每一参量数据进行归一化处理，将原数据转化在0，1范围内。步骤2：假定噪声样本包含g个运行模式，并在0，1之间等间距划分成g个间隔，默认每一间隔代表一种运行模式。步骤3：选定一个状态参量作为基准量，按大小将其对应噪声样本散落到不同间隔中。步骤4：对于存在样本的间隔，将其包含的样本进行平均计算，计算结果即代表一种运行模式，以此方式作为简化噪声样本；不存在样本的间隔则忽略不计。步骤5：依照步骤2至步骤4，可多次选择不同基准量重复操作，最终获得噪声样本工作空间包含的主要运行模式。参照以上操作流程，最终可从噪声样本中获取多组表征主要运行模式状态向量，再将其添加至状态矩阵中，完善原状态矩阵对零散、小体量、非常规正常运行模式的涵盖。3.3预警评定指标确定状态矩阵后，通过空间距离衡量新数据与各运行模式匹配度，计算新数据与状态矩阵中每行向量的空间距离，空间距离最小的状态向量作为该新数据理论值。空间距离采用欧式距离来计算，计算公式为dist(x，y)=i=1m(xi-yi)2式中：xi，yi为2种模式状态矩阵的行向量。对于实际值与理论值偏差，可采用均方根误差(Root Mean Square Error，RMSE)加以度量，其计算公式为RMSE=1mi=1m(observedi-calculatedi)2100%式中：observedi，calculatedi为观测矩阵与计算矩阵的行向量。在实际中，设备故障缺陷是一个性能逐渐退化过程且非单一参量引起，往往以多物理量耦合形式呈现出来。本研究采用多参量分析，更易于觉察设-154刘继永 等 变压器振动信号分析在重载铁路数字孪生变电所的应用研究备存在隐患，将RMSE作为预警评定指标，代表着1个整体偏差量，当1个或多个参量实际值与理论值存在偏差时，最终均会反映在RMSE数值上。4预警建模4.1故障模拟选用该牵引变电所其中一个电力变压器作为研究对象验证所研究方法是否可行有效。分别模拟不同运行工况异常缺陷，并作为负样本与正常运行状态下的振动信号形成对比。（1）螺栓松动模拟。通过拧松紧固螺栓螺母，使铁芯受到的压紧力减小，硅钢片间隙增大，铁芯紧固螺栓松动实物图如图2所示，铁芯紧固螺栓松动模拟图如图3所示。（2）多点接地模拟。恢复松动螺母至初始状态。在右下角再安装1个接地片构造2个接地点故障，铁芯多点接地模拟实物图如图4所示。据相关研究表明9，变压器铁芯机械性故障振动频率主要表现在(0，1 000)Hz范围内，本实验设置信号采样频率为2 kHz。通过调压器调节低压侧输入为380 V，400 V，420 V，440 V，模拟变压器不同运行工况。采集变压器正常、铁芯紧固螺栓松动及多点接地3种模式下不同电压等级振动信号，每种工况采集15组样本。4.2振动信号处理取一组正常原始振动信号，变压器正常振动信号如图5所示，振动幅值位于(-0.04，0.08)区间范围内，为避免零点漂移影响到振动信号特征提取，优先对漂移量进行剔除。采用EWT分解振动信号，共获取到6阶经验小波模态分量，EWT分解结果如图6所示，不难发现第1阶模态分量呈非周期性且近似直流分量，主要成分由零点漂移量决定，对振动信号影响较小。本研究在后续振动信号特征提取时通过排除第1阶模态分量方式来抑制漂移量“噪声”信号。为展示EWT 良好信号分解特性，就相同测试样本采用EMD 进行分解对比，EMD 分解结果如图 7 所示。相比图6，图7中主要存在2个问题：EMD过度分解，产生过多低频分量，对于周期性信号分析意义较小；EMD存在严重模态混叠现象，图7中展示第2及第3阶分量尤为明显。图6中展示第2阶分量对应于变压器基频振动波形，该波形近似于标准图2铁芯紧固螺栓松动实物图Fig.2Physical drawing of loose iron core fastening bolts图3铁芯紧固螺栓松动模拟图Fig.3 Simulated drawing of loose iron core fastening bolts图4铁芯多点接地模拟实物图Fig.4Physical diagram of multi-point grounding simulation of iron core图5变压器正常振动信号Fig.5 Normal vibration signals of transformer-155刘继永 等 变压器振动信号分析在重载铁路数字孪生变电所的应用研究正弦波形，几乎无杂散分量掺杂其中，表明EWT分解具备较为优良的时频分解特性。后续振动信号分析选取EWT分解第2至6阶分量。4.3RCMDE特征有效性RCMDE参数有：类别数c、嵌入维度m、时间延迟d、尺度因子。若c值过大，很小变化可能引起类别改变，此时噪声对分散熵影响较为敏感，考虑到信号长度，c值选取不能太大；若嵌入维度m很大，将导致分散熵不能观测小振动；若d值越大，分散熵稳定性越差；若值越大，对于短时间序列复杂度衡量较为片面，难以从整体表征信号固有特性。本实验中，c，m，分别取值4，4，3；d默认为1。以变压器低压侧振动信号为例，提取铁芯正常、紧固螺栓松动、多点接地3种运行模式振动信号RCMDE特征，每种模式下取5组样本，构建RCMDE特征序列如图 8 所示。每个样本选取 5 阶模态分量，RCMDE尺度因子为3，可提取出15个特征值。通过比对图8中各模式下振动特征序列，不难发现，RCMDE作为衡量变压器振动特性指标是可行的。3类特征序列差异性主要集中在以下几个方面：第1阶模态分量对应3个特征，正常情况相较于其余两类，其具有明显上浮变化；第4个特征，铁芯紧固螺栓松动特征相较于前3个特征有所减小，相反另外两者有所增加；第5个特征明显将正常情形与其余两种区分开来；第9/10个特征区分三者之间差异度较为显著。其余特征量也在一定程度上存在区分度。概括来说，RCMDE作为变压器振动信号特征提取方法，在特征收敛性及表征性方面均具有较为出色表现。4.4预警模型采用OPTICS聚类算法构建模型本质是对大量数据删繁就简，从中提取出具有代表性数据“样例”。新数据与这些样例数据若能匹配上(两者空间距离较小情况)，则将样例数据所具有的属性赋予新数据。同理，当一个新变压器振动信号样本产生时，该样本数据若能与预警模型中“样例”数据相匹配上，即可将“样例”数据所携带的正常属性赋予该新样本数据，从而判断变压器当前状态是健康图6EWT分解结果Fig.6EWT decomposition results图7EMD分解结果Fig.7EMD decomposition results-156刘继永 等 变压器振动信号分析在重载铁路数字孪生变电所的应用研究运行的。以RMSE评定故障样本与正常样本的偏差，多点接地时预警偏差结果如图9所示，紧固螺栓松动时预警偏差结果如图10所示，测试样本按电压等级由低至高排列，随着电压等级升高，RMSE指标也呈现上升趋势，说明高电压情况下更易激发出明显故障特征。因构建预警模型样本均是正常样本，故当新正常样本与预警模型进行匹配时，其RMSE值几乎恒为0。从长远角度观察，故障样本与正常样本的RMSE值会形成鲜明层次分布，由目测即可判断出变压器是否异常。OPTICS聚类算法能否形成簇类，很大程度上取决于最少点数min(Pts)，当零散运行工况样本数量小于 min(Pts)，OPTICS 就会判定其为噪声信号并将其遗弃。显然，OPTICS聚类算法在复杂工况下挖掘数据深层次价值信息存在一定局限性。本研究提出采用等间距简化法对噪声样本进行二次处理，并将其作为对OPTICS模型补充，完善模型稳健性。由于等间距简化法的提出是为了应对复杂工况数据，而研究所模拟数据工况类型较为单一，不易体现出优化方法带来明显对比效果，不对其作细致分析。5结论基于重载铁路数字孪生变电所建设，重点开展了变压器振动信号分析应用研究，提出并基于试验验证了一种基于数字孪生数据驱动方法，核心思想是利用振动信号中特征模式和变化趋势来判断变压器健康状态，并提前采取维护措施，以避免故障发生和损坏。所研究方法具有如下特点。（1）采用EWT对振动信号傅里叶谱进行合理划分，获得多组反映变压器振动特性的分解分量。（2）提出一种基于 EWT 与 RCMDE 相结合的特征提取方法，能够从变压器振动信号中提取出具有强表征特性的特征值。建立变压器振动信号基准模型和正常状态下特征参数，可以对比实时采集的振动信号数据，有效的特征值对于辨识变压器是否存在异常起到关键性作用。（3）提出一种基于OPTICS聚类算法及等间距图8RCMDE特征序列Fig.8RCMDE characteristic sequence图9多点接地时预警偏差结果Fig.9Early warning deviation results during multi-point grounding图10紧固螺栓松动时预警偏差结果Fig.10Early warning deviation results of loose iron core fastening bolts-157刘继永 等 变压器振动信号分析在重载铁路数字孪生变电所的应用研究简化法的变压器主要运行模式建模方法。通过等间距简化法对OPTICS聚类算法噪声信号处理，有效弥补了OPTICS聚类算法自身存在的不足，使得构建的预警模型更为稳健。根据预警模型输出结果，对变压器运行状态进行实时监测和预警，当模型检测到异常情况或预警信号时，可以触发相应的警报、通知或自动化操作。变压器振动信号分析在数字孪生变电所中的应用研究具有重要意义，可以实现对变压器的实时监测、故障预测和优化，提高变压器的安全性和可靠性；该领域的研究还需要进一步深入，后续将结合变电所数字孪生试用情况，采集更多现场变压器振动信号，进一步验证所研究方法在工程现场实用效果。参考文献：1 王 政，郭 峰，杨 锟，等.一起基于油色谱分析的变压器过热故障分析J.山东电力技术，2020，47(6)：52-55，58.WANG Zheng，GUO Feng，YANG Kun，et al.Analysis of Transformer Overheating Fault Based on Oil Chromatography AnalysisJ.Shandong Electric Power，2020，47(6)：52-55，58.2 邱炜，高竣，刘鑫，等.基于局放定位的变压器铁芯多点接地故障诊断分析J.电工电气，2022(1)：36-41.QIU Wei，GAO Jun，LIU Xin，et al.Multi-Point Grounding Fault Diagnosis of the Transformer Iron Core Based on PD Positioning MethodJ.Electrotechnics Electric，2022(1)：36-41.3 杨智锋.通过电气试验、红外测温来分析变压器过热性故障J.大科技，2016(34)：102-103.4 刘禹.红外热成像对变压器过热故障的诊断分析J.大科技，2016(33)：120-121.5 洪翠，邱仕达，高伟.CEEMDAN与GCN结合的配电变压器故障诊断J.电子测量与仪器学报，2022，36(12)：86-96.HONG Cui，QIU Shida，GAO Wei.Fault Diagnosis of Distribution Transformer Based on CEEMDAN and GCNJ.Journal of Electronic Measurement and Instrumentation，2022，36(12)：86-96.6 罗 兵，徐 立，王婷婷，等.基于 CEEMDAN-GAF 的变压器机械故障检测方法J.电测与仪表，2023，4(5)：1-9.7 陈朝阳.基于振动分析的配电变压器机械故障诊断研究D.天津：河北工业大学，2022.8 赵莉华，张振东，张建功，等.运行工况波动下基于振动信号的变压器故障诊断方法J.高电压技术，2020，46(11)：3925-3933.ZHAO Lihua，ZHANG Zhendong，ZHANG Jiangong，et al.Diagnosis Methods for Transformer Faults Based on Vibration Signal under Fluctuating Operating ConditionsJ.High Voltage Engineering，2020，46(11)：3925-3933.9 SECIC A，KRPAN M，KUZLE I.Vibro-Acoustic Methods in the Condition Assessment of Power Transformers：A SurveyJ.IEEE Access，2019(7)：83915-83931.10 DUAN X M，ZHAO T，LIU J X，et al.Analysis of Winding Vibration Characteristics of Power Transformers Based on the Finite-Element MethodJ.Energies，2018，11(9)：2404.11 HUANG N E，SHEN Z，LONG S R，et al.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series AnalysisJ.Proceedings of the Royal Society of London Series A：Mathematical，Physical and Engineering Sciences，1998，454(1971)：903-995.12 王吉林，孟垂懿.基于 EEMD 的变压器振动与声音信号 IMF 峭度特征量提取方法J.水电能源科学，2019，37(9)：183-187.WANG Jilin，MENG Chuiyi.Feature Extraction Method for Transformer Vibration and Audio Signal Based on Ensemble Empirical Mode DecompositionJ.Water Resources and Power，2019，37(9)：183-187.13 尚海昆，李宇才，林伟.基于EWT-MQE的变压器局部放电特征提取J.电力系统保护与控制，2022，50(14)：161-171.SHANG Haikun，LI Yucai，LIN Wei.Partial Discharge Feature Extraction of a Transformer Based on EWT-MQEJ.Power System Protection and Control，2022，50(14)：161-171.14 张鹏，齐波，张若愚，等.基于经验小波变换和梯度提升径向基的变压器油中溶解气体预测方法J.电网技术，2021，45(9)：3745-3754.ZHANG Peng，QI Bo，ZHANG Ruoyu，et al.Dissolved Gas Prediction in Transformer Oil Based on Empirical Wavelet Transform and Gradient Boosting Radial BasisJ.