吳經(jīng)鋒， 王文森， 張 璐， 韓彥華， 李 祎， 張玉焜， 汲勝昌

(1. 國網(wǎng)陜西省電力有限公司電力科學研究院， 陜西 西安 710100； 2. 西安交通大學電力設(shè)備電氣絕緣國家重點實驗室， 陜西 西安 710049)

1 引言

高壓并聯(lián)電抗器作為電力系統(tǒng)中關(guān)鍵的無功補償設(shè)備，在保證電網(wǎng)運行質(zhì)量與安全方面具有重要作用[1-4]。隨著電力系統(tǒng)的快速發(fā)展與能源互聯(lián)戰(zhàn)略的積極響應(yīng)，并聯(lián)電抗器投入使用的數(shù)量逐漸增多，而長期振動與結(jié)構(gòu)設(shè)計缺陷等因素會造成高壓并聯(lián)電抗器產(chǎn)生機械故障[5-7]。電抗器油箱表面的振動信號包含重要信息，與內(nèi)部機械健康狀態(tài)存在緊密聯(lián)系[8,9]。因此開展基于振動信息的高壓并聯(lián)電抗器內(nèi)部機械狀態(tài)診斷方法的相關(guān)研究具有重要意義，方便運維人員及時發(fā)現(xiàn)機械缺陷和潛在故障并加以解決，是電抗器安全可靠運行的有力保障。

目前，國內(nèi)外學者開展了大量關(guān)于電抗器振動信號特征提取方法的研究，主要集中在經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)上的改良[10,11]。文獻[12]考慮EMD處理非線性信號效果不佳，提出使用排列熵算法(Multi-scale Permutation Entropy, MPE)將多尺度理論與信息熵相結(jié)合對振動信號提取特征的方法；文獻[13]考慮EMD存在端點效應(yīng)等問題，提出經(jīng)驗小波變換(Empirical Wavelet Transform, EWT)方法，可提取原信號的固有模式。以上研究雖提出特征提取的改良方法，但其都需人工進行特征提取，不具有泛化性，且特征提取效果欠佳，降低了診斷效率與準確度。為解決這一問題，本文提出使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)對信號進行特征提取與分類。目前，利用卷積神經(jīng)網(wǎng)絡(luò)進行分類的方法已經(jīng)有部分應(yīng)用于電力設(shè)備故障檢測方面。文獻[14]提出基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法，分析油氣樣本數(shù)據(jù)來判斷當前變壓器的故障類型；文獻[15]提出基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器套管故障紅外圖像識別方法，建立故障識別模型對3種故障狀態(tài)進行識別。因此，CNN算法解決了人工處理轉(zhuǎn)化電力設(shè)備非泛化數(shù)據(jù)導(dǎo)致效率低、精度低的問題，并且在智能電網(wǎng)中具有更高的工程應(yīng)用價值。

本文提出基于卷積神經(jīng)網(wǎng)絡(luò)算法的并聯(lián)電抗器機械故障診斷方法，以10 kV電抗器為研究對象，在5種機械狀態(tài)下進行振動信號采集，以剔除背景噪聲的振動信號時域波形與頻譜作為模型輸入變量，隨后探究不同參量對模型診斷精度的影響，從而得到性能最佳的故障診斷模型，最后對比不同故障診斷模型之間的診斷精度，驗證本文提出的故障診斷方法具有可行性與準確性，實現(xiàn)對電抗器內(nèi)部機械健康狀態(tài)的準確診斷。

2 電抗器箱體振動實驗

2.1 振動平臺搭建

電抗器振動實驗平臺如圖1所示，其中實驗電抗器為一臺可設(shè)置傳統(tǒng)機械故障的10 kV油浸式并聯(lián)電抗器，具體參數(shù)見表1。

圖1 振動實驗平臺Fig.1 Vibration test platform

表1 10 kV并聯(lián)電抗器主要參數(shù)Tab.1 Main parameters of 10 kV shunt reactor

實驗平臺中三相調(diào)壓器容量為150 kV·A，三相變壓器額定容量為100 kV·A，5個開關(guān)的分接電壓分別為10 500 V、10 250 V、10 000 V、9 750 V和9 500 V，短路阻抗為3.8%。振動信號采集裝置主要由IEPE型壓電式加速度振動傳感器、數(shù)據(jù)傳輸線、信號采集裝置和移動接收端構(gòu)成。由于電抗器本身質(zhì)量與體積較大，可以忽略壓電式加速度振動傳感器本身體積與質(zhì)量的影響，傳感器具體參數(shù)見表2，其中g(shù)為重力加速度。信號采集裝置的最高采樣率為51.2 kS/s。

表2 傳感器主要參數(shù)Tab.2 Main parameters of sensor

2.2 振動測點選擇

電抗器本體振動受到內(nèi)部鐵心與繞組等機械構(gòu)件疊加作用，其中主要為：①鐵心受麥克斯韋力作用與磁致伸縮效應(yīng)影響；②繞組受漏磁與電流相互作用的電磁力影響。電抗器油箱表面測點位置不同，振動受固體與液體途徑傳遞的影響也會不同[16-18]。

基于電抗器振動特性與測點選擇原理[19,20]，振動幅度較大，信噪比相對也較大，能夠排除內(nèi)外噪聲信號干擾；此外，振動幅度過大會影響識別內(nèi)部輕微機械損傷的靈敏度，對故障診斷帶來嚴重影響。文獻[21]通過分析電抗器油箱內(nèi)外多個測點的振動信號，得到油箱正面中部測點為最佳測點。因此，本文選擇油箱正面中部的“十”字區(qū)域進行測點布置。實驗時選擇使用5個加速度振動傳感器進行信號采集，分別記為1號測點、2號測點、3號測點、4號測點與5號測點，測點布置如圖2所示。

圖2 電抗器油箱表面測點布局圖Fig.2 Layout drawing of measuring points on surface of oil tank of reactor

2.3 數(shù)據(jù)采集

電抗器實際運行過程中會出現(xiàn)鐵心松動、繞組松動和螺桿松動等機械故障。文中通過人為松動一根螺桿，使緊固鐵心的夾件壓緊強度降低，導(dǎo)致繞組上側(cè)壓釘緊固狀態(tài)在一定程度上失效，進而達到模擬鐵心與繞組同時松動的機械故障，電抗器內(nèi)部結(jié)構(gòu)與具體調(diào)整位置如圖3所示。振動實驗在額定電壓下開展，油箱內(nèi)部含有足量的變壓器油，實驗以3號螺桿為缺陷模擬對象，使用扭矩扳手來對其預(yù)緊力大小進行調(diào)節(jié)。實驗時設(shè)置了5種不同狀態(tài)下的預(yù)緊力見表3。

圖3 振動實驗調(diào)整部位Fig.3 Vibration test adjustment part

表3 5種狀態(tài)下預(yù)緊力設(shè)置Tab.3 Pre-tightening force setting in five states

基于搭建的實驗平臺開展振動實驗，為保證具有足量的數(shù)據(jù)，防止偶然性數(shù)據(jù)對模型訓(xùn)練造成影響，5種狀態(tài)下每間隔5 min采集一組實驗數(shù)據(jù)，5個測點共采集到600組數(shù)據(jù)。

3 數(shù)據(jù)處理與特征分析

3.1 數(shù)據(jù)預(yù)處理

對實驗數(shù)據(jù)進行預(yù)處理，方法為快速傅里葉變換與小波閾值去噪?？焖俑道锶~變換公式如下：

(1)

式中，x(t)為原始信號。

小波閾值去噪的核心是抑制一定程度上的雜波，其流程如圖4所示。

圖4 小波閾值去噪流程圖Fig.4 Flow chart of wavelet threshold denoising

小波閾值去噪的計算公式如下：

(2)

(3)

式中，ω為頻率；a為尺度，控制小波函數(shù)的伸縮；τ為平移量，控制小波函數(shù)的平移。

3.2 振動特征分析

預(yù)處理得到振動信號的振動加速度與時間的時域波形、振動加速度與頻率的頻譜圖。通過對5個測點的所有數(shù)據(jù)初步篩選，一共得到561張振動信號的時域波形與頻譜，其中狀態(tài)1有119張，狀態(tài)2有109張，狀態(tài)3有112張，狀態(tài)4有116張，狀態(tài)5有105張。以2號測點為例，圖5為不同狀態(tài)下振動信號的時域波形與頻譜圖。

圖5 5種狀態(tài)下的振動加速度Fig.5 Vibration acceleration in five states

由圖5(a)～圖5(e)可知，狀態(tài)1的時域波形較為平滑，但隨著預(yù)緊力減小，狀態(tài)2、狀態(tài)3、狀態(tài)4、狀態(tài)5的時域波形產(chǎn)生少量諧波；在頻譜圖中，當松動發(fā)生后基頻幅值會產(chǎn)生驟降，300 Hz分量存在一定程度的上升。

為探究預(yù)緊力大小與振動信號的線性關(guān)系，引入頻譜復(fù)雜度來進行分析，其計算公式如下：

(4)

式中，H為頻譜復(fù)雜度；ev為頻率比重。

對頻譜進行計算得到5種狀態(tài)的頻譜復(fù)雜度見表4。由表4可知，頻譜復(fù)雜度會隨著松動的發(fā)生而大幅增加。反映在出現(xiàn)松動后，電抗器運行過程中鐵心與繞組振動幅度增大，產(chǎn)生相對位移，所以松動狀態(tài)下會呈現(xiàn)較復(fù)雜的頻譜，表現(xiàn)在高頻率階段模態(tài)能量發(fā)生變化，導(dǎo)致基頻模態(tài)能量降低，使得頻譜分布復(fù)雜化。

表4 不同狀態(tài)下的基頻幅值與頻譜復(fù)雜度Tab.4 Fundamental frequency amplitude and spectrum complexity in different states

4 卷積神經(jīng)網(wǎng)絡(luò)

電抗器產(chǎn)生輕微機械故障時的振動信號變化微弱，同時由于傳統(tǒng)的機器學習需要人工進行特征提取，會導(dǎo)致特征提取時浪費較多的時間，且對于人員的專業(yè)技能要求較高，不具有泛化性。為克服上述困難，規(guī)避人工提取特征的缺陷，采用卷積神經(jīng)網(wǎng)絡(luò)的方法對故障特征進行自動學習與模式識別。

4.1 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)是深度學習中成熟的算法模型，其核心是一個多層感知機，其網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 Structure diagram of convolutional neural network

圖6中，卷積神經(jīng)網(wǎng)絡(luò)包含輸入層、卷積層、池化層、全連接層與輸出層，其中卷積層與池化層功能如下：

(1)卷積層

卷積層通過模擬人類視覺系統(tǒng)的工作方式，將一組神經(jīng)元構(gòu)建成一個卷積層，其中每個神經(jīng)元都可以學習權(quán)重和偏置。卷積層利用卷積核在輸入圖像上逐步滑動窗口進行計算，來提取圖像的特征，滑動整個圖像后獲得精細且復(fù)雜、非線性映射的特征信息。

設(shè)單個輸入圖像為x，卷積核數(shù)目為n，每個卷積核大小為m×1，則卷積層C的第k個卷積核輸出結(jié)果為：

(5)

(2)采樣層(池化層)

池化層是特征提取后的一個抽樣操作，方法是在保證圖像旋轉(zhuǎn)不變性的前提下，對卷積結(jié)果進行最大采樣，目的在于降低維度，篩選關(guān)鍵特征信息，并減少運算量，進而提升訓(xùn)練速度。設(shè)采樣寬度為q×1，則第k個卷積核相對應(yīng)的采樣層S輸出結(jié)果為：

(6)

式中，aS,j,k為第k個卷積核相對應(yīng)采樣層S的第j個輸出。

4.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法

模型采用反向傳播算法(Back Propagation algorithm, BP)進行模型優(yōu)化，即通過反復(fù)循環(huán)迭代進行反饋傳遞、權(quán)重和偏置的更新，在目標函數(shù)收斂到預(yù)設(shè)的閾值時停止迭代。

模型輸出的預(yù)測值與實際值即標簽類別之間的誤差函數(shù)為：

(7)

(8)

(9)

5 實例分析

5.1 故障診斷模型訓(xùn)練過程

搭建完整的電抗器機械故障診斷模型需要進行訓(xùn)練階段與驗證階段。首先，將所有振動信號的時域波形與頻譜圖處理為227×227像素大小的圖像作為輸入樣本庫。其次，將561張圖像按照3∶1比例劃分為訓(xùn)練集和驗證集，其中訓(xùn)練集423張，驗證集138張。不同狀態(tài)下樣本庫中分布情況見表5。

表5 5種狀態(tài)在樣本庫中的分布Tab.5 Distribution of five states in sample database

將樣本庫作為輸入樣本進行訓(xùn)練與測試，圖像識別過程如圖7所示。

圖7 并聯(lián)電抗器機械故障類型識別的卷積神經(jīng)網(wǎng)絡(luò)Fig.7 Convolutional neural network for identification of mechanical fault type of shunt reactor

(1)輸入層輸入1個227×227×3大小的圖像；

(2)卷積層分別采用11×11×3大小的卷積核對輸入層的圖像進行卷積處理，卷積后共獲得96個55×55大小的二維特征圖；

(3)采樣層對特征圖進行抽樣操作(數(shù)目不改變，尺寸改變?yōu)橹暗囊话?，卷積層對采樣層輸出特征圖進行卷積運算，共獲得96個27×27大小的特征圖；

(4)接下來的卷積層與池化層與第(3)步相同。最終得到256個13×13大小的二維特征圖；

(5)第一個全連接層對第五層卷積輸出的二維特征圖進行拉伸處理，得到一維特征向量與第二個全連接層連接，兩個全連接層輸出的一維特征向量大小都為4 096×1；

(6)最后一維特征向量與softmax層的5個神經(jīng)元(機械故障狀態(tài)有5類)全連接進行分類。

5.2 訓(xùn)練精度對比與分析

網(wǎng)絡(luò)模型的預(yù)測精度受激活函數(shù)、歸一化層與模型參數(shù)等影響，為討論不同因素對模型預(yù)測精度造成的影響，開展以下實驗。

5.2.1 激活函數(shù)對分類識別結(jié)果的影響

在網(wǎng)絡(luò)模型中，激活函數(shù)會使網(wǎng)絡(luò)非線性化，并且網(wǎng)絡(luò)的收斂速度和準確度與卷積層采用的激活函數(shù)息息相關(guān)，卷積網(wǎng)絡(luò)常用的激活函數(shù)tanh、Sigmoid及ReLU的表達式如式(10)～式(12)所示：

(10)

(11)

ReLU(x)=max(x,0)

(12)

考慮到不同的激活函數(shù)會對實驗結(jié)果產(chǎn)生差異，為了篩選出與網(wǎng)絡(luò)模型最匹配的激活函數(shù)，對三種不同的激活函數(shù)進行實驗，實驗結(jié)果如圖8所示。

圖8 不同激活函數(shù)下的預(yù)測精度Fig.8 Prediction accuracy under different activation functions

從圖8可知，卷積層采用ReLU作為激活函數(shù)相比tanh與Sigmoid函數(shù)而言，其在迭代50次時就達到了收斂的效果，具有更快的收斂速度，并且預(yù)測準確度最高為94.7%，明顯優(yōu)于其他激活函數(shù)。

5.2.2 歸一化層對分類識別結(jié)果的影響

在網(wǎng)絡(luò)模型中，卷積核在特征識別的過程中會出現(xiàn)響應(yīng)較小的神經(jīng)元，這些神經(jīng)元直接影響模型的訓(xùn)練時間，所以為抑制這些響應(yīng)較小的神經(jīng)元工作，采用局部響應(yīng)歸一化(Local Response Normalization，LRN)連接激活函數(shù)來實現(xiàn)。計算如下式所示：

(13)

實驗對比分析了網(wǎng)絡(luò)模型在采用LRN層前后的預(yù)測結(jié)果見表6。

表6 采用LRN層前后的實驗結(jié)果Tab.6 Experimental results before and after using the LRN layer

由表6可知，模型在增加LRN層后并沒有降低模型的預(yù)測準確度，但是較初始模型減少了0.013 7的損失，同時對訓(xùn)練時間有16.7%的提升。所以網(wǎng)絡(luò)模型選擇采用LRN層來提升網(wǎng)絡(luò)的收斂速度、識別效率與泛化能力。

5.2.3 模型參數(shù)對分類識別結(jié)果的影響

在網(wǎng)絡(luò)模型中，設(shè)置不同的參數(shù)值會影響模型計算量，從而影響模型的預(yù)測結(jié)果。模型的主要參數(shù)有訓(xùn)練周期(epoch)、初始化學習率與Batch_size，其中訓(xùn)練周期為模型整個訓(xùn)練過程所需的周期數(shù)，初始化學習率控制模型的學習進度，Batch_size為訓(xùn)練一次所選樣本數(shù)。

模型初次訓(xùn)練時，訓(xùn)練周期設(shè)定為10，初始化學習率為0.01，Batch_size設(shè)定為3。本文為了篩選出最匹配網(wǎng)絡(luò)模型的參數(shù)值，開展多次實驗，實驗中只改變訓(xùn)練周期、初始化學習率與Batch_size的值，其他參數(shù)值不改變，實驗結(jié)果如圖9與表7所示。

圖9 模型在不同初始學習率下的預(yù)測精度Fig.9 Prediction accuracy of model under different initial learning rates

由圖9與表7可知，模型的預(yù)測準確度在訓(xùn)練周期達到40時最高，但隨著訓(xùn)練周期不斷增加，預(yù)測準確度開始下降；模型的預(yù)測準確度在初始學習率為0.000 1時最高；模型的損失在Batch_size值達到9時最小。故將訓(xùn)練周期、初始學習率與Batch_size值分別設(shè)置為40、0.000 1與9，模型預(yù)測精度達到最高。

表7 模型在不同參數(shù)值下的訓(xùn)練結(jié)果Tab.7 Model training results under different parameter values

5.3 預(yù)測結(jié)果與分析

采用5.2節(jié)對網(wǎng)絡(luò)模型算例提升的方法，得到電抗器機械故障分類結(jié)果如圖10所示。

圖10 診斷模型的預(yù)測準確度與損失Fig.10 Predictive accuracy and loss of diagnostic model

由圖10可知，模型在訓(xùn)練過程中隨著迭代次數(shù)不斷增加，其準確率與損失雖然會出現(xiàn)陡增、陡減的情況，但會在最后25%迭代次數(shù)中慢慢趨于穩(wěn)定，最終訓(xùn)練結(jié)果的準確度98.18%，損失只有0.067 2。

雖然本文中電抗器具有對稱結(jié)構(gòu)，但是有必要探究不同位置螺桿松動對本文的缺陷診斷效果，分別對1號螺桿、2號螺桿以及4號螺桿進行單獨松動，重復(fù)以上振動實驗，并將其振動信號經(jīng)預(yù)處理后輸入診斷模型，得到預(yù)測結(jié)果見表8。

表8 松動不同螺桿下模型預(yù)測結(jié)果Tab.8 Prediction results of model under different loose bolts

由表8可知，螺桿的位置對預(yù)測結(jié)果幾乎沒有影響，因此不同位置的松動缺陷也適用于本文的診斷方法。

為驗證CNN算法在電抗器機械故障診斷領(lǐng)域的應(yīng)用意義，與現(xiàn)有傳統(tǒng)故障識別算法進行對比，人工特征采用奇偶次諧波、基頻幅值、基頻比重、總振動熵等13個特征參數(shù)，將得到的特征參數(shù)進行歸一化處理后輸入到隨機森林、支持向量機(Support Vector Machine, SVM)與BP分類器對網(wǎng)絡(luò)進行訓(xùn)練與驗證，完成對電抗器機械故障類型的識別，不同方法的分類結(jié)果見表9。實驗結(jié)果表明，本文提出基于CNN算法的并聯(lián)電抗器機械故障方法省略了人工特征提取的步驟，同時也減少了大量的訓(xùn)練時間，并且預(yù)測準確度要明顯優(yōu)于傳統(tǒng)故障識別算法，此方法具有極高的故障診斷效率與應(yīng)用的泛化性。

表9 不同模型對故障類別診斷性能Tab.9 Diagnosis performance of different models for fault categories

6 結(jié)論

本文提出了基于CNN算法的并聯(lián)電抗器機械故障診斷方法：

(1)研究分析了正常狀態(tài)、16 N·m、12 N·m、8 N·m以及4 N·m 5種狀態(tài)下振動信號的基頻幅值與頻譜復(fù)雜度，發(fā)現(xiàn)人工提取特征的方法只能初步劃分是否產(chǎn)生機械故障，并不能區(qū)分其松動程度。

(2)基于CNN算法的并聯(lián)電抗器機械故障診斷模型省略了人工提取特征這一繁瑣的步驟，通過實驗研究了不同的激活函數(shù)、歸一化層與模型參數(shù)對預(yù)測值帶來的影響，最終選取ReLU函數(shù)為卷積層的激活函數(shù)，并在卷積層中增加了LRN層進行歸一化，得到最匹配網(wǎng)絡(luò)模型的參數(shù)值為訓(xùn)練周期40，初始學習率0.000 1，Batch_size值9。

(3)通過多算法模型對比分析，CNN模型在電抗器機械故障類別診斷方面的識別精度與運行時間達到了98.18%與1 h，較隨機森林、SVM與BP具有明顯的優(yōu)勢。因此基于CNN算法的并聯(lián)電抗器機械故障診斷方法可以作為判斷電抗器內(nèi)部機械部件健康狀態(tài)的判斷標準，也為深度學習與電力設(shè)備故障診斷相結(jié)合提供了思路。