基于無源測溫的變壓器接線端子溫度異常檢測方法研究

路永玲，胡成博，陶風波，秦劍華，王 真

(國網(wǎng)江蘇省電力有限公司電力科學研究院（國家電網(wǎng)電力系統(tǒng)人工智能聯(lián)合實驗室），江蘇 南京 211103)

0 引 言

隨著生活質量的提高，用電負荷持續(xù)加大，確保變壓器接線端子設備的安全與穩(wěn)定非常重要。通過檢測變壓器接線端子的溫度異常情況，可有效判斷設備是否出現(xiàn)異常狀況，大大降低設備發(fā)生故障的概率[1-3]。文獻[4]研究的基于流線和SVR的變壓器熱點溫度反演方法，依據(jù)三類主流線的不同流線點數(shù)目與位置實施熱點溫度反演結果運算，獲取溫度異常點的位置，實現(xiàn)變壓器狀態(tài)的實時監(jiān)測；文獻[5]研究的一種基于卷積神經(jīng)網(wǎng)絡和縱橫交叉優(yōu)化算法的電纜隧道溫度異常識別方法，是對所檢測區(qū)域進行拍攝，利用卷積神經(jīng)網(wǎng)絡算法對拍攝圖像里的異常狀況點映射成紅外圖片，分析異常情況并做出預警，通過縱橫交叉算法優(yōu)化分割圖像的閾值，實現(xiàn)對異常位置的快速定位。由于這兩種方法的變壓器接線端子溫度異常檢測精度較差，且易受周圍環(huán)境影響，所以研究基于無源測溫的變壓器接線端子溫度異常檢測方法，采用聲表面波傳感器實現(xiàn)無源測溫，聲表面波傳感器不需外接電源，也不需要在設備內(nèi)部連線就能進行測溫[6]，聲表面波傳感器還具有無線傳輸數(shù)據(jù)、安裝方便、使用面積小、精準測溫等優(yōu)點，使傳統(tǒng)測溫方法得到改善，提升測溫的速度，減少測溫的誤差。

1 無源測溫的溫度異常檢測方法

無源測溫的變壓器接線端子溫度異常檢測流程：首先利用溫度采集器進行數(shù)據(jù)采集[7]；其次是數(shù)據(jù)分析，采用卷積神經(jīng)網(wǎng)絡對采集到的數(shù)據(jù)實施特征提取；最后通過孤立森林的異常檢測算法分析提取的溫度數(shù)據(jù)特征，判斷變壓器接線端子溫度是否異常，若“是”，則結束，若“否”，則重復進行數(shù)據(jù)分析。具體流程如圖1所示。

圖1 無源測溫的變壓器接線端子溫度異常檢測流程圖

1.1 溫度采集

聲表面波技術（surface acoustic wave，SAW）傳感器的優(yōu)勢是精準性高與無線傳輸?shù)龋ㄟ^結合SAW傳感技術與無線通信技術實現(xiàn)變壓器接線端子的無源測溫。利用頻域掃描方式獲取SAW傳感器響應信號并上傳至溫度采集器，對測量頻域范圍中信號功率實施運算，得出同一頻點采集信號強度最高的數(shù)據(jù)，該數(shù)據(jù)即為諧振頻率點。利用溫度采集器信號檢測電路獲取頻率誤差，呈現(xiàn)溫度數(shù)據(jù)，圖2是溫度采集器信號檢測圖。

圖2 溫度采集器信號檢測圖

在SAW傳感器檢測信號頻率產(chǎn)生變化情況下，會導致SAW諧振器的諧振頻率和溫度信號頻率不同，頻率改變部分通過低通濾波器與放大器得到，使用微處理器處理改變的頻率，獲取溫度數(shù)據(jù)[8]。

1.2 SAW測溫原理

當SAW傳感器的表面感知到射頻信號時，由于環(huán)境溫度會影響傳出的反射波，因此需要更換為電氣量獲取對應的溫度值。外界溫度出現(xiàn)改變時，SAW傳感器里聲表面波的前進速度也會出現(xiàn)變化，聲表面波前進的時延改變率如下：

式中： ?Y——溫度改變值；

?c——傳感器自身產(chǎn)生的延遲性聲表面波的前進改變量；

TCD——傳感器反射波對應的溫度值；

?k——傳感器自身產(chǎn)生的反射性聲表面波的前進改變量；

?τ——時延改變量。

SAW傳感器的選擇相位信號作為輸出信號 ? ?，?? =2πt×?τ。

SAW傳感器的諧振頻率會隨著聲表面波反射柵的間距與前進速度的變化出現(xiàn)一定的改變，依據(jù)諧振頻率的改變呈現(xiàn)被測溫度的變化，測試溫度值公式如下：

式中：Y——實際被測溫度；

Y0——標準溫度；

t0——實際溫度與標準溫度一致時諧振頻率；

d0——與標準溫度一階頻率相應的溫度系數(shù)；

s0——與標準溫度二階頻率相應的溫度系數(shù)；

g0——與標準溫度三階頻率相應的溫度系數(shù)。

SAW傳感器測試溫度的靈敏度由d0、s0、g0呈現(xiàn)[9]。

1.3 數(shù)據(jù)分析

在數(shù)據(jù)建模時，得到的數(shù)據(jù)維度會很高，分析數(shù)據(jù)時，由于很多不確定性因素的出現(xiàn)導致數(shù)據(jù)集中的信息存在噪聲，通過特征提取可以得到有用的數(shù)據(jù)分布規(guī)律信息。原始數(shù)據(jù)依據(jù)算法或映射函數(shù)轉變?yōu)榈途S的數(shù)據(jù)特征空間，去掉原始數(shù)據(jù)中噪聲信息，獲取簡練并有用的數(shù)據(jù)信息，這就是特征提取。特征提取能夠減少數(shù)據(jù)建模時的復雜度與計算量。

卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNNs） 屬于一種特征提取的方法[10]。權值共享的網(wǎng)絡結構是CNNs算法的優(yōu)勢，該算法僅需計算少量的網(wǎng)絡權值數(shù)目，減少數(shù)據(jù)建模的復雜度。CNNs算法能直接將原始數(shù)據(jù)集導入到網(wǎng)絡結構模型，開展特征學習[11-13]；而傳統(tǒng)算法要對數(shù)據(jù)展開繁瑣的特征工程與數(shù)據(jù)處理，獲取原始數(shù)據(jù)中有用的數(shù)據(jù)信息。

利用m個卷積濾波器與偏置項濾波處理訓練樣本數(shù)據(jù)，A1層中有m個數(shù)據(jù)映射，根據(jù)神經(jīng)元間的加權求和與增加偏置常數(shù)再通過Sigmoid函數(shù)對數(shù)據(jù)實施映射，獲取B2層的數(shù)據(jù)映射，共有m個。A3層通過n個卷積濾波器進一步處理以上數(shù)據(jù)。B4層的獲取過程與B2層一致。將A1層、B2層、A3層、B4層的數(shù)據(jù)組合為一個向量，并將這個向量放入一個分類器里，算出最終結果。依據(jù)BP反向傳播算法中的誤差函數(shù)反向調整全部網(wǎng)絡里的權值與偏置常數(shù)，圖3是卷積神經(jīng)網(wǎng)絡的特征提取過程。

圖3 卷積神經(jīng)網(wǎng)絡特征提取過程

卷積與池化屬于卷積神經(jīng)網(wǎng)絡里的主要部分。卷積層中上一特征映射層是卷積輸入信號和核函數(shù)，輸出映射通過一個激活函數(shù)完成，各個輸出映射能夠卷積數(shù)個輸入數(shù)據(jù)。

數(shù)個網(wǎng)絡層組合形成一個卷積神經(jīng)網(wǎng)絡，第二層的輸入數(shù)據(jù)是采用濾波器處理第一層網(wǎng)絡獲取的特征數(shù)據(jù)，第三層卷積濾波層的輸入數(shù)據(jù)是通過池化處理第二層的輸出數(shù)據(jù)獲取，池化處理第三層數(shù)據(jù)得到第四層輸入數(shù)據(jù)，再利用一層完全連接層與分類器形成輸出層，構建一個特征學習框架。

1.4 孤立森林溫度異常檢測方法

孤立森林屬于依據(jù)離群點的挖掘算法，也是一種溫度異常檢測算法，具有速度快、效率高等優(yōu)點。

在 ψ個樣本數(shù)據(jù)里任意選擇一個特征數(shù)據(jù)，再從這個特征數(shù)據(jù)里任意選擇一個數(shù)值變量，并采用該數(shù)據(jù)二叉劃分所選擇的樣本，節(jié)點的左分支是小于所選擇數(shù)值變量的數(shù)據(jù)，反之則屬于節(jié)點的右分支。不斷劃分左右分支的樣本數(shù)據(jù)集，在樣本不能繼續(xù)劃分時結束，這時構建樹的深度為 lo f2(ψ)。在構建樹的深度為 lo f2(ψ)時，可以確保算法計算過程的時間效率。圖4為孤立森林模型的構建過程。

圖4 孤立森林模型構建過程圖

構建全部孤立森林時，預測測試樣本，在全部孤立森林樹中測試樣本根據(jù)訓練好的路徑前進，k(w)為測試樣本前進的路徑長度。得出各個測試樣本的異常分數(shù)值大小，公式如下：

式中：c(n)——全部二叉搜索樹的平均路徑長度；

E(k(w))——全部孤立森林樹的平均路徑長度；

D(n)——異常分數(shù)值大小；

L——數(shù)據(jù)集數(shù)量。

異常分數(shù)值能夠決定測試樣本的異常狀況[14-15]，異常狀況時，D值無限接近1；無異常狀況時，D值小于0.5。

2 實驗驗證

實驗選取某電臺的供電用的10 kV干式整流變壓器進行測試研究，型號為SC10-100，空載損耗為400 W，空載電流為 1.8 A，負載損耗為 1570 kW。

DS18B20傳感器是有源測溫中測溫準確性較高的傳感器，傳感器的中心工作頻率為免申請頻率437 MHz，標準環(huán)溫為 26 ℃。利用 DS18B20 傳感器作為變壓器接線端子溫度的實際參考值，采用本文方法對變壓器接線端子溫度進行測溫，實際溫度參考值每變化15 ℃，就對本文方法檢測的溫度進行記錄，共記錄10次，表1是變壓器接線端子溫度的測溫數(shù)據(jù)。

表1 測溫數(shù)據(jù)

依據(jù)表1生成測試溫度與檢測頻率增長關系圖，如圖5所示。

圖5 測試溫度與檢測頻率增長關系圖

根據(jù)表1與圖5可知，因為采集器可以檢測到的頻率變化是 0.0001 MHz，所以采集溫度的精度是1.1 ℃，本文方法測試溫度與頻率增長關系呈現(xiàn)良好的線性度，所測試的溫度與實際溫度參考值最高誤差值是1.2 ℃，平均誤差是1.12 ℃。實驗證明，本文方法對變壓器接線端子溫度的測量結果誤差小、準確性高。

在實驗變壓器接線端子中選取A、B、C 3個測試區(qū)域，A測試區(qū)域是內(nèi)部故障引起的異常溫度區(qū)域，B測試區(qū)域是冷卻器不正常運行引起的異常溫度區(qū)域，C測試區(qū)域是溫度指示器有誤差或指示失靈的異常溫度區(qū)域，變壓器的正常溫度為45 ℃以下，超過45 ℃為異常溫度，每個區(qū)域中設置10個溫度異常點，3個測試區(qū)域中溫度測點的布置圖如圖6所示。

圖6 3個測試區(qū)域中溫度測點的布置圖

利用 AUC（area under roc curve）標準，測試采用本文方法在不同迭代次數(shù)下對3個區(qū)域的異常溫度進行特征提取的準確度。表2是本文方法的AUC計算結果。

表2 本文方法的AUC計算結果

由表可知，本文方法提取不同測試區(qū)域的溫度特征的準確度平均值分別是0.85、0.87、0.83，結果表明，本文方法對3個測試區(qū)域異常溫度特征提取的準確度較高，可為溫度異常檢測提供較準確的數(shù)據(jù)特征。

利用所提取到的特征，采用本文方法在不同信噪比（50 dB、100 dB、150 dB）情況下進行溫度異常檢測，檢測結果如圖7～圖9所示。

圖7 不同信噪比下測試區(qū)域A的異常檢測數(shù)量

圖8 不同信噪比下測試區(qū)域B的異常檢測數(shù)量

圖9 不同信噪比下測試區(qū)域C的異常檢測數(shù)量

根據(jù)圖7～圖9可知，隨著時間的推移，本文方法均能檢測出全部異常溫度點。雖然隨著信噪比的增加，檢測效率有所下降，但是均可將大部分異常溫度點檢測出來，檢測準確率高達90%。實驗證明，本文方法能夠準確地檢測出所有異常溫度點，抗噪性能好且準確性高。

3 結束語

變壓器接線端子的安全非常重要，為快速發(fā)現(xiàn)設備異常狀況并降低設備發(fā)生故障的概率，需要對設備實施異常溫度檢測，因此本文提出一種基于無源測溫的變壓器接線端子溫度異常檢測方法。由于所研究方法中的孤立森林算法屬于一種集成算法，因此能夠應用于包括大量數(shù)據(jù)的數(shù)據(jù)集中。構建的孤立森林樹的數(shù)量與算法的魯棒性成正比，過度擬合的情況極少發(fā)生，在樣本數(shù)據(jù)過多時，能夠利用分布式的方式訓練模型，提升處理速度。所研究方法采集溫度數(shù)據(jù)的準確性高，為后續(xù)溫度異常檢測提供有利的數(shù)據(jù)基礎，溫度異常檢測結果精準性高且抗噪性能好。