基于長短時記憶網絡的高壓隔離開關故障診斷研究

陳富國，蔡 杰，李中旗

(1. 平高集團有限公司，河南 平頂山 467001; 2. 西安交通大學電氣學院，陜西 西安 712000)

0 引 言

電網智能化是我國電網建設發展趨勢，電網電力設備智能化運維是電網智能化的重要組成部分。高壓隔離開關作為使用量最大的一類開關設備，長期工作于大電流、高電壓狀態，且易受到露天環境和氣候的影響產生各類機械故障[1]。據調查統計，由分合閘不到位、傳動機構強度降低、靜觸頭彈簧夾失效、連桿轉軸及觸頭卡澀等導致的機械故障占比較大[2]。因此，有必要開展實時在線的高壓隔離開關狀態監測研究，針對高壓隔離開關實施機械故障智能預警，以及時發現故障并進行故障診斷，防止事故進一步擴大造成巨大損失。

傳統的高壓隔離開關狀態監測有溫度監測[3]、壓力監測[4]等方法，用于監測導電回路發熱故障和支柱絕緣子裂紋故障。對于高壓隔離開關機械狀態方面的故障主要通過主軸轉角時間特性[5]、操作桿轉角[6]及異步電機定子電流[7]等與轉矩的關系曲線函數進行故障預警和診斷，以上方法為進一步深入研究高壓隔離開關的故障預警和診斷奠定了基礎，但存在的不足是準確性較低，從而易引起誤報警甚至診斷錯誤。

隨著人工智能算法的興起，人工智能在工業領域已得到廣泛應用[8-9]。將智能算法合理應用于高壓隔離開關故障預警與診斷可增加故障預警和診斷的自動化程度和準確性。陳士剛等[10]通過安裝于高壓隔離開關上的傳感器采集機械振動信號，并將振動信號經小波消噪處理，利用經驗模態分解、聚類、支持向量機及BP神經網絡等算法對振動信號進行分析，對高壓隔離開關存在的機械故障進行診斷。劉仕兵等[11]建立了電機定子電流波動與轉矩波動之間的函數關系，將電流濾波分析后采用支持向量機構建了高壓隔離開關的機械故障診斷模型。然而，以上研究是基于試驗條件下人為模擬幾類高壓隔離開關機械故障進行故障診斷；實際應用時高壓隔離開關會出現未模擬到的機械故障，存在對未模擬故障的誤診斷或漏診斷問題。為了解決以上問題，有必要開展高壓隔離開關全工況機械故障在線建模與診斷技術研究，實現高壓隔離開關全工況機械故障的在線建模和智能診斷。

本文基于長短時記憶網絡建立高壓隔離開關的故障診斷模型，利用實驗數據對診斷模型進行訓練得到一個離線模型。在實際應用中，對于診斷誤差大于10%的故障信號加入到原實驗數據庫中，對模型進行在線訓練，更新得到一個新的診斷模型，提高高壓隔離開關未知故障的診斷準確性。

1 高壓隔離開關故障診斷特征參量的選取

1.1 研究對象

以252 kV高壓隔離開關作為診斷對象，在隔離開關的A相左極支架、A相右極支架、B相橫梁、C相左極支架和C相右極支架5個高故障率位置安裝加速度傳感器，采集振動信號。試驗條件模擬了故障率較高的5類故障，包括低壓操作（85%Un）、高壓操作（110%Un）、主刀聯動拐臂松動、極間連桿松動、閉鎖裝置松動，獲得離線建模的典型故障數據。

1.2 數據采集方法

在252 kV高壓隔離開關智能故障預警和診斷系統上開展了故障模擬、振動信號采集、在線建模及故障診斷。數據采集系統包括振動加速度傳感器、數據采集卡和LabVIEW軟件平臺，A/D卡型號為NI USB-4431。振動信號通過振動加速度傳感器采集，然后利用數據采集卡進行模數轉換，最后LabVIEW軟件收集和儲存振動信號用于分析。試驗模擬并采集了正常與低壓85%Un、高壓110%Un、主刀聯動拐臂松動、極間連桿松動、閉鎖裝置松動6種工況的5路振動信號，6個工況的分類標簽分別標記為1至6。每個工況采集30組訓練數據，10組測試數據，共1 200個樣本數據，用于離線訓練得到離線模型。

2 特征提取方法

2.1 經驗模態分解理論方法

振動信號的傳統分析方法常以線性平穩信號為假設前提，而實際工況中的信號多為非平穩、非線性的。為了更好分析非平穩、非線性信號的局部時間和頻率特征，Norden E. Huang等提出了經驗模態分解法（empirical mode decomposition，EMD），該方法能夠將復雜信號分解成有限本征模函數（intrinsic mode function，IMF）之和[12]。IMF 能量矩是表征信號能量在頻率和時間軸上的分布情況，能夠反映非平穩信號的本質特征，可將IMF能量矩作為故障診斷的特征量。第j階IMF能量矩[13]表示為

式中：Mj——第j階 IMF 能量矩，m2/s；

Δt——采樣時間間隔，s；

n——采樣點數；

k——采樣點；

Sj——IMF時間序列。

本文將采集的振動信號通過EMD分解為8階IMF分量，采用各階IMF分量與原始信號的相關性篩選主要IMF分量，相關性計算式為：

式中：μci和μs——對應IMF分量ci(t)和原信號s(t)的均值；

σci和σs——分量和原信號的標準差。

2.2 經驗模態分解結果分析

本文以252 kV隔離開關正常與低壓85%Un工況的8階IMF分量與原始信號的相關系數為例，說明篩選主要IMF分量方法。正常與低壓85%Un工況第3路原振動信號與8階IMF分量的相關系數見圖1。由圖可知，1～5階IMF分量與原信號相關性較大，而6～8階IMF分量與原信號相關性較小，因此取1～5階IMF分量作為特征量。

圖1 相關系數

依據式（1）計算得到正常工況和低壓85%Un工況第3路原振動信號的1～5階IMF分量能量矩，如圖2所示。可以看出，兩個工況的第1～3階IMF分量能量矩存在差別，尤其是第2階IMF分量能量矩差別最大，而第4、5階IMF分量能量矩差別較小。第1～3階IMF分量能量矩可作為故障診斷的特征量，而第4、5階IMF分量能量矩作為特征量時易引起誤判。因此，要對1～5階能量矩做進一步的篩選，以獲得可以準確表征不同工況的特征量。

圖2 能量矩

3 主成分分析

3.1 主成分分析理論方法

3.2 特征量降維結果分析

采用主成分分析對5路振動信號進行了分析，每路信號包含5階能量矩，因此輸入是25維特征量，利用主成分分析法將25維特征量通過線性變換得到綜合特征量，提取其中能夠包含特征矩陣85%以上信息的綜合特征量替代原25維特征量。

利用主成分分析法對正常工況的特征矩陣進行降維分析，結果見圖3所示。前8維綜合特征量包含了特征矩陣85%的信息，因此8維綜合特征量可以代替原來的25維特征量，達到降維和減少冗余信息的目的。

圖3 特征量貢獻度

4 在線建模與故障診斷

4.1 長短時記憶網絡算法

本文基于長短時記憶網絡（long-short term memory, LSTM）獨特的設計結構建立了在線故障診斷模型，LSTM可作為復雜的非線性單元用于構造更大型的深度神經網絡[15]，LSTM原理見圖4。

圖4 LSTM原理

4.2 建模方法

在線建模與故障診斷流程如圖5所示，主要包括數據處理模塊、在線訓練模塊和在線診斷模塊。從高壓隔離開關采集的振動信號數據經數據處理模塊處理后，首先進入在線診斷模塊進行故障診斷，該模塊在離線狀態下，利用LSTM對試驗數據進行訓練和調整超參數，得到離線最優超參數和離線最優權值，建立基于離線試驗數據的預測模型。在線診斷運行時，若診斷精度滿足要求，則輸出診斷結果，結束本次診斷流程。

圖5 在線建模流程

本文的創新之處是提出一種在線訓練方法，即圖5中的在線訓練模塊。在線診斷模塊對當前工況診斷結果不能滿足精度（誤差大于10%）要求時，即出現故障振動信號未包括在試驗訓練數據中，需要對該故障振動信號分配故障標簽形成新的故障類型，并將新故障類型加入到訓練數據進行在線訓練，得到新的故障診斷模型。

在線訓練模塊中，訓練數據、最優超參數及離線最優權值輸入LSTM，訓練數據經LSTM計算后輸出訓練結果，并與真實結果進行對比，訓練結果和實際結果之間的誤差采用均方根誤差來表示，均方根誤差計算見式（17）。計算得到均方根誤差與設定均方根誤差對比，來決定是否更新權值，或是輸出最優權值。權值更新采用基于自適應動量估計（Adam）梯度優化算法。

式中：yi——第i個因變量實際值；

——第i個因變量預測值。

LSTM權值是通過訓練樣本進行迭代訓練自動更新得到。而超參數是在訓練過程中，通過反復試算得到最優值。LSTM算法的超參數包括隱含層節點數、學習率及批量樣本數。利用訓練樣本，通過對以上超參數取值范圍內的值逐個反復試算得到最佳值，超參數的試算范圍及最優值如表1所示。可以看出，隱含層節點數取值為12，學習率取值為0.01，批量樣本數取值為10。本文設定均方根誤差為10-5。

表1 超參數最優值

4.3 故障診斷

利用試驗數據建立離線故障診斷模型后，對正常與低壓操作（85%Un）、高壓操作（110%Un）、極間連桿松動、主刀聯動拐臂松動、閉鎖裝置松動6種工況進行測試，每個工況測試數據為10組，測試結果見圖6。由圖可知，離線狀態對6種工況試驗數據的測試分類準確，無誤報結果，表明該診斷模型離線狀態實現正常和故障工況的準確分類，不同故障工況之間未引起交叉干擾，可以準確區分診斷。

圖6 離線診斷結果

為了驗證主成分分析法的特征矩陣降維效果，對比了8維綜合特征量與25維特征量作為輸入時的故障診斷結果，結果如表2所示。由表可以看出，8維綜合特征量作為輸入時的故障診斷準確率為100%，而25維特征量作為輸入時出現了一個樣本的誤診斷。再次驗證了主成分分析法在特征量降維和冗余信息排除中所起到的效果。

表2 不同特征量維數對準確率的影響

在線故障診斷通過在線實時試驗模擬相間連桿松動和底座松動2種故障實現的，而這兩種故障異常數據未包括在離線診斷的數據庫中。通過實時在線分別采集10組相間連桿松動和底座松動2種故障振動數據，通過該模型進行數據處理、缺失數據添加標簽、在線訓練、診斷等流程，得到診斷結果如圖7所示。由圖7可以看出，該在線診斷模型對相間連桿松動和底座松動2種未知異常故障診斷準確，故障診斷準確率為100%。因此，本文提出的在線故障診斷模型能夠實現未知異常故障的準確診斷，不同故障工況之間未引起交叉干擾，可以準確區分診斷。為高壓隔離開關實時在線故障診斷的實施提供了技術支撐。

圖7 在線診斷結果

5 結束語

本文利用EMD分解振動信號，計算IMF分量能量矩作為故障診斷的特征量；并創新性地采用相關性及主成分分析相結合的特征量降維方法，實現25維特征量降為8維綜合特征量，達到了降維和減少冗余信息的目的。并提出一種基于長短時記憶網絡的高壓隔離開關故障在線建模與故障診斷新方法，8維綜合特征量作為輸入時的故障診斷準確率為100%，而25維特征量作為輸入時測試樣本的故障診斷準確率僅為90%。

本文提出的在線故障診斷模型能夠實現未知異常故障的準確診斷，未知異常故障診斷準確率為100%，為高壓隔離開關實時在線故障診斷的實施提供了技術支撐。