基于邊緣計算的變壓器光聲光譜故障診斷系統研究*

劉正陽石悠旖王文瑞曾靜嵐胡勝男

(1.南瑞集團(國網電力科學研究院)有限公司，江蘇南京 210061；2.國網電力科學研究院武漢南瑞有限責任公司，湖北武漢 430074；3.中國科學院上海高等研究院，上海 201210；4.國網福建省電力有限公司電力科學研究院，福建 福州 350007)

變壓器對電力系統的穩定運行具有重要作用，變壓器發生故障會造成一些相關的電力設備損壞，對電網的安全穩定運行造成影響，甚至引起大范圍的停電事件[1-2]。因此對變壓器進行狀態監測，并通過故障診斷算法對變壓器進行狀態評價可以實現對變壓器健康狀態的預測，從而提高電力系統的可靠性、穩定性和安全性。

變壓器運行狀態估計和故障診斷主要采用油中溶解氣體分析(Dissolved Gas Analysis，DGA) 方法[3-5]，目前變壓器油中溶解氣體主要檢測CO2、CO、CH4、C2H4、C2H2、C2H6和H2，常用的檢測方法主要包括:氣相色譜法(Gas Chromatography，GC)、光聲光譜法(Photo Acoustic Spectroscopy，PAS)、拉曼光譜法(Raman Spectroscopy，RS)、傅里葉變換紅外光譜法(Flourier Transform Infrared Spectroscopy，FTIRS)、光纖光柵法(Fiber Grating，FBG)等[6-10]。GC 法是目前電力系統中常用的變壓器故障檢測的手段，但GC 法需要定期標定且操作繁瑣、檢測周期長，不能快速及時地實現變壓器故障診斷；PAS 法利用光聲效應通過對光聲信號的采集與處理得出氣體的濃度，具有檢測速度快、靈敏度高、性能穩定的特點；RS 法基于拉曼散射原理對變壓器油中氣體進行分析，其特點是擴展性高，但檢測靈敏度不高；FTIRS法基于傅里葉變換紅外光譜對變壓器油中氣體進行分析，其特點是不需要載氣、免維護，但易受干擾氣體影響、光譜基線易發生畸變或漂移，不能對H2進行檢測；FBG 基于光纖傳感器檢測油中溶解氣體，具有體積小、耦合性好、極化不敏感、便于維護、帶寬范圍大的特點，但是一種光纖僅測量一種窄帶，測量多組分氣體需要多種不同的光纖光柵，工程應用難度大。

基于上述油中溶解氣體檢測方法的分析，本文研究并設計了基于邊緣計算的變壓器油中溶解氣體的光聲光譜檢測裝置，構建了邊云協同的變壓器故障診斷服務系統，該系統能夠實現對變壓器的實時監測與故障診斷，極大地提高了變壓器故障診斷的效率。

1 系統設計

針對GC 法對變壓器油中溶解氣體進行離線檢測存在的一系列問題，本文提出一種基于邊緣計算的變壓器光聲光譜故障診斷系統實現對變壓器的實時監測。該系統主要包括光聲光譜檢測傳感器、邊緣檢測裝置、云服務器、變壓器故障診斷服務平臺，如圖1 所示。

圖1 系統架構

油氣分離模塊與變壓器油箱連接實現對變壓器油箱中的油氣進行分離，作為變壓器油中溶解氣體的樣本氣體，并通過進氣閥與出氣閥與光聲光譜檢測傳感器連接，邊緣檢測裝置控制光聲光譜檢測傳感器對樣本氣體進行檢測，并獲取油中溶解氣體各組分的濃度，通過運行在邊緣檢測裝置上的變壓器故障診斷算法實現在邊緣端對變壓進行實時故障診斷，并將計算的結果上傳的云服務器，通過監控中心的變壓器故障監測平臺能夠實現對變壓器狀態的查看、邊緣檢測裝置及傳感器的管理、對邊緣計算模型的更新等。運維人員能夠通過移動終端對變壓器的狀態進行查看，當變壓器發生故障預警時能夠將告警信息發送給運維人員，便于運維人員快速采取預防措施。該系統能夠實現在邊緣側對變壓器進行實時的狀態監測及故障診斷預測，有效提高了變壓器運維的效率和智能化水平。

2 光聲光譜邊緣檢測裝置

光聲光譜邊緣檢測裝置主要對光聲光譜檢測傳感器進行控制和數據采集，并將采集的變壓器油中溶解氣體各組分的濃度進行存儲，通過運行的變壓器故障診斷算法實現變壓器的故障診斷與預測。下面主要介紹光聲光譜的基本原理及邊緣檢測裝置的設計。

2.1 光聲光譜原理

快速準確、高效便捷地獲取變壓器運行過程中各組分氣體的含量是實現變壓器實時故障診斷的基礎。光聲光譜氣體檢測傳感器利用光聲效應，密閉空間內的氣體對照射光具有吸收作用，通過光吸收和聲激發之間的對應關系，對激發聲信號的幅度進行測量，間接地測量出氣體的濃度，其檢測精度和靈敏度高，能夠檢測ppm 量級的氣體濃度[11-13]。其測量系統框圖如圖2 所示。

圖2 光聲光譜檢測傳感器框圖

由于氣體吸收紅外輻射具有一定的選擇性，需要對照射光的頻率進行調制，其調制頻率與光聲池的諧振器頻率應一致。由微控制單元(Microcontroller Unit，MCU)控制光源驅動及調制單元調制的光通過濾光片照射到光聲池，光聲池內的氣體吸收光后躍遷到激發態，經過非輻射弛豫過程產生熱量并釋放，隨著溫度的升高，光聲池內的壓強發生改變，由于光源具有一定的調制頻率，氣體的溫度會發生周期性的波動從而產生聲波，通過微音器能夠檢測聲波并轉換為電信號[14-15]，通過信號調理電路將信號進行放大和濾波，并將放大濾波后的信號輸入到模數轉換芯片，通過MCU 獲取電壓值并計算出相應的氣體濃度，通過通信單元將檢測的結果發送到邊緣檢測裝置。供電單元為傳感器各個模塊提供電能。MCU 能夠控制光聲池與油氣分離模塊之間的進氣閥和出氣閥，當一次檢測完成后，打開出氣閥將樣氣送回到油氣分離模塊，油氣分離模塊從油箱內重新分離新的樣氣，當下一次檢測開始后，關閉出氣閥，打開進氣閥將樣氣送入到光聲池內。

2.2 邊緣檢測裝置

邊緣檢測裝置采用模塊化設計軟件和硬件，其系統架構如圖3 所示。

圖3 邊緣檢測裝置系統架構

邊緣檢測裝置的硬件主要包括通信單元、主控單元、定位單元、供電單元和存儲單元。通信單元支持WiFi 和4G 無線通信，主要實現與遠程云數據中心的通信，支持RS232 和RS485 有線通信，主要實現與光聲光譜檢測傳感器之間的數據通信。主控單元采用TI 公司的ARM Cortex-A 系列的芯片AM3359，具有1 GB 的內存和4 GB 的存儲。定位單元主要實現邊緣檢測裝置的位置定位，支持GPS 和北斗定位。供電單元為裝置的各個模塊和單元提供電能，并實現對備用電池的充電、電量檢測等功能。存儲單元支持SD 卡或SSD 硬盤擴展，便于在邊緣側存儲歷史數據。

邊緣檢測裝置的軟件主要包括操作系統、語言環境、數據預處理、邊緣計算和邊云協同服務。邊緣檢測裝置在RT-Linux 系統環境下通過Python、C、C++等語言開發了基于卡爾曼濾波的數據預處理算法和變壓器故障診斷邊緣計算模型，構建了適用于變壓器故障診斷的邊云協同服務，主要包括邊緣計算結果的存儲、邊端數據與云端數據的交互、邊緣計算模型的更新等功能。

3 邊云協同的變壓器故障診斷系統

基于邊緣計算的變壓器光聲光譜故障診斷系統在邊緣側實現對變壓器油中溶解氣體的實時檢測，基于支持向量機(Support Vector Machine，SVM)的變壓器DGA 故障診斷模型實現在邊緣側對變壓器故障的診斷與分類，并將診斷的結果發送到遠程監控中心，遠程監控中心對SVM 的DGA 故障診斷算法進行訓練優化并將優化后的算法下發到邊緣檢測裝置，邊緣檢測裝置對云平臺下發的模型進行更新，實現變壓器故障診斷的邊云協同[16-17]。變壓器故障監測平臺能夠將邊端診斷的結果發送到運維人員，提高變壓器運維檢修的效率和智能化水平。

3.1 基于SVM 的變壓器DGA 故障診斷模型

1995 年Vapink 等人提出了SVM 的機器學習算法，其實現原則是風險最小化，通過在高維空間找出最優超平面實現數據的分類[18-20]。SVM 算法能夠實現對非線性、小樣本、局部極小值等問題快速求解，具有很強的泛化能力。基于SVM 的變壓器DGA 故障診斷通過構造核函數將數據映射到三維空間進行分類，引入核函數的優點是將大量的高維運算放在低維空間[21-22]。通過構造核函數SVM 優化問題轉化為:

式中，ω表示權重向量，c表示懲罰因子，ξi表示松弛變量，yi表示樣本類別，xi表示樣本數據，b表示偏置。從而得到最優分類為:

式(3)中核函數為K(xi·x)，αi＞0(i=1，2，…，n)為拉格朗日乘子。常用的核函數有Sigmoid 核函數、多項式核函數、小波核函數、Gauss 徑向基核函數、Liner 核函數等。目前SVM 的分類方法主要實現二分類，在光聲光譜變壓器故障診斷中需要進行多分類變換，常用的多分類變換方法有一對一(one against one，OAO)法、一對多(one against all，OAA)法和有向無循環圖法等[23]。結合核函數和SVM 分類變換法的特點本文選用Gauss 徑向基核函數與一對一法實現SVM 的變壓器故障診斷。Gauss 徑向基核函數為:

基于SVM 的變壓器DGA 故障診斷的準確性主要由核函數和懲罰因子影響，懲罰因子c與核函數的參數g采用交叉驗證法(Cross Validation，CV)進行選取，通過光聲光譜檢測裝置獲取樣本氣體中的H2、CH4、C2H4、C2H2和C2H6作為特征氣體分析變壓器的運行狀態，根據國標與導則將變壓器的故障按性質和質量密度大小，劃分為高能放電、低能放電、局部放電、中低溫過熱、高溫過熱5 種。將上述5 種異常狀態與變壓器的正常狀態作為變壓器的運行狀態類型，通過對樣本集中的訓練集進行SVM 故障診斷模型的訓練，并通過測試集進行模型的驗證不斷調整SVM 故障診斷模型的參數，使模型達到最優，并應用到實際的變壓器故障診斷中，其算法流程如圖4 所示。

圖4 基于SVM 的變壓器故障診斷流程

3.2 基于邊緣計算的變壓器光聲光譜故障診斷的創新

基于邊緣計算的變壓器光聲光譜故障診斷系統，在邊緣端利用光聲光譜檢測傳感器對變壓器的油中溶解氣體進行監測，并利用基于SVM 的變壓器DGA 故障診斷模型實現變壓器運行狀態的實時監測，其創新主要體現在以下幾個方面:

(1)在變壓器故障診斷方面，基于光聲光譜檢測傳感器實現對變壓器油中溶解氣體的實時檢測，基于SVM 的變壓器DGA 故障診斷模型在邊緣側進行計算和分析，有效降低了云計算的數據傳輸時延，提高了變壓器故障診斷的效率。

(2)通過邊緣計算與云平臺實現了變壓器故障診斷的邊云協同服務，云平臺對邊緣計算模型進行管理、訓練和更新，實現邊緣檢測裝置及相關應用的管理和配置。

(3)在信息安全方面，邊緣檢測裝置具有身份認證、數據加密、協議轉換等功能，遵循國網公司邊緣計算框架、信息安全規范的要求。

(4)在變壓器運維方面，邊緣檢測裝置根據變壓器故障診斷的結果形成變壓器運維報告，便于運維人員在運維過程中通過移動終端快速獲取報告。當邊緣檢測裝置診斷出變壓器為異常狀態時，能夠及時將告警信息發送給運維人員，便于運維人員快速采取預防措施。

基于邊緣計算的變壓器光聲光譜故障診斷系統有效地提高了變壓器故障診斷的效率和智能化水平，為變壓器的實時狀態監測提供了有效的技術手段，大大提高了運維人員的工作效率和質量。

4 現場應用

應用變壓器光聲光譜故障診斷系統，對變壓器進行試驗測試。樣本數據的來源包括文獻[12-13，18-19，24]中記錄的故障樣本數據和在變電站進行部署后獲取的實測數據，共172 組DGA 數據，其中120 組作為訓練集進行基于SVM 的變壓器DGA 故障診斷模型的訓練，剩余52 組作為測試集進行模型的驗證。根據前面章節的分析，變壓器共分為6 種狀態，分別為正常狀態、高能放電、低能放電、局部放電、中低溫過熱、高溫過熱。相關的訓練數據和測試結果如表1 所示。

表1 基于SVM 的變壓器DGA 故障診斷結果

通過表1 可以看出，基于SVM 的變壓器DGA故障診斷的準確率達92.3%。邊緣檢測裝置在對變壓器進行故障診斷后將診斷的結果發送到變壓器狀態監測云平臺，便于運維人員在監控中心實時查看變壓器的狀態，如圖5 所示。

圖5 變壓器故障診斷數據展示

通過現場應用驗證表明，基于邊緣計算的變壓器光聲光譜故障診斷系統能夠有效地進行變壓器的狀態監測和故障分類，并能夠為變壓器的狀態監測提供相應的云服務和邊緣服務，有效地提高了變壓器故障診斷的效率，并能夠提供可靠的運維報告指導運維人員，降低了運維人員的工作復雜度，提高了變壓器運維的效率。

5 結論

研究了基于邊緣計算的變壓器光聲光譜故障診斷技術，研制了變壓器故障診斷的邊緣計算裝置，能夠接入光聲光譜檢測傳感器并在邊緣端運行基于SVM 的變壓器DGA 故障診斷算法，實現對變壓器的實時狀態監測與故障預警，構建了變壓器狀態監測的邊云協同服務，能夠為變壓器的狀態監測提供智能化的云服務和邊緣服務，主要包括以下特點:

(1)采用光聲光譜監測傳感器能夠實現變壓器油中溶解氣體的快速、穩定和高靈敏度檢測。

(2)基于邊緣計算能夠對傳感器采集的數據進行即采即用即處理，有效降低云計算的數據時延，提高變壓器狀態監測的實時性。

(3)邊云協同能夠合理配置云計算與邊緣計算的資源，有效提高監測系統的魯棒性和適應性。

通過現場應用驗證，表明設計的基于邊緣計算的變壓器光聲光譜故障診斷系統能夠提高變壓器狀態監測與故障診斷的自動化和智能化水平，具有良好的推廣和應用價值。