基于ITD-ELM的變壓器繞組微弱匝間短路故障診斷

劉洪兵,肖永立,邱 收,賀鵬康,房 權

(1.國網北京市電力公司檢修分公司,北京 100075;2.北京中泰華電科技有限公司,北京 102206;3.國網甘肅省電力公司蘭州供電公司,甘肅蘭州 730070)

“十四五”期間,隨著“碳達峰、碳中和”戰略目標的提出,清潔能源的主導地位日益突出,電力變壓器作為清潔電力能源的重要組成部分,其安全穩定運行對于國民經濟發展有著重要的意義[1-2]。

近年來,由于變壓器服役年限較長,并且長期處于滿載狀態,存在絕緣老化、零器件松動等各種故障隱患。現有研究表明,全國范圍內電力變壓器發生故障事件率居高不下,并且與年份呈現出正相關性,其中,變壓器繞組故障為主要故障[3]。由于其初期故障不明顯,電力變壓器通常可以帶病運行[4],出現繞組匝間短路故障后若不及時處理,將會演變為重大事故,輕則引起局部地區斷電,嚴重時出現變壓器爆炸、火災等無法挽回的重大事故[5]。因此,對于變壓器發生微弱匝間短路故障的檢測顯得十分必要。

針對電力變壓器最常見的匝間短路故障,唐治平等[6]提出了一種基于重復脈沖法的變壓器繞組匝間短路故障診斷方法,其主要思想是給變壓器繞組的進線端加低壓脈沖信號,從出線端采集返回信號作為故障診斷的特征量,通過對比返回信號的響應特性曲線與正常狀態的響應曲線來判斷變壓器繞組中是否存在匝間短路故障,但此方法操作過程繁瑣。汲勝昌等[7-8]最早提出利用變壓器的振動信號分析其是否發生匝間短路故障,但變壓器通常工作在穩定狀態下,其振動幅值較小,對某些微弱匝間短路故障并不能進行有效地診斷。由于變壓器未發生故障時的聲音規律性較強,當發生故障后,其聲音特征也會隨之改變,因此利用可聽聲識別技術進行變壓器故障診斷已成為當下研究熱點[9-10]。隨著神經網絡算法的迅速發展,眾多學者提出將神經網絡算法應用到變壓器故障診斷當中。李恩文等[11]提出了一種基于支持向量機(support vector machine,SVM) 合成少數類過采樣(synthetic minority over-sampling technique,SMOTE)算法的變壓器故障診斷方案,有效避免了SMOTE數據分布邊緣化以及Near Miss丟失大量樣本特征等問題,該算法可以取得更好的故障診斷效果,但是其經濟性較低。高駿等[12]、張衛華等[13]、梁永亮等[14]提出通過人工神經網絡算法將變壓器故障后的特征量進行故障分類,來判斷變壓器是否發生匝間短路故障,但對微弱匝間短路故障的診斷精度有待提高。極限學習機(extreme learning machine,ELM)是一種單隱含層前饋神經網絡,由于其學習速度快、泛化性高等優點,在眾多算法中脫穎而出。目前,國內外學者已將其引用到模型預測與故障識別等領域中[15-16]。

現有變壓器微弱匝間短路故障的診斷精度較低,操作復雜繁瑣,為此本文提出了一種基于本征時間尺度分解與極限學習機(intrinsic time-scale decomposition and extreme learning machine, ITD-ELM)的變壓器繞組微弱匝間短路故障診斷方案,構建了診斷模型,并以一臺110 V變壓器搭建實驗模擬平臺,采集變壓器的可聽聲數據為樣本,對其微弱匝間短路故障進行訓練并診斷,驗證了本文所提變壓器繞組微弱匝間短路故障診斷方法的可行性與有效性。

1 ITD-ELM模型的構建

1.1 原始信號的分解與重構

由于傳感器以及外界環境的多變性,導致原始采樣數據具有隨機性、非線性、含復雜的調制成分等缺陷。采用ITD算法將原始可聽聲信號分解,分解出多個不同峭度值的固有旋轉(proper rotation,PR)分量信號,使電力變壓器微弱匝間短路故障的可聽聲突變信息顯現出來,并根據峭度原則將分解后的可聽聲信號進行篩選,選擇峭度較大的信號進行相加,得到信息特征更大的重構信號。重構后的可聽聲信號可有效地凸顯出原始信號的局部特征,彌補采樣信號的原始缺陷,常用來分析調幅-調頻信號[17]。

1.1.1 原始信號的ITD分解

對某原始數據集Xt=[x1,x2,…,xn],采用ITD算法進行一次分解,其分解結果如式(1)所示:

Xt=LXt+(1-L)Xt=Lt+Ht,

(1)

式中:L為基線提取因子;Ht為PR分量,Ht=(1-L)Xt;Lt為基線分量,Lt=LXt。

采用ITD算法對原始采樣信號分解的具體步驟如下。

1)選擇原始采樣數據集Xt的極值Xk與對應的時刻τk,k為極值的個數。數據基線的提取因子L如式(2)、式(3)所示:

(2)

(1-λ)Xk+1,

(3)

式中:t∈(τk,τk+1);λ為固有PR分量幅度的增益控制參數,且0<λ<1,本文取0.5。

2)聯立式(1)—式(3)求得PR分量Ht,如式(4)所示:

Ht=(1-L)Xt=Xt-Lt。

(4)

3)將步驟1)與步驟2)計算所得到的基線分量Lt假設為原始采樣數據,重復上述步驟,將采樣數據多次分解,直到基線分量Lt變成一個單調信號時,則停止分解,運算過程如式(5)所示:

(5)

1.1.2 分量信號的重構

將采集到的可聽聲信號經過ITD算法分解后得到大量時域分量數據,由于峭度對前期機械故障的微小變化非常敏感,并且峭度值越大的分量信號包含越豐富的故障特征信息[18],可用其分析電力變壓器故障前后可聽聲數據中沖擊成分的含量,如式(6)、式(7)所示:

(6)

(7)

式中:K為峭度;Xrms為離散化均方根值;N為采樣個數;x(i) 為離散化后時域分量信號。

本文將峭度準則作為敏感PR分量的基準,選擇峭度較大的信號進行相加,得到信息特征更大的重構信號。重構后的可聽聲信號可有效地凸顯出原始信號的局部特征。

1.2 ELM故障診斷模型

極限學習機是一種典型的單隱含層前饋神經網絡(single-hidden layer feed forward neural network, SLFN),具有學習能力強、調整參數個數少、分類準確度高、能快速獲得全局最優解等優點,被應用到各種類型的故障分類與診斷,其拓撲結構如圖1所示。

圖1 單隱含層前饋神經網絡結構Fig.1 SLFN architecture

由圖1可看出,ELM由輸入層、隱含層和輸出層構成,設每個層級分別包含n,l,m個神經元,αij為輸入層第i個神經元與隱含層第j個神經元之間的連接權值;βjk為隱含層第j個神經元與輸出層第k個神經元之間的連接權值。

輸入層與隱含層之間的連接權值α如式(8)所示:

(8)

隱含層與輸入層之間的連接權值β如式(9)所示:

(9)

隱含層神經元的閾值η如式(10)所示:

η=[η1η2…ηl]T。

(10)

若訓練集有P個樣本,則其輸入矩陣E和輸出矩陣O分別如式(11)、式(12)所示:

(11)

(12)

設隱含層激活函數為G(x),則神經網絡輸出側T如式(13)所示:

T=[t1t2…tj…tP],

(13)

其中,tj如式(14)所示:

(14)

式中:i=1,2,…,l;j=1,2,…,Q;αi=[αi1αi2…αin];ej=[e1je2j…enj]T。

式(14)則可表示為式(15):

Mβ=TT,

(15)

將式(15)可展開為式(16):

M(α1,α2,…,αl,η1,η2,…,ηl,e1,e2,…,eQ)=

(16)

式中:M為模型的隱含層輸出矩陣。

1.3 ITD-ELM故障診斷模型

1.3.1 輸入、輸出層的選取

在實際運行過程中變電站周圍除了變壓器本身產生的聲音,還有多種干擾聲音的存在,為了加強本文所提故障診斷模型的抗干擾能力,將采集到的多種聲音作為ITD-ELM模型的輸入層,輸出層為變壓器正常狀態、匝間短路故障狀態、干擾聲狀態,則模型的輸入層神經元的個數為n=9,輸出層神經元的個數為m=3。文獻[19]—文獻[20]研究表明,變壓器正常可聽聲、故障可聽聲、干擾可聽聲在聲幅、頻段、特征諧波等方面有本質上的區別,因此可以作為ITD-ELM模型的輸入層進行變壓器故障診斷。

1.3.2 故障診斷模型

本文所搭建的基于ITD-ELM的電力變壓器微弱匝間短路故障診斷模型計算流程如圖2所示。具體步驟如下。

圖2 電力變壓器ITD-ELM模型計算流程圖Fig.2 Calculation flow chart of power transformer ITD-ELM model

1)輸入層數據的采集 采集電力變壓器的變壓器正常聲音、變壓器匝間短路故障聲音、風聲、腳步聲、鳥叫聲、汽車聲、驅鳥器聲、人聲、機械故障聲數據作為輸入層。

2)數據的預處理與劃分 使用ITD算法將采集到的電力變壓器可聽聲數據進行分解、重構,將得到的新數據集進行劃分,劃分為訓練集和測試集。

3)ITD-ELM創建和測試 選取9個可聽聲數據作為ITD-ELM故障診斷模型的輸入層,故障診斷結果作為模型的輸出層。采用Kolmogorov定理確定模型隱含層神經元個數,選擇Sigmoid為激活函數類型,將劃分后的數據集進行訓練和測試,構建出基于ITD-ELM的電力變壓器繞組匝間短路故障診斷模型。

2 試驗結果及分析

2.1 試驗平臺的搭建

電力變壓器作為關鍵的電力設備,通常處于正常狀態,且對現場運行變壓器做破壞性故障試驗成本較高,難以實現。因此,本文基于110 V變壓器搭建了模擬實驗平臺,其外殼采用與現場運行110 V變壓器的相同金屬材料,在外殼厚度、外殼形狀等方面還原了實際現場運行的油箱,最大程度地還原現場運行變壓器可聽聲傳遞媒介。在該實驗變壓器平臺的繞組中間部位破壞2匝繞組的絕緣材料,并用導線將其連接以模擬電力變壓器內部的匝間短路故障,如圖3 a)所示。通過向變壓器內線圈通50 Hz交流電的方法,使放在其內部不同位置的金屬小部件與線圈相互撞擊來模擬實際變壓器內部可能產生的機械故障聲音。采用電容式傳聲器作為采集數據的傳感器,其信噪比為100 dB,采樣頻率為48 kHz,頻率響應范圍為20 Hz～20 kHz,最大聲壓級為120 dB,達到了錄制電力變壓器可聽聲的基本要求,傳聲器安裝至距離油箱殼外部5 cm處,如圖3 b)所示。為了確保實驗過程當中的人員安全問題,設置變壓器匝間短路故障時只能離線操作,并且整個實驗過程中實驗人員必須佩戴絕緣手套,在實驗室鋪一層絕緣墊防止人員誤操作出現觸電事故。

圖3 實驗現場圖

為了增強故障診斷模型對外界環境的抗干擾能力,采集實際運行變電站周圍的風聲、腳步聲、鳥叫聲、汽車聲、驅鳥器聲、人聲、機械故障聲構成數據樣本集。將采集到的可聽聲數據截取120 400組作為ITD-ELM模型預測數據集,其中,30 000組數據作為變壓器未發生匝間短路故障時的訓練集,30 000組數據作為變壓器發生匝間短路故障時的訓練集,30 000組數據作為外界干擾聲的訓練集,30 000組數據作為機械故障的訓練集,選取400組不同運行狀態數據作為測試集,其中正常、匝間短路故障、外部可聽聲干擾和機械故障4種運行數據分別取100組。

2.2 試驗結果分析

以變壓器本體匝間短路故障后可聽聲數據為例,采用ITD將其分解,得到如圖4 a)所示的3個PR分量,表1所示為前4個峭度值計算結果,選取峭度值較大的前3個PR信號進行重構得到圖4 b)所示的重構信號。

將重構后的可聽聲信號作為ITD-ELM模型的輸入層,運行狀態為輸出層,按照圖2所展示的故障模型對變壓器可聽聲信號進行訓練與測試,將選取的400組不同運行狀態數據作為測試集,將數據隨機打亂,作為未知狀態量輸入模型中,得到每份驗證集的識別結果,并將結果與真實標簽進行對比,繪制混淆矩陣如圖5 a)所示。

注:坐標軸上的數字1,2,3,4分別表示正常、匝間短路故障、外部可聽聲干擾和機械故障4種運行狀態;混淆矩陣當中的數字表示預測狀態結果的準確率。

由圖5 a)可見,采用ITD-ELM算法的故障診斷結果準確率達到了98%,故障診斷錯誤個數僅為2個,診斷精度較高。為了凸顯本文所提ITD-ELM模型對變壓器微弱匝間短路故障的診斷效果,將采集到的可聽聲數據用傳統的ELM模型進行測試與訓練,結果如圖5 b)所示。沒有進行信號分解與重構的ELM神經網絡對于變壓器微弱匝間短路故障診斷結果為95%,故障診斷錯誤個數為5個。由此可見,采用ITD-ELM算法的故障診斷精度較傳統ELM神經網絡故障診斷模型提高了3%,證明本文所提出的基于ITD-ELM電力變壓器微弱匝間短路故障診斷模型診斷準確率較高。

此外,為了提高模型訓練速度,選取最優隱含層個數,以Sigmoid函數為ITD-ELM的激活函數,根據圖6所示的診斷結果準確率可知,當隱含層神經元個數l為150時,診斷結果準確率達到最高且隨神經元個數的增加趨于穩定,而整個模型的訓練時間周期內隨著l的增加不斷提升。因此,本文選取的隱含層個數l為150。

圖6 隱含層神經元個數對診斷結果準確率的影響Fig.6 Influence of the number of neurons in hidden layer on accuracy of diagnostic results

3 結 語

本文以變壓器運行過程中的正常聲音、匝間短路后的故障聲音和干擾可聽聲數據作為模型的輸入層,以分類結果作為模型的輸出層,構建出一種基于ITD-ELM的變壓器匝間短路故障診斷模型,并搭建了一臺110 V變壓器故障試驗平臺進行驗證,研究結論如下。

傳統ELM模型對于變壓器微弱匝間短路故障診斷結果為的準確率95%;基于ITD-ELM模型的故障診斷方法對微弱匝間短路故障的診斷結果較傳統的ELM故障診斷模型準確率提高了3%,準確率為98%。

本文所提出的匝間短路故障診斷方案在采集可聽聲信號時無需在變壓器內部或油箱外部安裝額外傳感裝置,并且不會破壞變壓器內部結構,傳聲器安裝簡單方便,支持變壓器在線故障診斷,不影響設備正常運行。該故障檢測方法的提出對現場運行電力變壓器的繞組微弱匝間短路故障診斷具有一定的指導意義,對延長變壓器的使用壽命有積極作用,但其只是在實驗室搭建了變壓器模擬故障平臺進行實驗,下一步將采集現場實際運行變壓器匝間短路故障數據用于模型訓練,以提高模型診斷精度。