基于多元感知信息融合的電抗器故障聲紋診斷研究

李子彬，王理麗，王子樂，包正紅，陳堯

（國網青海省電力公司電力科學研究院，西寧 810008）

引言

電抗器是變壓器的關鍵組件，對改善電力系統穩定性，延長變壓器使用壽命具有重要意義。然而，由于電抗器運行過程中振動過大，容易引起緊固件松動，使電抗器發生故障，影響電力系統穩定運行。因此，為保障電力系統運行穩定，有必要對電抗器故障進行診斷。近年來，隨著深度學習的發展與應用，為電抗器故障診斷提供新的思路。趙若妤等通過采用經驗小波變換對電抗器振動信號進行分解，并采用Kernel K-means 聚類方法對電抗器故障模式進行識別診斷，實現了不同工況下電抗器的故障診斷[1]。吳經鋒等以一臺10 kV 并聯電抗器為研究對象，提出了一種基于卷積神經網絡算法的機械故障診斷方法，實現了對不同機械狀態下的電抗器故障診斷，并有效減少了人工診斷的誤判率[2]。高樹國等利用單點振動信號分析法對電抗器油箱表面基頻振動形態進行分析，提出一種基于振動強度的高壓并聯電抗器鐵心松動故障診斷方法，實現了不同松動狀態的電抗器故障診斷[3]。上述研究表明，基于深度學習的故障診斷方法在電抗器故障類型診斷中取得了良好效果，但溫剛等人認為現有方法在電抗器故障診斷精度上還有待提高，其原因是電抗器故障聲紋數據時一種時序數據，上述方法對時序數據的特征學習能力有限[4]。因此，本文基于LSTM 網絡對時序數據處理的優勢，并通過采用PSO 算法優化其參數，提出一種改進LSTM 網絡的電抗器故障聲紋診斷方法。

1 基本算法

1.1 LSTM 網絡簡介

LSTM 網絡是一種用于時間序列預測的循環神經網絡，包括輸入門、輸出門、遺忘門三個基本結構，如圖1 所示，可解決一般循環神經網絡長期依賴問題[5,6]。圖中，σ為激活函數；Ct1-、Ct分別為t上一時刻和t時刻細胞狀態，ht1-、th分別為t上一時刻和t時刻網絡輸入，為激活函數。

圖1 LSTM 網絡結構

圖2 電抗器故障聲紋診斷流程

LSTM 網絡可有效解決時間長序列梯度消失問題，且具有簡單易行的優勢，常用于圖像處理、語音識別、聲紋識別等領域[7,8]。因此，本研究選用該網絡作為電抗器聲紋識別方法。但由于該網絡參數眾多，且難以找到神經元個數與dropout 值最佳參數組合，影響網絡性能[9,10]。為解決該問題，更好地識別電抗器故障，本研究結合PSO 算法的高效尋優能力，對LSTM 網絡進行了改進。

1.2 LSTM 網絡改進

PSO 算法是一種群智能優化算法，常用于解決參數訓練等復雜問題。采用PSO 算法優化LSTM 流程如下：

1）初始化種群。設置PSO 算法初始種群規模、學習因子、迭代輪次、粒子初始位置和速度等參數；

2）根據每個粒子的初始位置為參數，構建LSTM網絡。

3）適應度計算。根據式（1）適應度函數計算種群中每個粒子適應度，并更新粒子位置和速度[11,12]。

式中：

fitness—適應度；

n—迭代次數；

accuracyi—訓練準確率。

4）輸出結果。當PSO 算法達到最大迭代輪次或達到設定精度，則停止算法，輸出結果即為優化后的LSTM超參數。

通過上述優化，可得到LSTM 網絡的神經元個數與dropout 值最佳參數組合。將該參數組合作為LSTM 網絡的初始神經元個數與dropout 值，可有效提高網絡的預測精度，實現更精確的電抗器故障診斷[13,14]。

2 基于多元感知信息融合的電抗器故障聲紋診斷

基于上述構建的改進LSTM 網絡，為實現電抗器故障診斷，提出一種基于改進LSTM 網絡的電抗器故障聲紋診斷方法。具體思路是首先收集整理電抗器運行的聲紋信號，然后利用梅爾時頻譜進行特征提取，并輸入LSTM 網絡進行特征訓練，最后根據LSTM 輸出結果進行分析判斷，即可識別電抗器故障。具體流程如下：

1）電抗器聲紋信號收集整理。采用反射面上方包絡測量面的方法，利用槍式麥克風收集整理電抗器聲紋信號數據[15,16]?？紤]到每次采集的聲紋信號數據音頻信息時長不同，對數據進行了分幀處理與漢明窗加窗處理；

2）特征提取。采用梅爾時頻譜圖對電抗器運行聲紋時頻譜圖進行降維，并提取其主要特征；

3）改進LSTM 網絡模型構建與訓練。基于Pytorch深度學習框架搭建改進LSTM 網絡模型，并將梅爾時頻譜圖提取的聲紋特征輸入構建的LSTM 網絡模型中進行學習與訓練，保存最佳改進LSTM 網絡模型；

4）故障診斷。將待分類識別的聲紋數據輸入最佳改進LSTM 網絡模型中，其輸出結果即為電抗器故障診斷結果。

3 仿真實驗

3.1 實驗環境搭建

本次實驗基于Pytorch 深度學習框架和Pycharm 平臺搭建改進LSTM 模型，并在Windows10 操作系統中運行。系統配置Intel Core i7 7700（3.60 GHz）CPU，NVIDIA GeForce RTX2060 GPU。

3.2 數據來源及預處理

本次實驗數據來自自主采集的某變電站高壓電抗器5 種不同類型的鐵心松動聲紋數據，包括額定預緊力松動、單邊夾件松動、雙邊夾件松動、單點夾件松動、對角夾件松動，共2 000 個數據樣本。其中，額定預緊力松動數據50 個，單邊夾件松動數據450 個，雙邊夾件松動數據350 個，單點夾件松動數據400 個，對角夾件松動數據750 個。

考慮到采集電抗器鐵心松動聲紋數據音頻信息時長不同，為統一聲紋數據音頻信息時長，首先根據式（2）對聲紋數據全長L 進行了計算。然后對聲紋數據進行分幀處理，將所有聲紋數據幀長劃分為500 ms，并設置步長為L 的一半[17,18]。

式中：

T—采樣時長；

f—采樣頻率。

此外，考慮到上述處理可能導致聲紋數據的高頻諧波分量增加幅度過大，造成不利影響，采用漢明窗對幀進行了加窗預處理。同時，為降低聲紋數據特征維度，采用梅爾時頻譜特征提取方法中頻率壓縮方法對電抗器運行頻率進行壓縮。

最后，將通過預處理后每個類別的聲紋數據進行無序處理，并從每個類別中抽取前80%的數據樣本作為訓練集，剩余20 %數據樣本作為測試集，用于模型訓練與測試。

3.3 評價指標

本次實驗選用準確率（acc）作為評估改進LSTM 模型性能的指標，其計算方法如下：

式中：

m1、m2—真正例和假正例；

n1、n2—真負例和假負例。

3.4 參數設置

本次實驗設置改進LSTM 網絡結構為：網絡層數4 層，第一層為輸入層，負責輸入尺寸大小為161*161*3 的語譜圖；第二層為隱藏層，是400 個神經元構成的LSTM；第三層為全連接層，第四層為softmax 分類識別層。

實驗設置改進LSTM 網絡的初始超參數：輸入與輸出神經元均為5，學習率為0.001，batch_size 為3，時間步長為5[19,20]。

3.5 結果與分析

3.5.1 模型改進效果驗證

為驗證本研究采用PSO 算法對LSTM 網絡改進的效果，實驗對比了采用PSO 改進前后LSTM 網絡的收斂速度，結果如圖3 所示。由圖可知，相較于PSO 算法改進LSTM 網絡前，PSO 算法改進后的LSTM 網絡收斂速度更快，迭代到10 步后逐漸收斂，且收斂曲線更平滑，說明所提的采用PSO 算法對LSTM 網絡進行改進，一定程度上提高了LSTM 的收斂速度，改進具有有效性。

圖3 改進LSTM 網絡模型收斂速度變化曲線

為進一步驗證采用PSO 算法對LSTM 網絡分類識別性能的改進效果，研究基于實驗訓練數據集分析了改進前后LSTM 網絡模型的準確率，結果如圖4 所示。由圖可知，采用PSO 算法改進前，LSTM 網絡模型的準確率約為95 %，采用PSO 算法改進后，LSTM 網絡模型的準確率約為98 %。由此說明，采用PSO 算法改進LSTM 網絡，可一定程度提高LSTM 網絡的分類識別準確率，改進有效。

圖4 改進LSTM 網絡模型訓練過程準確率變化曲線

通過上述對PSO 算法改進LSTM 網絡前后的收斂速度和準確率對比分析可知，PSO 算法可提高LSTM 網絡的收斂速度和分類識別準確率，改進有效。

3.5.2 模型故障診斷結果

為驗證所提改進LSTM 對電抗器故障聲紋診斷性能，實驗統計了所提改進LSTM 模型在測試集上的診斷準確率，結果如表1 所示。由表可知，所提改進LSTM模型對不同類型的電抗器故障聲紋診斷的準確率在98 %左右。其中，對雙邊夾件松動的故障診斷準確率最高，為99.23 %，具有較高的識別準確率。由此說明，所提改進LSTM 模型在電抗器聲紋故障診斷中具有可行性和有效性。

表1 改進LSTM 網絡模型對不同類型電抗器故障診斷準確率

3.5.3 模型故障診斷結果對比

為進一步驗證所提改進LSTM 模型在電抗器聲紋故障診斷中的優越性，實驗對比了所提改進LSTM 模型與常用故障診斷模型CNN 模型、BP 模型、SVM 模型，在測試集上的分類識別效果，結果如圖5 所示。由圖可知，所提改進LSTM 模型對電抗器聲紋故障診斷的準確率最高，平均準確率約為98 %，BP 模型和SVM 模型達不到電抗器聲紋故障診斷的精度需求。分析其原因是，SVM模型和BP 模型的對電抗器聲紋數據的運算能力較差，導致測試結果低于平均水平。

圖5 不同模型準確率隨迭代次數變化

為定量分析所提改進LSTM 模型與對比模型的電抗器聲紋故障診斷效果，實驗統計了不同模型對不同類型電抗器故障診斷的準確率及每次迭代的時間，結果如表2 所示。由表可知，相較于對比模型，所提改進LSTM模型在電抗器聲紋故障診斷的準確率和迭代時間方面具有明顯的優勢，平均準確率為98.39 %，每次迭代時間為12 s。由此說明，所提的改進LSTM 模型在電抗器聲紋故障診斷中具有一定的優越性。

表2 不同模型對不同類型電抗器故障診斷結果對比

4 結論

綜上所述，所提的基于多元感知信息融合的電抗器故障聲紋診斷方法，通過采用PSO 算法求解LSTM 網絡的神經元個數與dropout 值最佳參數組合，提高了LSTM網絡的收斂速度和分類識別準確率，實現更精確的電抗器額定預緊力松動、單邊夾件松動、雙邊夾件松動、單點夾件松動、對角夾件松動的不同類型故障聲紋診斷，平均診斷準確率約為98 %。相較于SVM、CNN、BP 模型以及標準LSTM 網絡模型，所提PSO 算法改進的LSTM 網絡模型對電抗器故障聲紋診斷的準確率更高，每次迭代時間更短，具有明顯優勢，為電抗器故障診斷識別提供了新的思路。