多視角特征融合下的變電站設備故障診斷研究

摘 要：本文旨在通過多視角特征融合技術提高變電站設備故障診斷的準確性和效率。研究采用包括傳感器數據、歷史運行記錄和維護日志在內的多種數據源。首先，對這些數據進行預處理和特征提取。其次，利用MPCA和STM進行特征融合與模式識別。試驗結果表明，與傳統的基于單一數據的故障診斷相比，采用多視角特征融合理念設計的系統在準確率上提升了約15%～20%，并且在響應時間和誤報率方面也具有明顯優勢，特別是當面對復雜或未知類型的設備異常時，該系統能夠更快速且精確地定位問題根源。

關鍵詞：多視角特征；變電站設備；異常狀態識別；故障診斷

中圖分類號： TH 165 文獻標志碼：A

傳統的故障診斷方法往往依賴單一的監測數據或特征，這在復雜多變的實際環境中可能無法提供足夠的準確性和魯棒性，研究者基于此探討如何有效地融合多視角特征，以提高故障診斷的準確性。王進花等[1]研究了一種基于注意力機制的多級特征融合卷積神經網絡（A2ML2F-CNN）故障診斷方法，該方法通過多級特征融合顯著提高了風力發電機軸承的故障診斷準確率。包從望等[2]提出了一種多傳感器信息融合的軸承故障遷移診斷方法，有效解決了單一傳感器在復雜環境下故障識別率低的問題。陳秋菊等[3]開發了一種特征融合的電力機械設備過熱故障紅外檢測方法，通過圖像處理技術提高了過熱故障檢測的魯棒性和效率。程志平等[4]討論了多傳感器融合的機械故障診斷課題。馬衛東等[5]分析特征融合在故障診斷中的應用。王展等[6]探討了多尺度加權融合特征學習模式下的故障診斷問題。基于此，本文旨在探討基于多視角特征融合的變電站設備故障診斷方法。

1 算法設計

1.1 設計思路

在電力系統持續發展的背景下，變電站設備的穩定運行對整個電網的安全至關重要。設備故障診斷在電網等復雜系統中是一個關鍵且具有挑戰性的任務。為了提高診斷的精準度和效率，本文提出了一種基于多視角特征融合的故障診斷方法。該方法利用擴展的主成分分析（MPCA）算法處理來自不同監測通道的數據張量，旨在從多個角度提取信息并有效降低數據維度。經過數據預處理和降維后，采用支持張量機（Support Tensor Machine，STM）進行特征分析和分類。STM通過尋找一系列超平面將張量數據樣本劃分為2個預定義類別，特別適用于處理高維度的多模態或跨視圖數據集，因為它能夠有效捕捉不同視角下的復雜模式和結構信息。該方法預期能夠綜合考慮多種信號源的信息，以提升故障識別的準確性和精度。

將不同監測通道的數據表示為張量形式，這有助于保留數據中的多維關系。然后，利用MPCA算法對這些數據張量進行處理，以便從各個視角提取關鍵特征。MPCA的擴展版本有助于更好地處理多維數據，提高數據表征的有效性，通過STM進行特征分析和分類，利用其能力來處理高維度數據并捕捉復雜的結構信息。這種方法的特點是它能夠綜合考慮來自不同視角的信息，從而增強故障診斷的能力。

1.2 多視角特征融合

由于環境因素的復雜性和電氣設備監測指標的多樣性，變電站設備的故障識別與診斷面臨顯著挑戰。這些挑戰不僅源于設備本身的異質性，還源于預測活動對時間跨度的敏感性，即不同設備設施之間存在顯著差異。因此，為了提高故障預測的準確性和及時性，必須采用一種能夠綜合利用多源數據的方法來進行綜合研判，本文提出了一種基于主成分分析（Principal Component Analysis，PCA）的擴展方法（MPCA），該方法可以融合多視角特征策略來解決這個問題。

假設傳感器所獲得的樣本數據如公式（1）所示。

xi∈Ra×b " n=1，2，…，N （1）

式中：x為樣本；xi為任意指定樣本；R為樣本矩陣；a為傳感器數量；b為傳感器記錄時間跨度的樣本數量，也即總記錄時長與采樣間隔之比；n為指定樣本序號；N為樣本總量。

基于這一定義，可以設置空間投影關系，如公式（2）所示。

A1=Ra1×b2 "A2=Ra2×b1 （2）

式中：A1、A2為投影矩陣；a1、a2為視角數量，應小于a；b1、b2為時間特征采樣點，應小于b。

由此，原有樣本數據得以降維投影于低維平面，如公式（3）所示。

yi∈Ra'×b' " n=1，2，…，N （3）

其仍需要經過中心化處理，且需要最大化樣本散度，實現特征的提取與融合，這一過程又涉及基于張量數據散度水平的迭代優化，以實現特征提取的優化與故障診斷的識別。

1.3 張量數據故障診斷

本文使用STM方法進行分類，其平面結構下的決策優化函數如公式（4）所示。

sgn（（w*·x）+d*） （4）

式中：w*為理想直線的法方向；d*為理想直線的y軸截距。

其引入拉格朗日函數，如公式（5）所示。

（5）

式中：l為阿格朗日算子。

可以得到公式（6）。

a=（a1，...，a1）∈R+l （6）

其仍需要考慮張量數據的權值矢量，且其約束條件需要考慮張量外積，如公式（7）所示。

（7）

式中：m為模的數量；ω為權值矢量；c為懲罰因子；ξ為松弛變量，為正值；n為指定樣本序號。

STM的目標是找到一組權值矢量ω和偏差項d*，能夠通過以下優化問題定義的超平面正確分類這些樣本，以識別異常狀態，并由此具體定位故障。

2 性能測試

2.1 數據獲取

本文通過收集和整理來自實際變電站的數據以及運維材料，構建了一組用于訓練和預測的樣本集。當處理變電站設備故障數據時，需要收集多方面信息，時間序列數據涵蓋了故障前后的采樣單位數據，包括各種監測通道，例如電流、電壓、溫度等。傳感器監測中實時采集的信息可以幫助監測設備狀態。

將其整理為xi∈Ra×b " n=1，2，…，N，相應處理過程包括清洗、歸一化等數據預處理操作，將來自不同傳感器通道的高維時間序列信息轉換為低維空間表示，即yi∈Ra'×b' " n=1，2，…，N，利用STM算法對預處理后的特征進行分類，以發現并定位異常狀態。

基于此，相應地進行材料的人工標記，區分標記不同類型的設備故障，以進行分類學習，使樣本集包括故障樣本與正常運行樣本2個部分，旨在評估系統在不同狀態下的表現。在處理過程中還需要考慮特征工程參數和預處理步驟，確保輸入符合STM算法要求，能提取有用特征進行模型訓練，而在降維過程中使用MPCA技術，則需要設置相應參數，將高維時間序列轉換為低維表示。當應用STM分類器時，需要選擇超參數和核函數等設置，確保對特征進行有效分類，以識別異常狀態并進行預警或采取其他措施。

故障樣本的選擇特別關注捕捉異常情況下的數據特征。具體來說，每個故障樣本包括故障發生時間點前后各500個采樣單位的時間序列數據，共計1000個采樣單位的數據長度，采樣單位間隔為6s/輪，使模型能夠從接近故障發生的時刻開始學習到導致異常的模式變化及其前兆信號。其中，70%作為訓練樣本，30%作為測試樣本，模型訓練完成后需要評估其在檢測異常狀態方面的有效性，并根據需要調整參數或嘗試其他技術手段進一步優化結果，通過分析與處理這些關鍵時刻數據，可以更準確地識別潛在的風險因素并及時采取措施，以防止或減輕可能的事故影響。

2.2 異常狀態識別分析

系統監控中，異常狀態通常是指與正常運行模式顯著不同的行為或性能指標變化。這些變化可能是由設備故障、外部干擾或其他未知因素引起的。因此，能夠快速、準確地識別這些異常是保障系統安全和效率的關鍵環節之一。本文基于此考慮了不同測試條件下的預測準確率，分別對比了不同數據長度和數據開始位點的影響。

針對不同數據長度，其測試結果如圖1所示。

由圖1可知，性能測試考察了較短數據長度的樣本（例如100輪～200輪）在異常狀態識別中的表現，這些短數據的平均準確率約為98.5%。這一高水平的準確性表明，即使在有限的數據量下，現有的算法和技術已經能夠較好地捕捉系統的正常與非正常行為模式差異。然而，這種高精度可能部分歸因于短數據的特性，即其通常包括較少的信息量和變化點數目少于更長的序列，從而使模型更容易學習穩定的特征表示并做出判斷決策，同時由于其相對簡單的結構特點也降低了過擬合的風險，提高了泛化能力。更長樣本數據則使異常狀態識別準確率提升，例如900輪長度數據條件下異常狀態識別準確性可達到99.5%，相應誤差偏移較低，隨著時間增長而積累起來的信息豐富度和多樣性為提升模型的判別力提供了有利條件，此類較長序列時所得到的測試結果顯示出了更高的準確率，說明增加觀測窗口大小有助于改善預測性能，長時間跨度內的事件關聯性和因果鏈條得以充分展現，有利于模型挖掘深層次的模式規律。但在最大數據長度1000輪條件下，異常狀態識別準確性下降且誤差偏移上升，提示可能的末端噪聲干擾。

針對不同數據起始位置，其測試結果如圖2所示。

由圖2可知，隨著數據起始位置逐漸接近故障發生時刻（500輪處），異常狀態的識別準確性呈現先上升后下降再回升的非線性變化模式。具體來說，當提前500個采樣單位開始監測時（即距離實際事件還有較長時間），模型的預判能力相對較低，正確率不足40%，這可能是由于此時系統仍處于正常運行階段，潛在的問題尚未顯現或者信號微弱不足以被有效捕捉。然而一旦縮短觀測窗口至僅比事件早100輪時，檢測精度躍升至70%以上。這種快速提升表明，臨近問題爆發，系統內部已經積累了一些可被察覺的變化跡象，例如參數波動、性能退化等特征，使算法能夠更敏銳地偵測即將來臨的風險預警信息。進一步來說，恰好在事故發生的瞬間進行評估，即零延遲情形下，模型展現了極高的辨識力，達到了85%以上的成功率，說明在最直接相關的時刻提取的數據包括最豐富且最具指示意義的信息，有助于做出最精確、及時的判斷決策，支持操作人員采取應對措施，避免損失擴大化。

隨著數據起始點錯過故障爆發時刻，部分關鍵的前期預警信號和動態變化信息未能被捕捉到。這些早期跡象對構建準確的預測模型至關重要，它們的缺失可能導致模型對后續數據的解讀能力下降。異常狀態識別的準確率有所下降，仍保持接近或者超過70%水平。與此同時，一旦故障發生并得到處理后（例如自動保護機制啟動、人工干預等），系統可能會迅速回歸到一個新的穩定狀態或者開始自我修復過程；此時，原本與問題緊密相關的變量可能不再表現出顯著的異常特征，從而使基于歷史模式訓練出來的算法難以繼續有效地檢測潛在風險點。當故障發生后400輪～500輪時，識別準確率再度上升，其可能來自各種應急措施實施及設備重啟等原因造成的瞬態波動得到識別。

2.3 故障信息定位分析

故障定位的準確性是確保生產連續性和設備維護效率的關鍵因素，具體討論對異常的識別結果，則其定位能力的預測情況依賴數據長度和數據開始位置的差異性。其中，基于數據長度的故障定位測試結果如圖3所示。圖3中展示了不同數據長度條件下的故障定位誤差情況。結果顯示，在不同數據長度條件下，故障定位誤差并沒有顯著差異；同時，無論數據長度如何變化，對應的故障定位準確率均維持在94%左右。這表明即使增加或減少數據采集量，改變時間窗口對提高或降低錯誤判斷的概率作用有限，該準確率明顯低于其他相關技術，例如異常狀態檢測所能達到的水平。

依托數據開始位置的影響分析如圖4所示。由圖4可知，隨著數據收集時間節點提前，即增加歷史深度，預測精度顯著提高。這表明更多的歷史信息有助于模型捕捉更復雜的系統行為模式和潛在風險因子。然而，預測準確性與數據起始位置的直接關聯不受故障發生時刻的影響，無論是在問題爆發前還是后進行分析都未顯示出明顯差異。相比之下，異常狀態識別越靠近事件發生時間窗口內獲取的信息價值越大。從理論角度考慮，異常狀態識別通常依賴對即時數據的快速響應，因此故障點前后的數據包括最直接的異常信號。然而，對故障定位來說，模型可能需要更多的歷史數據來建立設備或系統的正常行為基線。隨著時間推移和數據積累，即使是從較晚的時間點開始，模型也能夠更好地理解系統動態并預測潛在的故障模式。這種信息累積效應導致即使在最晚的數據起始位置也能達到較高的預測準確率。

3 結語

本文針對變電站設備故障診斷的挑戰提出了一種基于多視角特征融合的方法。通過采用擴展的主成分分析（MPCA）算法處理來自不同監測通道的數據張量，并結合支持張量機（STM）進行特征分析和分類，該方法有效地提升了故障識別的準確性和效率。試驗結果表明，即使在有限的數據長度下，該系統也能達到約98.5%的異常狀態識別準確率。隨著數據長度增加和觀測窗口擴大以及歷史信息深入利用，系統的預測性能得到顯著提升，特別是在接近故障發生時刻獲取的信息，對提高異常狀態識別精度具有重要意義。然而，在最大數據長度1000s的條件下，異常狀態識別準確性有所下降且誤差偏移上升，提示可能存在末端噪聲干擾問題，需要進一步優化處理策略，以減少其影響。此外，盡管增加或減少采集的數據量對提高或降低錯誤判斷的概率作用有限，準確率維持在94%左右，但更多的歷史信息有助于模型捕捉更復雜的系統行為模式和潛在風險因子，從而實現更準確的故障定位預測能力，不受時間節點提前與否的影響，具有較強的魯棒性和泛化能力。

參考文獻

[1]王進花，韓金玉，曹潔，等.基于AM和CNN的多級特征融合的風力發電機軸承故障診斷方法[J].太陽能學報，2024，45（5）：51-61.

[2]包從望，江偉，張彩紅，等.多傳感器信息融合的軸承故障遷移診斷方法[J].機電工程，2024，41（5）：878-885.

[3]陳秋菊，彭天昊，康萬杰，等.特征融合的電力機械設備過熱故障紅外檢測[J].機械設計與制造，2024（4）：337-341.

[4]程志平，王潞紅，歐斌，等.基于CMMFDE與多傳感器信息融合的旋轉機械故障診斷研究[J].機電工程，2024，41（5）：807-816.

[5]馬衛東，劉子全，姚楠，等.AOA-CEEMDAN和融合特征在齒輪箱故障診斷中的應用[J].機電工程，2024，41（5）：817-826.

[6]王展，魯晨琪，星施宇，等.基于多尺度加權融合特征學習的轉子故障診斷[J].組合機床與自動化加工技術，2023（11）：154-158.