基于聲振一體的變壓器故障診斷關鍵技術研究

趙學舉

（科華數(shù)據(jù)股份有限公司，福建 廈門 361006）

0 引言

近年來，隨著國家經濟的快速發(fā)展，電網建設突飛猛進，實現(xiàn)了跨越式發(fā)展。作為電網核心設備的變壓器，隨著經濟建設投資，廣泛地應用于機場、港口、醫(yī)院、工廠及小區(qū)等領域。變壓器運行是否正常，直接關系到國民經濟的發(fā)展和居民的日常生活，因此，對變壓器的智能化監(jiān)測越來越受到重視。

變壓器的狀態(tài)監(jiān)控與故障診斷技術涉及電力物聯(lián)網、大數(shù)據(jù)、人工智能、計算機、通信、控制與傳動、材料以及電力技術等多方面學科。本文的研究對象是基于聲紋和振動的變壓器故障診斷的故障模型的建立。

1 研究背景

變壓器的故障反映在電、溫、聲、振、氣等各個方面。本文主要介紹氣體和聲振的檢測機理，給出基于聲振的故障診斷系統(tǒng)結構和采用的數(shù)據(jù)模型。

1.1 油色譜在線監(jiān)測研究

油色譜在線監(jiān)測技術在變壓器的故障監(jiān)測中應用很廣，其基本原理是采集變壓器中的氣體，通過化學的方法對氣體色譜進行分析。這些主要是烴類氣體，包括氫氣、一氧化碳、甲烷、乙烯、乙炔和乙烷等六種氣體[1]。隨著溫度的逐漸升高，通過專家系統(tǒng)的數(shù)據(jù)統(tǒng)計分析，對應的溶解氣體產生的色譜與故障特征存在一定的對應關系。因此，通過氣體采集裝置，定時采集變壓器油中的氣體，并進行油色譜分析，可以及時發(fā)現(xiàn)變壓器的潛在故障隱患，對變壓器的及時維修保養(yǎng)具有重要的意義。

1.2 變壓器故障的聲振特性

電力設備（包括變壓器）處于不同的工作狀態(tài)，能夠產生不同的聲音。經驗豐富的檢修人員，能夠根據(jù)聲音大致判斷出故障。因此，變壓器的常見故障也可以通過聲音進行判斷?？傮w來講，常見的變壓器異常聲音來源包括變壓器過負荷、電源電壓過高、變壓器內部鐵心松動[2]、觸頭接觸不好、螺絲松動以及絕緣擊穿等。

目前，通過對變壓器的異常聲音來對變壓器進行遠程智能監(jiān)測的技術已經得到越來越多專家學者的重視，相關技術研究也在不斷地發(fā)展，并取得重大進步。變壓器聲振監(jiān)測系統(tǒng)是通過在變壓器周邊安裝對應數(shù)量的聲振采集裝置，采集聲音后送到后端進行聲振特征提取，區(qū)分出正常和異常的工作狀態(tài)，再通過基于后臺的大數(shù)據(jù)AI 算法分析判斷出故障，進而實時故障報警，為運維人員提供維保依據(jù)。

2 系統(tǒng)架構

基于無線聲學傳感器的變壓器故障診斷系統(tǒng)組織架構主要包括采集、傳輸、處理、存儲以及展示五個部分：

（1）采集，通過前置采集裝置的壓電振動傳感器和聲學傳感器模塊對變壓器、風機的振動和聲學特征進行采集；

（3）傳輸，采用4G 網絡將采集的數(shù)據(jù)傳輸?shù)皆品掌鳎?/p>

（4）處理，對傳輸?shù)臄?shù)據(jù)進行預處理并預測，進而判定目前變壓器和風機的運行情況；

（5）存儲，數(shù)據(jù)進行云端存儲，方便進行進一步的分析比對；

（6）展示，數(shù)據(jù)以圖表的方式展示出來，方便使用者查看。

3 基于對抗生成網絡的不均衡樣本分類和學習方法

現(xiàn)在常用的半監(jiān)督學習算法雖然能夠有效提高在現(xiàn)實場景中的故障檢測與診斷準確率，但存在局限性，即只有故障再次發(fā)生時，對這類型故障的檢測與診斷準確率才會提高。此外，將測試數(shù)據(jù)吸收到訓練集中的迭代過程可能與實際工業(yè)上的故障檢測與診斷無關。生成對抗網絡（Generative Adversarial Networks，GANs）[3-4]作為近些年提出的一種無監(jiān)督學習技術，為正常樣本和故障樣本數(shù)量不均衡的問題提供了另一種可能的解決方案。只需要部分故障樣本，GANs 便能夠生成與實際數(shù)據(jù)相近的人工故障樣本。與半監(jiān)督方法相比，GANs 為數(shù)據(jù)不平衡問題提供了更直接的解決方案。

為了解決現(xiàn)實場景中故障樣本較少的問題，訓練一個W-GANs 與CGANs 結合的CW-GANs 模型，提升GANs 的效果，避免發(fā)生模式坍塌與模型訓練過程太過自由的問題，生成大量帶有類標簽的各類故障樣本。同時，為了保證生成樣本的質量，采用一種基于集成算法的樣本評估模型。該模型用于挑選生成的樣本，保證選擇與真實樣本最接近的生成樣本作為故障診斷與檢測模型的訓練數(shù)據(jù)集[5]，從而達到提升故障診斷與檢測的效果。

假設任意一個樣本x，在判別器網絡中計算出的損失為-Pdata(x)logD(x)-Pz(x)log[1-D(x)]。其中，D(x)表示對真實的樣本x進行判別，Pdata(x)表示真實的樣本，Pz(x)表示隨機生成的樣本。

對D(x)求導，得到最優(yōu)判別器函數(shù)應為：

GANs 模型的目標就是將JS 散度最小化。當JS 散度降為0，表明生成樣本與真實樣本的分布達到一致。

故障診斷模型是一個用于解決多分類問題的模型，即根據(jù)輸入數(shù)據(jù)判斷變電設備具體為哪一類故障。對繞組、鐵芯、外圍設備及有載分接開關四大類型的故障診斷模型進行了對比，首先采用基于傳統(tǒng)機器學習算法的故障診斷模型[8]，其次采用完全基于CW-GANs 模型的故障診斷模型（即完全使用生成樣本訓練的故障診斷模型），最后采用本文所提的算法（即使用生成樣本加少量真實故障樣本訓練的故障診斷模型）。

三種模型在基于RF 分類模型的測試效果對比如圖1 所示。由圖1 可知，本項目采用的模型相較于其他兩種模型效果更好，F(xiàn)1 值至少提升了5%以上。如圖2 所示，完全使用生成樣本訓練的故障診斷模型與基于傳統(tǒng)機器學習算法的故障診斷模型效果相近，這間接表明了所提出的CWGANs 模型生成的故障數(shù)據(jù)分布與真實數(shù)據(jù)分布相近。

圖1 故障診斷模型F1 值對比圖

圖2 故障診斷模型準確率對比圖

4 實施案例

4.1 現(xiàn)場安裝

以某市政項目的變壓器監(jiān)測為例。在變壓器支架的2～3 個位置安裝壓電振動傳感器，采集變壓器運行過程中不同點的振動信號；在接近壓電振動傳感器組的中心位置安裝1 個麥克風，采集外部噪音，尤其是風機噪音信號，以便消除外部噪音對壓電傳感器和壓電模塊的不良影響；根據(jù)風機的數(shù)量合理安裝壓電振動傳感器，采集風機振動信號；每臺風機安裝一個聲音傳感器，采集風機噪音信號，監(jiān)測風機運行狀態(tài)，消除風機對變壓器采集信號的負面影響。

4.2 實時展示

系統(tǒng)提供監(jiān)測對象的能量變化、頻率分布、頻率比例以及故障告警等數(shù)據(jù)，有效直觀地觀測設備當前的設備狀態(tài)。

5 結語

針對變壓器的故障診斷，本文提出了基于聲振的故障診斷方法，并深入研究了故障診斷模型。對三種故障模型進行分析，證明采用生成樣本加少量真實故障樣本訓練的故障診斷模型具有更高的準確性，從而為基于聲振的變壓器故障診斷方法深入研究提供了技術支撐。