邵宇鷹,王 梟,彭 鵬,袁國剛,鄭申輝

(1. 國網(wǎng)上海市電力公司，上海 200122; 2. 上海睿深電子科技有限公司，上海 201108)

0 引 言

變壓器作為電力系統(tǒng)中的核心設(shè)備之一，其運(yùn)行穩(wěn)定性直接影響整個(gè)電網(wǎng)系統(tǒng)的正常工作[1]。變壓器故障診斷對于保證變壓器可靠運(yùn)行具有重要意義。

針對變壓器故障診斷問題，國內(nèi)外學(xué)者提出了很多檢測方法。其中，油中溶解氣體分析法(dissolves gas analysis，DGA)和振動(dòng)信號(hào)分析法是兩種比較成熟和有效的診斷方法。馬葉芝等[2]選取5種油中氣體作為故障特征量，用于變壓器故障診斷，提高了變壓器的診斷性能。張鐿議等[3]從混合DGA特征量中優(yōu)選出一組DGA新特征組合作為輸入，對變壓器進(jìn)行故障診斷。雖然基于DGA的變壓器故障診斷方法取得了很大的成果，但其診斷周期較長，不利于及時(shí)發(fā)現(xiàn)故障隱患。針對基于DGA診斷法的不足，很多學(xué)者探索采用振動(dòng)分析的變壓器狀態(tài)診斷方法。顏秋容等[4]基于振動(dòng)信號(hào)頻段能量分布實(shí)現(xiàn)變壓器故障診斷。魏曉瑩等[5]提取變壓器振動(dòng)信號(hào)的二維特征對變壓器鐵芯故障進(jìn)行診斷。研究結(jié)果表明振動(dòng)信號(hào)能夠準(zhǔn)確、有效地表征變壓器運(yùn)行狀態(tài)。雖然振動(dòng)信號(hào)分析法有效地避免了基于DGA的變壓器故障診斷方法的不足，但在信號(hào)檢測方面，需要將傳感器與變壓器接觸，給傳感器的安裝與維護(hù)帶來一定不便。

變壓器聲信號(hào)故障診斷法是采集變壓器實(shí)時(shí)工作下的聲信號(hào)，并通過相關(guān)分析進(jìn)行故障診斷的方法。聲信號(hào)的采集不需要停運(yùn)變壓器，只需將聲傳感器布置在變壓器周邊即可。因此，基于變壓器聲信號(hào)故障診斷方法可以有效地克服傳統(tǒng)檢測方法的不足。變壓器在正常與非正常狀態(tài)下，所發(fā)出的聲信號(hào)有很大差異。有經(jīng)驗(yàn)的運(yùn)行人員可以通過變壓器發(fā)出的聲音定性地判別變壓器是否存在故障?；谌说母泄俳?jīng)驗(yàn)對變壓器運(yùn)行狀態(tài)分析，還未能達(dá)到定量和科學(xué)分析，而且運(yùn)行人員也不可能長時(shí)間對變壓器的聲信號(hào)監(jiān)聽。不同的聲信號(hào)會(huì)引起人耳聽覺系統(tǒng)做出不同的響應(yīng)，根據(jù)人耳聽覺系統(tǒng)對不同變壓器聲信號(hào)的響應(yīng)，則可定量實(shí)時(shí)監(jiān)測變壓器運(yùn)行狀況。因此，本文提出一種基于變壓器聲信號(hào)并考慮人耳傳聲特性的新型變壓器故障診斷方法，并通過測試驗(yàn)證了方法的有效性。

1 樣本采集及特征向量提取

1.1 樣本采集

變壓器噪聲采集所用的測試系統(tǒng)整體組成如圖1所示。參照標(biāo)準(zhǔn)GB/T 1094.10—2003，在變壓器噪聲的測量中，將傳聲器布置在離變壓器1 m的輪廓線上[6]。圖2展示了現(xiàn)場采集布置情況。測試時(shí)，傳聲器用于采集變壓器工作時(shí)產(chǎn)生的噪聲信號(hào)，并通過傳輸線將其傳入到數(shù)據(jù)采集儀中。數(shù)據(jù)采集儀將噪聲信號(hào)轉(zhuǎn)化為相應(yīng)的數(shù)字信號(hào)，并通過傳輸線將其傳入到電腦中。電腦通過振動(dòng)噪聲測試軟件LMS Test.Lab18.0對傳入的數(shù)據(jù)進(jìn)行預(yù)處理，并保存為軟件Matlab可讀文件，以便后續(xù)的分析和處理。

圖1 變壓器噪聲測試系統(tǒng)布置圖

圖2 變壓器噪聲測試實(shí)驗(yàn)

電力變壓器在運(yùn)輸、使用過程中出現(xiàn)的碰撞、擠壓和外部短路故障等都有可能導(dǎo)致繞組松動(dòng)變形，從而造成嚴(yán)重事故。所以，對變壓器繞組松動(dòng)狀態(tài)進(jìn)行監(jiān)測，對電網(wǎng)系統(tǒng)的安全運(yùn)行有著重要意義。本文通過控制繞組預(yù)緊力來模擬繞組不同程度的松動(dòng)情況。在半消聲室內(nèi)，分別采集了某型10 kV干式變壓器在低預(yù)緊力(20%，40%，60%)、正常預(yù)緊力(100%)和過預(yù)緊力(140%)條件下的噪聲樣本。具體采集情況如表1所示。

表1 變壓器噪聲樣本

1.2 特征向量提取

1.2.1 人耳聽覺系統(tǒng)感知機(jī)理

人耳聽覺系統(tǒng)感知過程主要由人耳和大腦皮層的聽覺中樞完成。人耳的結(jié)構(gòu)主要由外耳、中耳和內(nèi)耳3部分組成，負(fù)責(zé)聲音信號(hào)的采集、傳輸和處理，因此，可認(rèn)為人耳類似為一種實(shí)時(shí)頻譜分析儀。聽覺中樞負(fù)責(zé)人耳生理信號(hào)的分析和聲音信號(hào)的主觀判斷。圖3顯示了人耳聽覺系統(tǒng)的聽覺感知過程。外耳由耳廓和外耳道組成，用于收集聲音信號(hào)[7]。中耳包括鼓膜、聽骨鏈和其他結(jié)構(gòu)。鼓膜可以收集和放大來自外耳的聲音信號(hào)。聽骨鏈負(fù)責(zé)將鼓膜的振動(dòng)信息傳遞到內(nèi)耳。內(nèi)耳主要由卵圓窗和耳蝸組成。卵圓窗負(fù)責(zé)接收來自中耳的振動(dòng)信息。淋巴液引起的行波在耳蝸內(nèi)迅速傳播，引起基底膜的振動(dòng)。基底膜上有許多與神經(jīng)末梢相連的毛細(xì)胞。毛細(xì)胞將振動(dòng)信號(hào)轉(zhuǎn)換成電信號(hào)，通過神經(jīng)纖維傳遞到聽覺中樞。最后，產(chǎn)生對聲音信號(hào)的聽覺感知，進(jìn)而形成主觀意識(shí)判斷。為了準(zhǔn)確模擬人耳聽覺系統(tǒng)的聽覺感知過程，采用人耳集中參數(shù)模型模擬聲音信號(hào)從外耳到內(nèi)耳的傳輸過程，并提取內(nèi)耳位移響應(yīng)作為特征向量。用GA-SVM模型模擬了聽覺中樞對人耳生理信號(hào)做出主觀意識(shí)判斷的過程。

圖3 人耳聽覺系統(tǒng)感知機(jī)理

1.2.2 人耳集中參數(shù)模型

針對人耳有限元模型的不足，利用Liu等[8]提出的人耳LPM模型，模擬了人耳對聲音信號(hào)的感知過程。該模型以傳輸線結(jié)構(gòu)的形式建立。首先，該模型假設(shè)刺激是以作用于橫膈膜的力f(t)的形式傳遞，橫膈膜固定在插入耳道的耦合器的一端。耦合器的另一端是鼓膜。然后，參照Matthews在1983年提出的模型建立中耳模型[9]。該模型忽略了與聽骨鏈無關(guān)的其他動(dòng)量，將錘骨、砧骨和鼓膜組合成一個(gè)系統(tǒng)。最后，根據(jù)流體力學(xué)方程，對一維基底膜的行波進(jìn)行數(shù)值模擬。

1.2.3 SMVBMDR特征向量計(jì)算

人耳基底膜的功能類似于一個(gè)實(shí)時(shí)的頻譜分析儀，對于來自外界聲信號(hào)的響應(yīng)可以通過24個(gè)濾波器組來模擬。每個(gè)濾波器對應(yīng)的通帶范圍為1 Bark[10]。為了將其輸入人耳模型中作為激勵(lì)，首先，將噪聲樣本在臨界頻率帶上分成24個(gè)子帶噪聲信號(hào)；然后，將每個(gè)子帶噪聲信號(hào)輸入人耳模型中作為激勵(lì)?？紤]到變壓器聲信號(hào)在100 Hz及其倍頻上分布較大的振動(dòng)能量，在劃分子帶噪聲信號(hào)時(shí)，在子帶分割點(diǎn)上錯(cuò)開該頻率，以保證子帶信號(hào)分割的完整性。具體子帶噪聲信號(hào)劃分標(biāo)準(zhǔn)如表2所示[11]。

表2 子帶噪聲劃分標(biāo)準(zhǔn)

構(gòu)建基于SMVBMDR的特征向量步驟為：

1）將M=175個(gè)變壓器噪聲樣本在臨界頻率帶上分成N=24個(gè)子帶噪聲，并計(jì)算所有子帶噪聲的線性聲壓級。

2）將每個(gè)子帶噪聲的線性聲壓級和中心頻率輸入人耳力學(xué)模型中，計(jì)算整段基底膜的位移幅值。圖4展示了一個(gè)40%預(yù)緊力噪聲樣本的部分子帶噪聲(N=5～16)引起基底膜的位移yi,j(x)，x表示從基底膜底部到頂部方向。從圖中可以看出，基底膜分別在相應(yīng)特征頻率處達(dá)到位移最大值，具有很好的頻率識(shí)別性能。

圖4 部分子帶信號(hào)基底膜位移響應(yīng)圖

3）利用下式計(jì)算每個(gè)子帶噪聲信號(hào)的基底膜位移響應(yīng)統(tǒng)計(jì)平均值(SMVBMDR)：

式中：SMVBMDRi,j——噪聲樣本i的第j個(gè)子帶噪聲信號(hào)的基底膜位移響應(yīng)統(tǒng)計(jì)平均值，其中i為噪聲樣本編號(hào)，i=1,2,3 ,···,M，

j——子帶噪聲信號(hào)編號(hào)，j=1,2,3 ,···,N；

L——基底膜沿x方向長度。

這樣便生成了每個(gè)變壓器噪聲樣本24維的基于基底膜位移響應(yīng)的特征向量，具體計(jì)算結(jié)果見表3。

表3 變壓器噪聲樣本的SMVBMDR值

2 GA-SVM分類器構(gòu)建

2.1 SVM模型

支持向量機(jī)(support vector machine，SVM)的變壓器故障診斷模型是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，主要用于解決二分類問題。由于SVM具有解決小樣本分類問題精度高、結(jié)構(gòu)簡單和可重復(fù)性高等優(yōu)點(diǎn)，在故障診斷方面得到了廣泛的應(yīng)用。故本文選擇SVM算法用于識(shí)別變壓器繞組松動(dòng)狀況。基于SVM的變壓器故障識(shí)別是一種多分類問題，針對多分類問題，國內(nèi)外研究者提出了多種解決方案，大致分為一對一分類方法和一對多分類方法[12]。其中一對一分類方法的思想是在任意兩類樣本之間設(shè)計(jì)一個(gè)SVM，因此，k類樣本就需要設(shè)計(jì)k×(k?1)/2個(gè)SVM。當(dāng)對一個(gè)未知樣本進(jìn)行分類時(shí)，最后得票最多的類別即為該未知樣本的類別。LIBSVM是臺(tái)灣大學(xué)林智仁教授等基于一對一分類方法開發(fā)設(shè)計(jì)的一個(gè)簡單、易于使用和快速有效的SVM模式識(shí)別與回歸的軟件包。本文基于LIBSVM軟件包建立了用于變壓器故障診斷的SVM多分類模型。在SVM模型中，不同的核函數(shù)可能產(chǎn)生不同的分類結(jié)果。RBF核函數(shù)可以逼近任何非線性函數(shù)，所以將其作為變壓器故障診斷SVM模型的核函數(shù)，具體表達(dá)式為：

式中：K(u,v)——RBF核函數(shù)輸出；

u和v——RBF核函數(shù)輸入向量；

g——gamma參數(shù)。

2.2 GA參數(shù)尋優(yōu)

研究表明，SVM的相關(guān)參數(shù)對分類精度有重要影響[13]。RBF核函數(shù)的參數(shù)包括懲罰系數(shù)c和用來設(shè)置核函數(shù)中的gamma參數(shù)g。常用的參數(shù)尋優(yōu)方法是窮舉法，該方法計(jì)算量很大，有時(shí)候很難找到最優(yōu)參數(shù)[12]。遺傳算法由于其強(qiáng)大的全局搜索能力，可以在很短的時(shí)間內(nèi)達(dá)到全局最優(yōu)。因此，本文使用GA算法優(yōu)化SVM的參數(shù)。首先，對懲罰系數(shù)c和gamma參數(shù)g進(jìn)行二進(jìn)制編碼并產(chǎn)生初始隨機(jī)值。然后，對每個(gè)物種的染色體進(jìn)行解碼，得到c和g值，通過訓(xùn)練樣本訓(xùn)練SVM分類模型，計(jì)算出樣本的正確分類率。最后，根據(jù)正確分類率構(gòu)造基因串的適應(yīng)度函數(shù)，判斷是否滿足GA算法的停止準(zhǔn)則。如果滿足，停止計(jì)算，得到最佳參數(shù)。否則，將執(zhí)行下一個(gè)基因操作，直至滿足停止準(zhǔn)則。具體優(yōu)化過程如圖5所示。

圖5 GA優(yōu)化SVM模型流程圖

2.3 變壓器故障識(shí)別應(yīng)用

為了檢驗(yàn)本文提出的GA-SVM變壓器故障識(shí)別模型的有效性，選取70個(gè)變壓器噪聲樣本作為訓(xùn)練樣本，105個(gè)樣本用于檢驗(yàn)，具體如表1所示。設(shè)定群體規(guī)模為30，遺傳代數(shù)為300，交叉概率為0.7，變異概率為0.05。訓(xùn)練前，所有特征向量數(shù)據(jù)按下式歸一化處理：

式中：xi和——?dú)w一化處理前、后的值；

xmin和xmax——數(shù)據(jù)變化范圍的最小值和最大值。

3 結(jié)果分析

圖6為GA算法對變壓器預(yù)緊力SVM故障診斷模型進(jìn)行參數(shù)優(yōu)化的適應(yīng)度收斂曲線，得到的最優(yōu)參數(shù)為c=2.406 4，g=3.788 1。其中平均適應(yīng)度為所有個(gè)體在每一代中平均的適應(yīng)度值，最大適應(yīng)度曲線為群體中所有個(gè)體在每一代中的最大適應(yīng)度值。從圖中可以看出，適應(yīng)度曲線在前30個(gè)進(jìn)化周期內(nèi)收斂較快，隨后逐漸趨于平緩，最終通過250次進(jìn)化后，收斂水平趨近一致，即實(shí)現(xiàn)了參數(shù)的優(yōu)化。

圖6 GA優(yōu)化SVM的適應(yīng)度曲線

圖7為變壓器訓(xùn)練樣本分類結(jié)果圖。由圖可知，70組訓(xùn)練樣本診斷正確識(shí)別率達(dá)到100%。圖8展示了變壓器測試樣本分類結(jié)果。105組測試樣本中只有2組樣本(1組100%預(yù)緊力和1組140%預(yù)緊力)出現(xiàn)識(shí)別錯(cuò)誤，診斷正確平均識(shí)別率達(dá)到98.1%。其中，20%預(yù)緊力，40%預(yù)緊力和60%預(yù)緊力正確識(shí)別率為100%，100%預(yù)緊力和140%預(yù)緊力正確識(shí)別率為96.7%。對于變壓器繞組松動(dòng)故障大都是由于變壓器長期運(yùn)行和振動(dòng)導(dǎo)致繞組預(yù)緊力降低引起的。本文提出的變壓器繞組狀態(tài)監(jiān)測方法對于低預(yù)緊力狀態(tài)具有很高的識(shí)別精度，可以有效地應(yīng)用于工程實(shí)踐中以保證變壓器運(yùn)行的安全性和可靠性。

圖7 訓(xùn)練樣本分類結(jié)果

圖8 測試樣本分類結(jié)果

為了驗(yàn)證GA-SVM模型的普適性和穩(wěn)定性，本文針對3種不同的訓(xùn)練樣本和測試樣本比例進(jìn)行了模擬測試和10折交叉驗(yàn)證。具體結(jié)果如表4所示。由表可知，GA-SVM模型對不同訓(xùn)練樣本和測試樣本比例具有很高的精度，說明本文建立的GA-SVM模型針對變壓器繞組松動(dòng)故障診斷問題具有很好的普適性。模型在3種比例下預(yù)測準(zhǔn)確度波動(dòng)小于5%，同時(shí)，10折交叉驗(yàn)證結(jié)果具有很高的識(shí)別精度也證明了模型具有很好的穩(wěn)定性。

表4 不同訓(xùn)練樣本和測試樣本比例模型分類結(jié)果

4 結(jié)束語

本文通過控制一臺(tái)10 kV干式變壓器預(yù)緊力來模擬變壓器繞組松動(dòng)故障，并提出了一種基于變壓器聲信號(hào)，并考慮人耳傳聲特性的新型變壓器故障診斷方法。主要結(jié)論如下：

1）基于變壓器聲信號(hào)，并考慮人耳傳聲特性的新型變壓器故障診斷方法具有傳感器靈活、測試方法簡便和故障識(shí)別率高的特點(diǎn)，為進(jìn)一步監(jiān)測變壓器運(yùn)行狀態(tài)和故障診斷提供了新的思路，是變壓器狀態(tài)識(shí)別和故障診斷研究的新方向。

2）使用RBF作為核函數(shù)，并通過GA算法進(jìn)行參數(shù)尋優(yōu)建立的SVM變壓器故障分類器具有高識(shí)別率的性能，可以有效地用于變壓器實(shí)時(shí)監(jiān)測和故障診斷。

3）使用完整人耳集中參數(shù)模型提取的聽覺特征向量SMVBMDR可以定量精確地反映變壓器故障類型，為變壓器故障診斷特征向量提取方面提供了新的思路和參考。