王立憲,馬宏忠,戴 鋒

(1.河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100；2.國網(wǎng)江蘇省電力有限公司檢修分公司，江蘇 南京 211102)

0 引 言

隨著西電東送項目不斷推進、區(qū)域電力能源互聯(lián)速度加快，氣體絕緣輸電線路(GIL)以其傳輸容量大、傳輸距離長、環(huán)境兼容性好等優(yōu)點先后在中國天生橋水電站、溪洛渡水電站和蘇通GIL綜合管廊等重大電力輸送建設(shè)中投運[1-3]。文獻[4]統(tǒng)計了GIL設(shè)備發(fā)生故障的原因，其中機械故障占比2/3。因為GIL設(shè)備應(yīng)用場合多為特高壓且封閉結(jié)構(gòu)，一旦發(fā)生故障將造成巨大經(jīng)濟損失，所以對其進行故障診斷對電能安全傳輸和電網(wǎng)穩(wěn)定運行具有重大意義。

振動信號是電力設(shè)備運行時的典型表征[5]，并且具有不受電磁干擾等優(yōu)點。目前國內(nèi)外對于GIL設(shè)備機械故障的研究主要依靠在GIL設(shè)備外部設(shè)置加速度傳感器來分析正常運行狀態(tài)時GIL設(shè)備的振動特征，利用GIL外殼的振動來檢測內(nèi)部的電磁與絕緣故障[6-7]，而對于GIL設(shè)備機械故障引起的異常振動信息理論研究與機械故障模式診斷的研究尚不充分。文獻[8]結(jié)合機電融合技術(shù)，利用GIL設(shè)備異常振動信號對內(nèi)部的絕緣故障進行故障模式識別；文獻[9]以GIL低頻信號為研究對象，對GIL機械故障進行診斷，但局限于是否對故障產(chǎn)生進行判斷，并不能對機械故障類型進行識別。

在信號分析方面，經(jīng)驗?zāi)B(tài)分解(EMD)在處理非平穩(wěn)、非線性信號方面比傳統(tǒng)的小波變換、傅里葉變換具有一定的優(yōu)越性，但是EMD也存在端點效應(yīng)、模式混疊等問題[10-11]。文獻[12]在傳統(tǒng)EMD的方法上引入白噪聲進行改進，形成了新的集合經(jīng)驗?zāi)B(tài)分解(EEMD)算法，解決了模式混疊效應(yīng)，但引入白噪聲帶來了噪聲集總不平均的問題?；パa集合經(jīng)驗?zāi)B(tài)分解(CEEMD)總結(jié)了EMD和EEMD的優(yōu)勢，既可以在GIL振動信號中分解出模態(tài)信號(IMF)，又避免了引入白噪聲的干擾。同時，樣本熵、能量熵等非線性動力學(xué)方法有很多種，文獻[13-14]利用奇異熵值和能量熵對GIL設(shè)備局部放電故障信號進行特征值提取，但以上方法對熵值的控制、樣本尺度劃分以及特征優(yōu)化仍有不足之處。

針對現(xiàn)有GIL設(shè)備機械故障模式識別與診斷研究的空白與信號分析存在的問題，文中以振動信號為研究對象，對GIL機械故障診斷進行研究。搭建110 kV GIL設(shè)備試驗平臺，模擬螺絲松動、外力沖擊和導(dǎo)電桿嵌入不完全3種機械故障，利用CEEMD算法對GIL振動信號進行分解，提取模態(tài)分量；利用模糊熵提取模態(tài)分量特征值，并通過鯨魚優(yōu)化極限學(xué)習(xí)機(WOA-ELM)對特征值向量展開聚類分析，結(jié)合自適應(yīng)閾值進行故障預(yù)警，實現(xiàn)GIL機械故障有效診斷與預(yù)警。

1 試驗平臺與方案

1.1 試驗平臺

GIL試驗平臺包含：GIL試驗腔體，材料為鋁，導(dǎo)體外直徑80 mm，殼體內(nèi)直徑390 mm，殼體厚度15 mm，試驗電壓由GDYT-5/100 無局放耐壓試驗裝置進行調(diào)節(jié)；GH-313A型振動加速度傳感器，檢測范圍40 Hz～8 kHz(-3 dB)，靈敏度100 mV/g±10%；LC-01A型彈簧沖擊錘，靈敏度4.14 pC/N，測量范圍0～5 kN；Luomk 718 Series振動信號采集儀，正負25 V寬電壓輸入，采樣頻率最高102.4 kHz。試驗原理圖如圖1所示，現(xiàn)場試驗平臺如圖2所示。

圖1 試驗設(shè)置示意圖

圖2 試驗現(xiàn)場圖

1.2 故障設(shè)計

(1)螺絲松動。螺絲松動是誘發(fā)GIL設(shè)備機械故障最普遍的原因，試驗過程中通過將盆式絕緣子固定螺絲松旋40%來模擬故障。

(2)外力沖擊。由于GIL腔體在運行時安裝支架松動、以及其他腔體故障等原因會產(chǎn)生外力沖擊進而引發(fā)振動，試驗采用LC-01A型彈簧沖擊錘模擬外力沖擊故障。

(3)導(dǎo)電桿嵌入未完全。在國內(nèi)外對于GIL機械振動故障的研究之中對GIL導(dǎo)電桿嵌入未完全所引發(fā)的機械故障研究較少。而在實際工程中，由于安裝工藝以及導(dǎo)電桿的電-熱伸縮效應(yīng)，在GIL設(shè)備的端部會出現(xiàn)導(dǎo)電桿嵌入未完全的情況，這也是引起GIL設(shè)備出現(xiàn)機械故障的主要原因，如不及時進行診斷與處理，在長期的振動下還會導(dǎo)致絕緣子的裂解。為模擬此故障，將端部導(dǎo)電桿向遠離盆式絕緣子方向抽離3 cm，形成導(dǎo)電桿嵌入欠完全的情況。

1.3 試驗方法

(1)在每個測量點測量正常運行狀態(tài)下GIL設(shè)備運行的振動信號，作為對比樣本。

(2)依次設(shè)置3種典型故障，并測取3種故障狀態(tài)下的GIL設(shè)備異常振動信號。

(3)將正常振動信號與故障振動信號進行對比，并對故障振動信號進行特征提取與分析，實現(xiàn)GIL設(shè)備機械故障模式識別與診斷。

為避免試驗的偶然性，試驗時間統(tǒng)一測取8 s，每種故障類型測試12組，單組試驗重復(fù)5次。

2 基于CEEMD與模糊熵的信號特征提取

2.1 CEEMD信號分析法

EMD方法實際上是通過選取原始信號的極大值和極小值點進行3次插值求出上下包絡(luò)線，并通過求平均的方法得到模態(tài)函數(shù)與余量，但其本身存在端點效應(yīng)與模式混疊的問題。文獻[15]提出了一種EEMD分解方法，即在原始信號中加入白噪聲信號，解除端點效應(yīng)與模式混疊。EEMD算法在對IMF信號逐次平均的過程中可以減小白噪聲信號，但卻不能消除白噪聲對原始信號的影響，在某些情況下，剩余的白噪聲信號還可能產(chǎn)生偽分量影響分解效果。針對EMD方法與EEMD方法的不足，文中提出了一種以EMD原理為基礎(chǔ)，以白噪聲信號數(shù)據(jù)分析方法為輔助的CEEMD方法，該方法在原始信號中加入符號相反的白噪聲組，平衡EEMD方法中造成白噪聲信號殘余的問題，過程如下：

步驟(1)對于原始信號尋求極大值與極小值點,擬合出包絡(luò)線，并求出上下包絡(luò)線的均值n(t)。

步驟(2)向原始信號中加入一定對數(shù)的白噪聲輔助信號組s(t)，得到重組信號：

(1)

步驟(3)利用重組信號減去n(t)，得到初始模態(tài)分量IMF1，令I(lǐng)MF1=n(t)，重復(fù)步驟(3)。

步驟(4)直到原始函數(shù)不能繼續(xù)分解，最終得到m階模態(tài)函數(shù)IMF和一個殘差，即：

(2)

2.2 模糊熵

熵常用來描述一個數(shù)據(jù)集的復(fù)雜程度，作為一種特征數(shù)據(jù)提取的非線性分析方法，模糊熵這一概念由De Luca等[16]提出，其核心思想是通過模糊熵值的大小來反映數(shù)據(jù)序列集的混亂程度。由于GIL振動信號的非平穩(wěn)、非線性的特性，并考慮相鄰尺度因子個元素關(guān)系，文中利用模糊熵對其進行分析與特征值提取，過程如下：

步驟(1)定義時間序列[Xi](i=1,2,…,n)維數(shù)(窗)為l(l≤n-2)，將時間序列劃分為k=n-l+1個序列，得到相空間：

Xl(i)=[x(i),x(i+1),…,x(i+l-1)]-x0(i)

(3)

(4)

步驟(3)引入隸屬度函數(shù)，令相似容忍限度為r：

(5)

步驟(4)對所有隸屬度求平均：

(6)

步驟(5)定義函數(shù)：

(7)

步驟(6)擴展窗l(fā)至l+1，重復(fù)步驟(2)至步驟(4)，得到對于有限數(shù)據(jù)集的模糊熵為

FuzzyEn(l,r,n)=lnCm(r)-lnCm+1(r)

(8)

2.3 振動信號的時頻特征提取

通過模擬試驗測取的正常運行和3種GIL機械故障時域圖譜如圖3所示，橫坐標為試驗時間，縱坐標為振動加速度。

圖3 不同工況下GIL時域信號圖譜

由圖3可以看出，發(fā)生機械故障時的時域圖與GIL正常運行時的時域圖存在明顯區(qū)別，證明通過振動特征對機械故障進行判斷具有可行性，但3種故障模式難以通過時域信號進行判別，需進行信號的處理與進一步分析。由文獻[17]可知，故障信息多集中于振動能量分布集中的位置，故利用CEEMD分解法，以導(dǎo)電桿嵌入未完全故障為例在3.3～5.1 s范圍內(nèi)進行信號分解，引入原信號0.15倍標準差正負白噪聲信號20組，集總平均200次，并與EEMD分解方法進行對比，結(jié)果如圖4所示。

圖4 EEMD與CEEMD分解對比圖

由圖4可以看出利用EEMD法分解得到的模態(tài)分量雖然可以體現(xiàn)部分原始信號的特征，但引入的白噪聲信號不能很好地消除，導(dǎo)致在IMF4～IMF7模態(tài)分量中出現(xiàn)了偽分量，造成了部分無序信號，此類可視為虛假模態(tài)不能用做故障分析；利用文中CEEMD方法分解得到的信號，比CEEMD分解方法更具有規(guī)律性和有效性，能夠反映異常振動信號的特征，由于引入了符號相反的白噪聲信號，在分解過程中也不會出現(xiàn)偽分量的情況，證明了文中CEEMD分解方法的有效性，圖5利用Teager-Kaiser能量算子計算CEEMD分解下導(dǎo)電桿嵌入未完全故障6階模態(tài)分量能量變化率。

圖5 能量變化率圖譜

由能量變化率圖譜可以看出，隨著模態(tài)分解階數(shù)的增加，其模態(tài)分量包含的振動能量逐漸降低，為選取特征熵值時提供參考，對于階數(shù)較大的模態(tài)函數(shù)特征熵值，需考慮其包含的振動特征信息是否豐富再將其作為識別依據(jù)。對GIL設(shè)備振動信號進行模態(tài)分解后，并不能直觀得出不同故障下的特征，因此文中利用模糊熵對包含正常運行和3種故障狀態(tài)的CEEMD模態(tài)函數(shù)進行計算，分別得出含剩余分量在內(nèi)的7階模態(tài)函數(shù)的模糊熵值，如圖6所示。

圖6 不同狀態(tài)下7階IMF模糊熵值

進行模態(tài)分解之后，信號的無序程度依次降低，模糊熵值呈下降趨勢。由于不同運行狀態(tài)的模態(tài)函數(shù)無序度不相同，故模糊熵值也存在差異。在圖6所示的7階模態(tài)函數(shù)模糊熵值中，2、5、6、7階4種模態(tài)函數(shù)的模糊熵值較為接近，且5、6、7階均為階數(shù)較大的模態(tài)函數(shù)，不適合設(shè)為特征量進行聚類分析，文中選擇差異較為明顯，且階數(shù)靠前的1、3、4階模態(tài)函數(shù)模糊熵值作為不同運行狀態(tài)下的特征值，進行故障模式識別與分類診斷。

3 基于WOA-ELM的GIL機械故障診斷

3.1 極限學(xué)習(xí)機

極限學(xué)習(xí)機(ELM)作為一種改進的單隱含層前饋神經(jīng)網(wǎng)絡(luò)算法[18-19]，優(yōu)勢在于其中唯一需要設(shè)定的只有隱藏層節(jié)點個數(shù)，在運行過程中網(wǎng)絡(luò)的輸入權(quán)值以及隱元偏置無需人為調(diào)整，并且產(chǎn)生的最優(yōu)解有且僅有一個。因而比BP神經(jīng)網(wǎng)絡(luò)必須反向處理權(quán)值和閾值，ELM的訓(xùn)練參數(shù)更少、學(xué)習(xí)速度更快、泛化性能更好，其結(jié)構(gòu)圖如7所示。

圖7 ELM結(jié)構(gòu)圖

ELM的反向傳播過程如下：

T=Hβ

(9)

式中:H是隱藏層輸出矩陣,

在算法初始化過程中隨機給定輸入權(quán)值與偏置，矩陣H即為確定矩陣。訓(xùn)練過程就是利用目標函數(shù)，不斷迭代求解非線性最小二乘解的過程，最終結(jié)果即為ELM的最優(yōu)權(quán)值。

3.2 鯨魚優(yōu)化算法

鯨魚優(yōu)化算法(WOA)是一種啟發(fā)式優(yōu)化算法[20]，WOA采用隨機或最佳搜索代理來模擬搜捕獵物(最優(yōu)解)行為，并使用螺旋模擬座頭鯨的泡泡網(wǎng)攻擊機制，與其他群優(yōu)化算法相比，WOA具有操作簡便、參數(shù)調(diào)整少、優(yōu)化速度快等優(yōu)點。WOA優(yōu)化行為可以表述如下：

(1)搜尋獵物。因為優(yōu)化算法在搜索范圍的位置是未知的，所以WOA假設(shè)當前候選位置是目標獵物(最優(yōu)解)，在定義了當前搜索個體之后，接下來的搜索行為已該獵物為基準調(diào)整搜索位置。

D=|CXBest(n)-X(n)|

(10)

X(n+1)=XBest(n)-AD

(11)

式中：n為當前迭代值;A與C為系數(shù)向量;XBest(n)和X(n)分別是最優(yōu)解位置和當前解的位置。

(2)氣泡網(wǎng)攻擊方式。此階段為利用階段，包含包圍行為和螺旋更新行為。

收縮包圍機制。當?shù)螖?shù)不斷增加時，A的波動范圍不斷降低，A∈[-a,a]，當a→0時，A∈[-1,1]，即新的代理位置處于原位置與最優(yōu)位置之間，經(jīng)過不斷迭代達到縮小獵物范圍的目的:

(12)

(13)

式中：Nmax為最大迭代次數(shù)。

螺旋更新位置。設(shè)鯨魚位置為(X,Y)，獵物位置為(X′,Y′)，在兩者之間建立螺旋等式，模擬鯨魚的螺旋狀移動：

X(N+1)=

(14)

式中：D′表示鯨魚與獵物之間的距離；b為定義對數(shù)螺線形狀的常數(shù)，l∈[-1,1]，p∈[0,1]。

3.3 WOA-ELM模型

為了降低ELM權(quán)值與閾值等參數(shù)選取的隨機性，文中利用WOA進行優(yōu)化，適應(yīng)度函數(shù)如下：

(15)

WOA-ELM模型優(yōu)化流程如下所示：

(1)設(shè)置WOA-ELM模型參數(shù),初始化ELM可調(diào)參數(shù)，并設(shè)置為WOA初始位置向量，設(shè)置種群規(guī)模30，迭代100，利用式(15)計算模型預(yù)測與實際之間的均方根誤差。

(2)設(shè)置初始參數(shù)后，計算適應(yīng)度值并作為WOA第1次循環(huán)最佳結(jié)果，大于最小適應(yīng)度值則進行下一次循環(huán)，記錄每次循環(huán)中的最優(yōu)適應(yīng)度位置，在每次循環(huán)中將此位置作為最優(yōu)個體位置。

(3)利用式(14)更新鯨魚與獵物之間的位置和個體位置，并重新進入下一次迭代。

(4)保留鯨魚的最優(yōu)位置，在滿足最大位置與誤差精度要求后終止循環(huán)，將最優(yōu)參數(shù)賦值ELM。

整體故障診斷與預(yù)警流程如圖8所示。

圖8 故障診斷流程圖

3.4 診斷結(jié)果分析

文中采集正常運行狀態(tài)與3種不同機械故障下GIL的振動信號各60組，共240組數(shù)據(jù)，將所有數(shù)據(jù)利用CEEMD方法分解并計算模糊熵值，將240組數(shù)據(jù)得到的1、3、4階模態(tài)的模糊熵值按訓(xùn)練與檢驗比4…1的比例作為特征輸入WOA-ELM模型進行故障診斷與預(yù)警分析，結(jié)果如圖9所示。

圖9 診斷結(jié)果聚類

由圖9可以看出，在經(jīng)過CEEMD分解與模糊熵值計算之后，GIL 4種運行模式下的特征值在WOA-ELM模型中得到了較好的分類效果，各特征向量之間聚集性較強，只有少量特征數(shù)據(jù)出現(xiàn)偏移聚類中心的現(xiàn)象，但各聚類簇之間未出現(xiàn)交叉混疊現(xiàn)象，說明CEEMD與模糊熵結(jié)合能夠準確地計算不同故障信號的特征值，且此特征值可以作為GIL設(shè)備機械故障模式識別的依據(jù)；利用WOA-ELM模型可以很好地反映GIL機械故障的狀態(tài)，并對狀態(tài)進行分類診斷，參數(shù)尋優(yōu)適應(yīng)度曲線如圖10所示。

3.5 實際應(yīng)用預(yù)警分析

分別測取南京220 kV變電站GIL設(shè)備4種工況下的現(xiàn)場數(shù)據(jù)，計算得到的故障監(jiān)測指標和自適應(yīng)閾值如圖11所示。

圖11 故障監(jiān)測指標及自適應(yīng)閾值

由圖11可以看出：(1)在正常工況下，GIL設(shè)備的故障監(jiān)測指標較小且分布均在自適應(yīng)閾值之下，未出現(xiàn)故障誤預(yù)警的情況；(2)在螺絲松動工況下，GIL故障監(jiān)測指標波動明顯，這是由于在螺絲松動故障狀態(tài)下GIL設(shè)備的振動具有一定的規(guī)律性，在振幅較大處，故障監(jiān)測指標已越過自適應(yīng)閾值，模型提出預(yù)警信息；(3)在外力沖擊工況下，故障監(jiān)測指標出現(xiàn)了高峰值，此后伴隨余振出現(xiàn)幾處指標次峰值，在故障監(jiān)測指標高峰值突破自適應(yīng)閾值后，模型進行反向?qū)?yōu)下調(diào)自適應(yīng)閾值，對外力沖擊后的余振監(jiān)測指標也起到了預(yù)警效果；(4)在導(dǎo)電桿嵌入未完全工況下，伴隨GIL固有機械振動，其故障監(jiān)測指標逐漸增大，突破自適應(yīng)閾值，模型亦提出故障預(yù)警。結(jié)合實際應(yīng)用與以上分析，WOA-ELM可以有效實現(xiàn)GIL設(shè)備的故障診斷與預(yù)警。

4 結(jié) 語

文中建立試驗平臺對3種典型GIL機械故障進行模擬，并利用CEEMD模糊熵對故障振動信號進行分解與特征提取，結(jié)合WOA-ELM模型對GIL機械故障進行分類診斷與預(yù)警，最后通過GIL實際運行數(shù)據(jù)驗證了文中方法，得到以下結(jié)論：

(1)利用CEEMD方法可以實現(xiàn)對振動信號的有效分解，避免了EMD和EEMD方法造成的端點效應(yīng)與模態(tài)混疊等弊端。

(2)利用信號模態(tài)模糊熵值作為特征值代入WOA-ELM模型可以有效對故障類型進行診斷。

(3)通過實測證明WOA-ELM方法可以有效實現(xiàn)GIL設(shè)備機械故障預(yù)警，為GIL機械故障診斷與預(yù)警提供了新方法。