王 卓,鄭 祥,王仁鋒,楊景杰,許智海

(大連交通大學 自動化與電氣工程學院，遼寧 大連 116028)

0 引 言

高壓電機在制造、運輸和運行過程中會產(chǎn)生各種微小的缺陷留下隱患最終出現(xiàn)絕緣缺陷，如果不及時處理，在運行過程中絕緣缺陷會由弱變強，逐步發(fā)展成絕緣故障最后擊穿。由于高壓電機在發(fā)生絕緣故障的前期表現(xiàn)形式為局部放電(PD)，對PD信號檢測可以判斷高壓電機的絕緣缺陷類型，有利于制定針對性維護措施，對于高壓電機的安全穩(wěn)定運行具有重要的意義[1-3]。

目前，在PD模式識別領(lǐng)域，國內(nèi)外學者開展了大量的相關(guān)研究工作，并取得了顯著的成果。現(xiàn)有方法為基于脈沖相位信息的PD模式識別，如文獻[4]對發(fā)電機在線測量獲得相位分辯局部放電(PRPD)譜圖，提取特征量輸入到神經(jīng)網(wǎng)絡(luò)以此識別PD類型，準確度在88.0%～94.8%之間。文獻[5]基于PRPD譜圖提取特征輸入到深度信念網(wǎng)絡(luò)(DBN)中用于PD類型的識別，識別準確率約為90%。文獻[6]將PD信號的放電量、放電次數(shù)和相位參數(shù)作為放電特征輸入到反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)進行訓練，識別準確率均在92%以上。此外，還有基于特高頻信號或超聲波信號的PD模式識別方法。如文獻[7]對PD特高頻信號能量分布圖的分形特征進行提取與降維處理，利用支持向量機(SVM)對PD類型進行識別，優(yōu)于傳統(tǒng)識別方法。文獻[8]對不同PD模型超聲波信號進行檢測，提取波形特征分別輸入到概率神經(jīng)網(wǎng)絡(luò)(PNN)和SVM算法中識別并比較分析，識別率在85%以上。文獻[9]提取了5種PD超聲波信號并提取特征參數(shù)，采用多尺度分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法識別PD類型。

上述方法可以較好地區(qū)分不同PD類型，總體識別率均在85%以上，但均采用單一信號源進行PD模式識別，其結(jié)果存在不確定性。通過分析發(fā)現(xiàn)，造成上述問題的原因是采用單一信號源提取的特征信息進行PD模式識別，不能最大限度地利用PD信號的信息，影響模式識別的準確率。當出現(xiàn)單一數(shù)據(jù)源不同PD類型的特征參數(shù)值非常接近的情況時，引入另外的一種數(shù)據(jù)源分析可以較好地解決這個問題。如文獻[10-11]采用D-S證據(jù)理論融合了兩種不同PD信號源的識別結(jié)果，實現(xiàn)了兩種信號特征識別的優(yōu)勢互補，具有更高的準確率。但融合方法采用的是兩種信號源融合的結(jié)果，當這兩種數(shù)據(jù)源對同一PD故障的識別結(jié)果相對立時，同樣較難判斷哪個結(jié)果是正確的，且目前對于高壓電機的PD信息融合領(lǐng)域的研究還鮮有報道。

綜上所述，本文在改變用傳統(tǒng)單一信號源進行PD模式識別基礎(chǔ)上，綜合高壓電機PD的脈沖相位信號、特高頻信號和超聲信號等3種信號源，提出一種基于鯨魚優(yōu)化算法(WOA)改進BPNN和D-S證據(jù)的高壓電機PD模式識別方法，分別提取脈沖信號的PRPD譜圖統(tǒng)計特征、超聲波信號和特高頻信號的波形特征，采用WOA-BP進行PD類型的初步識別，將基于3種信號源的識別結(jié)果通過D-S證據(jù)融合，最后進行決策得出結(jié)果，進一步提升PD識別的準確率。

1 PD數(shù)據(jù)的采集與特征提取

1.1 PD數(shù)據(jù)采集

本文采用項目合作公司的PD試驗數(shù)據(jù)進行驗證，試驗中設(shè)計的3種類型放電模型分別是懸浮放電、氣隙放電和微粒放電。其中微粒放電模型和信號采集電路如圖1和圖2所示。

圖1 電機放電模型

圖2 信號采集電路

采集電路的主要結(jié)構(gòu)有高壓變壓器、保護電阻、耦合電容和采集系統(tǒng)。脈沖相位信號連續(xù)采集50個周期作為一個信號，將檢測到的信號傳輸?shù)缴衔粰C轉(zhuǎn)換成PRPD三維圖。特高頻和超聲波的PD信號檢測中，特高頻信號的采樣頻率為2 GHz，超聲波信號的采樣頻率為10 MHz。試驗中各類型放電均采集100組樣本信號，其中采集到的懸浮放電3類信號源PD數(shù)據(jù)如圖3所示。

圖3 三類信號源PD數(shù)據(jù)

1.2 特征提取

(1) 脈沖相位特征提取。為了更好地反映PD的相位與脈沖信息，本文采用文獻[12]的特征提取方法，分別提取相位-放電均值圖譜、相位-放電最值圖譜與相位-放電次數(shù)圖譜的特征構(gòu)成特征集作為識別輸入，具體特征參數(shù)如表1所示。

表1 脈沖相位特征參數(shù)

(2) 特高頻與超聲波信號特征提取。為表征不同PD類型的特高頻與超聲波信號特點，本文分別提取信號的時域特征、頻域特征和小波特征作為PD模式識別的輸入，具體特征參數(shù)如表2所示。

表2 特高頻與超聲波信號特征參數(shù)

2 基于WOA-BP算法的高壓電機典型缺陷的初步識別

2.1 BPNN

BPNN是PD模式識別領(lǐng)域中廣泛應(yīng)用的一類智能算法，可對基于PD特征量對放電數(shù)據(jù)進行訓練與識別，其訓練過程包括正向和反向傳播，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示[13]，由輸入層、隱含層和輸出層組成，其中輸入層節(jié)點數(shù)n由特征維度決定，隱含層節(jié)點數(shù)m根據(jù)具體情況而定，輸出節(jié)點數(shù)l個由PD類型數(shù)決定，本文為3。

圖4 BPNN結(jié)構(gòu)

BPNN的學習過程如下:

(1) 初始化網(wǎng)絡(luò)結(jié)構(gòu)，學習參數(shù)以及權(quán)值與閾值。

(2) 輸入提取的PD特征。

(3) 前向傳播計算輸出層的每個節(jié)點值zi：

(1)

式中：w為權(quán)重；B為閾值。

(4) 反向傳播將預(yù)測值與實際值比較計算輸出誤差，不斷訓練修改權(quán)值優(yōu)化網(wǎng)絡(luò)的性能，其誤差計算式為

(2)

式中：tpi為第i個節(jié)點的實際值；zpi為第i個節(jié)點的預(yù)測值，根據(jù)梯度下降法的調(diào)整式為

(3)

式中：η為學習率。

對BPNN分析可以發(fā)現(xiàn)，權(quán)值與閾值的選取很大程度上會影響PD類型的識別效果，若選取不當則會導致過擬合或欠擬合問題。原算法中采用梯度下降法進行BPNN的誤差反向傳播易陷入局部最小值，且對權(quán)值與閾值的全局搜索能力有限。因此,需要對BPNN的權(quán)值與閾值調(diào)節(jié)過程進行改進。

2.2 WOA

WOA是模擬座頭鯨圍捕獵物行為的一種尋優(yōu)新算法，與傳統(tǒng)的粒子群算法、遺傳算法相比具有更強的尋優(yōu)能力[14-15]，其尋優(yōu)過程主要為以下兩個階段。

2.2.1 氣泡網(wǎng)攻擊獵物

WOA根據(jù)座頭鯨攻擊獵物的行為模擬了收縮包圍圈與螺旋更新位置兩種方式。

(1) 收縮包圍圈。鯨魚在包圍獵物時需要先確定獵物的位置，WOA算法假定當前個體適應(yīng)度值最大的位置為目標位置，其他鯨魚會向目標位置收縮包圍，位置計算式為

Xi(t+1)=X*(t)-AM

(4)

M=|EX*(t)-Xi(t)|

(5)

式中：X為整個鯨魚集體,X=(X1，X2，…，Xn)；M為收縮包圍圈過程中鯨魚個體到目標位置的距離；t為當前迭代次數(shù)；Xi(t)為鯨魚個體位置向量，X*(t)為目標位置向量；A為系數(shù)向量；E為系數(shù)變量。

系數(shù)向量A、系數(shù)變量E的表達式為

A=2ar1-a

(6)

E=2r2

(7)

式中：r1與r2均為[0,1]之間的常數(shù)；a為收斂向量,a=[aa…a],a為收斂因子，是隨迭代從2線性遞減到0的常數(shù)。

收斂因子a的表達式為

(8)

式中：tmax為最大迭代次數(shù)。

收縮包圍圈通過a的線性遞減，使包圍圈逐漸縮小，鯨魚群逐漸接近目標位置，達到包圍獵物的目的。

(2) 螺旋更新位置。螺旋更新位置利用螺旋線公式模擬鯨魚的狩獵進行位置更新，主要目的是通過對位置區(qū)域的搜索增大搜索范圍，表達式為

Xi(t+1)=M′ehlcos(2πl(wèi))+X*(t)

(9)

M′=|X*(t)-X(t)|

(10)

式中：M′為螺旋更新過程中鯨魚個體到目標位置的距離；h為螺旋線常數(shù)，可以改變螺旋線的形狀；l為[-1,1]之間的常數(shù)。

鯨魚在攻擊獵物過程中是在收縮包圍圈的同時螺旋上升，為了模擬這種行為通過概率參數(shù)p在兩種行為之間選擇，表達式為

(11)

2.2.2 搜索獵物

為了增強全局尋優(yōu)的能力，鯨魚群會在大范圍內(nèi)隨機游走來保持種群的多樣性。WOA算法利用|A|的變化模擬這種行為，當|A|>1時強制部分非最優(yōu)位置的鯨魚個體進行位置更新，表達式為

X(t+1)=Xrand(t)-AM

(12)

M=|EXrand(t)-X(t)|

(13)

式中：Xrand(t)為鯨魚群中隨機一個鯨魚的位置。

2.3 WOA-BP

為提升BPNN對PD模式識別的效果，改進原本的梯度下降算法修正權(quán)值與閾值，采用WOA算法對BPNN算法的權(quán)值與閾值進行搜索迭代，具體過程如下：

步驟1,對數(shù)據(jù)集進行劃分，50%為訓練集，40%為驗證集，10%為測試集。

步驟2,設(shè)置鯨魚個數(shù)N，最大迭代次數(shù)T，將BPNN的權(quán)值與閾值作為鯨魚個體進行初始化。

步驟3,將訓練集和權(quán)值與閾值輸入到BPNN中進行訓練，采用驗證集測試，利用均方根誤差作為適應(yīng)度函數(shù)計算適應(yīng)度值。

步驟4,比較確定當前的最優(yōu)值，通過WOA算法的位置更新公式進行位置更新。

步驟5,判斷是否到達最大迭代次數(shù)，若到達則停止輸出結(jié)果，否則重復(fù)步驟3～步驟5。

WOA-BP算法的流程圖如圖5所示。

圖5 WOA-BP算法流程圖

2.4 高壓電機典型PD缺陷的初步識別

2.4.1 脈沖相位信號識別

對脈沖相位信號的識別，BPNN的輸入層節(jié)點為15，隱藏層節(jié)點設(shè)為30，輸出層節(jié)點為3，學習步長為0.001，正則化系數(shù)0.01，WOA算法的種群數(shù)目設(shè)置為30，訓練集的最大訓練次數(shù)為50次。將訓練集與驗證集輸入WOA-BP算法中進行迭代確定最優(yōu)權(quán)值ω與閾值B。

為了驗證WOA算法優(yōu)化的有效性，將WOA-BP與BP的訓練迭代過程進行比較，迭代曲線如圖6所示。

圖6 脈沖相位信號識別迭代曲線

從圖6的WOA-BP與BP迭代曲線可以發(fā)現(xiàn)，隨著迭代次數(shù)的增加，WOA-BP的均方根誤差值下降速度比BP的速度快，且最終平穩(wěn)時WOA-BP的均方根誤差值為0.69，BP為0.75。WOA-BP的訓練效果更好，說明采用WOA算法優(yōu)化BP算法的參數(shù)取得了良好的效果。

將經(jīng)WOA-BP訓練好的最優(yōu)權(quán)值ω和閾值B與測試集輸入到BPNN中進行PD類型識別，結(jié)果如圖7所示。

圖7 脈沖相位信號識別結(jié)果

從圖7可見，基于脈沖相位信號的PD類型識別總體識別率為83.3%，且微粒放電的識別率為100%，而氣隙放電的識別率相對就很低了，僅有70%。說明脈沖相位信號對于微粒放電的辨識度較高。

2.4.2 特高頻信號

對于特高頻信號的識別，BPNN的輸入層節(jié)點為20，隱藏層節(jié)點設(shè)為40，輸出層節(jié)點為3，分別對應(yīng)3個缺陷類別，學習步長為0.001，正則化系數(shù)0.01，WOA算法的種群數(shù)目設(shè)置為30，訓練集的最大訓練次數(shù)為50次。將WOA-BP與BP的訓練迭代過程進行比較，如圖8所示。

圖8 特高頻信號識別迭代曲線

從圖8的WOA-BP與BP迭代曲線可以看出，迭代的前期，BP的迭代速度優(yōu)于WOA-BP的迭代速度，但隨著迭代次數(shù)的增加，WOA-BP的迭代優(yōu)化效果更加穩(wěn)定，最終平穩(wěn)時WOA-BP的均方根誤差值為0.67，BP為0.73，說明采用WOA算法優(yōu)化BP算法參數(shù)更加穩(wěn)定，搜索性能更好。

將經(jīng)WOA-BP訓練好的最優(yōu)權(quán)值ω和閾值B與測試集輸入到BPNN中進行PD類型識別，結(jié)果如圖9所示。

圖9 特高頻信號識別結(jié)果

從圖9可見，基于特高頻信號的PD類型識別總體識別率為90%，且懸浮放電的識別率為100%，而氣隙放電的識別率同樣最低，僅有80%。說明特高頻信號對于懸浮放電的辨識度很高。針對前兩種信號的識別分別對微粒放電與懸浮放電有較高的辨識度，將識別結(jié)果結(jié)合可以一定程度地提高這兩種放電模式的識別效果。

2.4.3 超聲波

對超聲波信號的識別，BPNN的輸入層節(jié)點為20，隱藏層節(jié)點設(shè)為40，輸出層節(jié)點為3，學習步長為0.001，正則化系數(shù)0.01，WOA算法的種群數(shù)目設(shè)置為30，訓練集的最大訓練次數(shù)為50次。將WOA-BP與BP的訓練迭代過程進行比較，如圖10所示。

經(jīng)過迭代，最終平穩(wěn)時WOA-BP的均方根誤差值為0.71，BP為0.83。同樣，采用WOA算法優(yōu)化BP算法的參數(shù)取得了較好的效果。

將經(jīng)WOA-BP訓練好的最優(yōu)權(quán)值ω和閾值B與測試集輸入到BPNN中進行PD類型識別，結(jié)果如圖11所示。

圖11 超聲波信號識別結(jié)果

從圖11可見，基于特高頻信號的PD類型識別總體識別率為83.3%，且氣隙放電與微粒放電的識別率均為90%，懸浮放電的識別率為70%。從超聲波信號的識別結(jié)果判斷，對不同類型缺陷的識別率均沒有到達100%，但對于氣隙放電的識別準確率比前面兩種高，說明超聲波信號對于氣隙放電的辨識度較高，可以彌補前兩種信號氣隙放電辨識度不高的缺陷。3種識別結(jié)果的結(jié)合可以提高PD模式的整體識別效果。

3 基于D-S證據(jù)的PD多源信息融合識別

3.1 D-S證據(jù)理論

D-S證據(jù)是多源信息融合的一種有效手段，可以將不同信息源進行融合計算，得到更加準確的結(jié)果[16-17]。具體融合規(guī)則如下：

(1) 建立識別框架Θ。對于模式識別融合，識別框架為所有的識別對象與不確定性，本文的識別框架為懸浮放電A1、氣隙放電A2、微粒放電A3以及不確定性θ,即Θ={A1,A2,A3,θ}。

(2) 設(shè)置基礎(chǔ)概率分配BPA。BPA代表不同框架中不同類型的基本可信度，本文計算方法為

mi(Aj)=αij·μi

(14)

(15)

式中：αij為可靠系數(shù),αij?[0,1]，是WOA-BP算法的識別率；m(·)為基本可信數(shù)，其反映的是對框架Θ的可信度大??；mi(Aj)為第i個證據(jù)不確定性的BPA值;μi為第i個證據(jù)的隸屬度。

(3) Dempster證據(jù)融合。Dempster是D-S證據(jù)的融合式，對于3個信息源的合成計算式如下：

m1,2,3(Aj)=(m1⊕m2⊕m3)(Aj)=

(16)

(17)

式中：⊕為異或運算；K為歸一化因子；m1,2,3(Aj)為通過式(16)、式(17)合成的BPA，即3個信息源的共同識別結(jié)果。

(4) 決策。融合結(jié)束后，選擇融合BPA的最大值PD類型作為最后的識別結(jié)果輸出。

3.2 識別

將前文基于脈沖相位信號、特高頻信號和超聲波信號的識別結(jié)果作為D-S證據(jù)融合的輸入，計算各證據(jù)體的基本可信度，利用Dempster融合公式計算共同識別結(jié)果，最后決策規(guī)則判斷PD的類型。氣隙放電類型的其中兩個識別結(jié)果如表3和表4所示。

表3 融合結(jié)果1

表4 融合結(jié)果2

從表3中可以看出，3類信號源識別結(jié)果一致，均識別為氣隙放電類型，但BPA值分別為0.847 4、0.794 5和0.754 9，將3類識別結(jié)果進行融合后，其BPA值變?yōu)?.991 3，可信度更大，使結(jié)果更加具有確定性，說明D-S融合識別具有較強的抗干擾性，可以使識別效果更好。

從表4中可以看出，3類信號源的識別結(jié)果不一致，其中特高頻信號識別為微粒放電的概率更高，而脈沖相位和超聲波信號識別為氣隙放電的概率更高。3類信號源經(jīng)D-S融合后判斷為氣隙放電的概率更高，與真實結(jié)果一致?？梢园l(fā)現(xiàn)通過D-S融合輸出使3類信號源原本沖突的結(jié)果變得一致，從而使判決更具有確定性和正確性。由此可見，當3類信號源結(jié)果存在互斥時，多信息融合識別方法能有效地提高判決結(jié)果的確定度和可靠度。

所有測試集的識別結(jié)果如圖12所示。從圖12可見，基于D-S證據(jù)融合的PD類型識別總體識別率為96.7%，懸浮放電與微粒放電的識別率為100%，氣隙放電的識別率為90%。比單一信號源的識別結(jié)果明顯提升。說明了將不同信號源的識別結(jié)果融合可以彌補各自的不足，提高PD模式的整體識別效果，證明了D-S融合的有效性。

圖12 識別結(jié)果

4 結(jié) 語

本文基于PD的脈沖相位信號、特高頻信號、和超聲波信號采用WOA算法改進的BPNN進行初步識別，再將基于3種信號源的識別結(jié)果采用D-S證據(jù)融合，對高壓電機PD類型進行融合識別，得到了以下結(jié)論：

(1) 采用WOA-BP的PD識別方法，與原始BPNN相比，其迭代速度與識別結(jié)果均有提升。

(2) 將脈沖相位信號、特高頻信號和超聲波信號等3種PD信號的識別結(jié)果作為輸入采用D-S證據(jù)融合進行識別，不僅能降低識別不確定性，且可以提高整體識別準確率。

(3) 將不同信號源的識別結(jié)果經(jīng)D-S證據(jù)融合后可得到比單一信號源更加突出的識別結(jié)果。