肖平

摘 ?要：電氣故障是發(fā)電機組正常運行的重大隱患，及時檢出電氣故障具有重要意義。針對發(fā)電機組的電氣故障檢測問題，提出一種基于回聲狀態(tài)網(wǎng)絡(luò)的智能檢測方法，可以實現(xiàn)發(fā)電機組電氣故障的自動實時檢測。此方法中，將發(fā)電機組的常見10類故障作為輸入，進而納入回聲狀態(tài)網(wǎng)絡(luò)中進行學習和訓練，并根據(jù)網(wǎng)絡(luò)分析結(jié)果做出故障判斷。實驗過程中，通過多種傳感器配合人工巡檢采集各變量數(shù)據(jù)，通過多變量時間序列數(shù)據(jù)在回聲狀態(tài)網(wǎng)絡(luò)中的訓練和學習，形成故障檢測的最終結(jié)果。實驗結(jié)果表明，該文提出的智能檢測算法可以對發(fā)電機組的運行狀態(tài)進行自動實時的故障檢測。該文所提出的方法具有非人工、智能化、實時性的特點。

關(guān)鍵詞：發(fā)電機組；電氣故障；智能檢測；測試分析；回聲狀態(tài)網(wǎng)絡(luò)

中圖分類號：TM307.1 ? ? ?文獻標志碼：A ? ? ? ? ?文章編號：2095-2945（2024）18-0173-04

Abstract： Electrical fault is a major hidden danger to the normal operation of generator sets， so it is of great significance to detect electrical faults in time. Aiming at the problem of electrical fault detection of generator set， an intelligent detection method based on echo state network is proposed， which can realize automatic real-time detection of generator set electrical fault. In this method， 10 kinds of common faults of generator sets are taken as input， and then incorporated into the echo state network for learning and training， and the fault judgment is made according to the results of network analysis. In the course of the experiment， through a variety of sensors with manual inspection to collect variable data， and through the training and learning of multi-variable time series data in the echo state network， the final result of fault detection is formed. The experimental results show that the intelligent detection algorithm proposed in this paper can automatically and real-time detect the fault of the generator set. The method proposed in this paper is non-manual， intelligent and real-time.

Keywords： generator set; electrical fault; intelligent detection; test and analysis; echo state network

在各種形式的能源供給中，電能占有十分重要的地位。電能作為一種二次能源，是清潔型能源，并且可以為人們生產(chǎn)生活的各種用電器提供能源動力[1]。在電能供給體系中，發(fā)電站扮演著十分重要的角色。發(fā)電站內(nèi)的發(fā)電機組通過持續(xù)工作，將電能源源不斷地輸送到電網(wǎng)，確保千家萬戶的電力設(shè)備可以正常使用。發(fā)電機組的構(gòu)成形式復(fù)雜，并且因設(shè)備的不同而不同[2]。但是，其中最核心的部件都是變壓器。變壓器可以調(diào)整電能供給端到電能需求端的電壓差降，是發(fā)電機組工作的關(guān)鍵。為了確保發(fā)電機組的正常工作，必須對變壓器進行有效的維護[3]。在常規(guī)檢修狀態(tài)下，主要是通過人工巡檢，定期或不定期地對發(fā)電機組進行檢查，或者根據(jù)突發(fā)故障對發(fā)電機組進行有針對性的維修。人工方法的最大問題是效率低、出錯率高，并且無法對一些潛在的安全隱患及時排查。為此，本文以發(fā)電機組尤其是變壓器為關(guān)鍵組件，采用多種傳感器結(jié)合智能檢測方法進行自動化的故障檢測，以期更好地維護發(fā)電機組的安全運營。

1 ?發(fā)電機組電氣故障的分類

發(fā)電機組的構(gòu)成非常復(fù)雜，包含了多種類型的設(shè)備、部件、組件。因此，發(fā)電機組的故障也千差萬別。為了便于歸納，可以采取不同的分類標準對發(fā)電機組的故障類型進行劃分。這里采取2種分類原則。

第一種分類原則，按照內(nèi)部或外部的差異進行劃分，發(fā)電機組可能出現(xiàn)2類故障所下。

第一類，發(fā)電機組的內(nèi)部故障。例如，其關(guān)鍵組件變壓器上纏繞電阻線出現(xiàn)故障，關(guān)鍵組件變壓器的鐵芯絕緣出現(xiàn)問題，連接組件螺栓絕緣出現(xiàn)問題，重要組件電壓開關(guān)出現(xiàn)問題，機油老化等。

第二類，發(fā)電機組的外部故障。例如，關(guān)鍵組件變壓器的承載油箱漏油，各組件單元之間聯(lián)動控制裝置出現(xiàn)問題，發(fā)電機組的整體冷卻裝置失效，輔助用溫度計失靈，繼電器組件不能正常工作等。

第二種分類原則，按照故障的發(fā)生和存續(xù)時間長短來進行劃分，發(fā)電機組可能出現(xiàn)2類故障如下。

第一類，發(fā)電機組的瞬時故障。當發(fā)電過程中，電壓出現(xiàn)短時間的劇烈波動從而導致絕緣失效，甚至引發(fā)一系列外部的電氣故障，都屬于瞬時故障。自然條件經(jīng)常是此類故障的誘因，如雷暴、地震、颶風等。

第二類，發(fā)電機組的累積故障。在發(fā)電機組持續(xù)工作相當長的時間后，不斷累積的老化、破損導致的故障，如發(fā)電機組的絕緣老化失效、線組破損等。

為了便于后續(xù)的智能檢測處理，本文按照故障嚴重程度，對發(fā)電機組的故障進行3種劃分：重度故障、中度故障、輕度故障，具體見表1。

2 ?發(fā)電機組電氣故障智能檢測方法

針對發(fā)電機組的故障檢測問題，本文提出一種融合人工定期巡檢和多傳感器實時采集的方法，并通過回聲狀態(tài)網(wǎng)絡(luò)進行智能判斷，形成有關(guān)檢測結(jié)果的最終判斷。這里考慮到發(fā)電機組對于更高安全性的追求，在同時對表1中10個故障變量進行監(jiān)測的過程中，如果其中1個變量確定為重度故障，則直接停機，等候全面檢修。如果其中1個變量確定為中度故障，立即派人去現(xiàn)場對該故障進行確認。當沒有出現(xiàn)重度故障和中度故障的時候，調(diào)用回聲狀態(tài)網(wǎng)絡(luò)方法，綜合10個故障變量的時間序列數(shù)據(jù)，納入智能決策算法，進行故障情況的判斷，形成最終的檢測結(jié)果。

從結(jié)構(gòu)上看，回聲狀態(tài)網(wǎng)絡(luò)和一般的神經(jīng)網(wǎng)絡(luò)具有相似性，但其中間層的神經(jīng)元數(shù)量非常豐富，從而具有更強的計算能力和非線性逼近能力，這對于適應(yīng)發(fā)電機組成因復(fù)雜的多種可能性故障，具有更強的針對性。本文采用的回聲狀態(tài)網(wǎng)絡(luò)，結(jié)構(gòu)上如圖1所示。

從圖1中可以看出，用于發(fā)電機組故障檢測的回聲狀態(tài)網(wǎng)絡(luò)，分為3個層次。其中輸入是10個故障變量的時間序列數(shù)據(jù)，中間層是數(shù)量豐富且結(jié)構(gòu)關(guān)系復(fù)雜的神經(jīng)元組列，輸出是故障程度的判斷結(jié)果。這3個層次的數(shù)學模型，如公式（1）所示

， ?（1）

式中：I（k）為發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的輸入、C（k）為發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的中間層神經(jīng)元、O（k）為發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的輸出，l、m、n為發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)各層次的神經(jīng)元數(shù)量，k是采樣值。

圖1中的輸入，一共包括了10種故障狀態(tài)變量，具體如下。

I1代表“漏油故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第一個輸入；I2代表“油位故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第二個輸入；I3代表“閃絡(luò)故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第三個輸入；I4代表“穢物故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第四個輸入；I5代表“散熱故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第五個輸入；I6代表“溫差故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第六個輸入；I7代表“切換開關(guān)老化故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第七個輸入；I8代表“繞組漏電故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第八個輸入；I9代表“鐵芯絕緣故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第九個輸入；I10代表“繞組變形故障”變量，即發(fā)電機組故障檢測回聲狀態(tài)網(wǎng)絡(luò)的第十個輸入。

基于回聲狀態(tài)網(wǎng)絡(luò)的智能檢測算法，其實施流程一般包括以下幾個步驟。

第一個步驟，首先將10類故障的時間序列數(shù)據(jù)，按照相同的時間坐標輸入到回聲狀態(tài)網(wǎng)絡(luò)的輸入單元。這時需要注意的是，10類故障數(shù)據(jù)量綱不同、閾值范圍大小不一，這就需要進行歸一化處理，以便于輸入數(shù)據(jù)都處在相同的變化范圍之內(nèi)。

第二個步驟，將輸入的10個變量數(shù)據(jù)送入回聲狀態(tài)網(wǎng)絡(luò)的隱含層，這里有數(shù)量豐富的神經(jīng)元，可以對全部數(shù)據(jù)進行整理、歸類、分析，并通過神經(jīng)元之間的關(guān)系模擬逼近各個輸入之間的關(guān)系，進而建立網(wǎng)絡(luò)內(nèi)部的各輸入變量關(guān)系模擬矩陣，以及隱含層到輸出層的關(guān)系模擬矩陣。

第三個步驟，隱含層根據(jù)大量經(jīng)驗數(shù)據(jù)的學習和訓練，結(jié)合當前輸入數(shù)據(jù)，對發(fā)電機組可能存在的故障狀態(tài)進行智能判斷，并將判斷結(jié)果輸出到輸出神經(jīng)元。

在回聲狀態(tài)網(wǎng)絡(luò)的性能測試中，分別選取了500組、1 000組數(shù)據(jù)，對其收斂性能進行測試，結(jié)果如圖2所示。

從圖2中可以看出，用于回聲狀態(tài)網(wǎng)絡(luò)訓練的數(shù)據(jù)量越大，其收斂速度越快，并且收斂時的迭代誤差越小。因為從圖2中2條曲線的對比可以看出，1 000組數(shù)據(jù)訓練下，收斂速度要快于500組數(shù)據(jù)的訓練結(jié)果，并且收斂時的迭代誤差減小了70%。

3 ?發(fā)電機組電氣故障智能檢測實驗

接下來的工作中，對發(fā)電機組電氣故障智能檢測的結(jié)果進行實驗驗證。這里，首先給出各變量數(shù)據(jù)的采集結(jié)構(gòu)框圖，如圖3所示。

從圖3中可以看出，10種常見的故障都通過特定的檢測方法或傳感器進行檢測，從而確保及時有效地傳輸?shù)桨l(fā)電機組故障檢測的數(shù)據(jù)庫端。發(fā)電機組電氣故障的智能檢測算法流程框圖如圖4所示。

這些數(shù)據(jù)將統(tǒng)一在智能檢測的服務(wù)器端進行處理，發(fā)電機組故障智能檢測服務(wù)器端的操作界面設(shè)計結(jié)果，如圖5所示。

圖5中，點擊設(shè)備狀態(tài)智能分析按鈕，界面中右上區(qū)域?qū)⒆優(yōu)樵O(shè)備狀態(tài)智能分析區(qū)域。區(qū)域中包含以下控件：上方可以選擇樣本數(shù)據(jù)的路徑，點擊打開文件導入樣本數(shù)據(jù)；左下包含了網(wǎng)絡(luò)訓練和分析過程中的參數(shù)配置，包括迭代次數(shù)、迭代閾值、輸入權(quán)重矩陣、輸出權(quán)重矩陣和隱含權(quán)重矩陣等；右下包含了網(wǎng)絡(luò)訓練和網(wǎng)絡(luò)分析2個按鈕，點擊它們可以觸發(fā)訓練功能、分析功能的響應(yīng)函數(shù)。

圖5是通過樣本數(shù)據(jù)，對ESN網(wǎng)絡(luò)進行訓練。此次訓練過程中，設(shè)定迭代次數(shù)為1 000次，迭代閾值為0.01。如果迭代結(jié)果始終不能小于0.01，則執(zhí)行1 000次迭代為止，如果迭代次數(shù)不到1 000次，迭代結(jié)果就小于0.01，也結(jié)束迭代過程。此時得到的輸入權(quán)重矩陣、輸出權(quán)重矩陣、隱含權(quán)重矩陣，就是可用于當前狀態(tài)參數(shù)分析的結(jié)果。

根據(jù)樣本數(shù)據(jù)，執(zhí)行回聲狀態(tài)網(wǎng)絡(luò)訓練后，確定回聲狀態(tài)網(wǎng)絡(luò)各關(guān)鍵參數(shù)，進一步對當前采集到的發(fā)電機組狀態(tài)進行智能分析，結(jié)果如圖6所示。

從圖6的結(jié)果中可以看出，發(fā)電機組中編號為Z1S5BYQ5的變壓器，其狀態(tài)的智能分析結(jié)果為中等異常，根據(jù)事先規(guī)定的處理原則，應(yīng)立即派人檢修。從上述處理過程可以看出，通過對發(fā)電機組各個可能故障狀態(tài)的臺帳記錄和實時采集，配合回聲狀態(tài)網(wǎng)絡(luò)智能分析方法，可以由檢測系統(tǒng)自動給出分析結(jié)果，實現(xiàn)了變壓器這一變電站核心電力設(shè)備狀態(tài)的智能檢測。

4 ?結(jié)束語

電能供給是有關(guān)日常生產(chǎn)和生活的最重要能量供給形式，關(guān)系到生產(chǎn)進度和人們?nèi)粘Ｉ畹谋憷?。發(fā)電機組是電能供給的核心設(shè)備，其安全性關(guān)系到電能供給能否可靠地進行。本文中，在傳統(tǒng)的常規(guī)人工檢測的基礎(chǔ)上，提出了一種多故障類型綜合智能檢測方法，用于發(fā)電機組故障的智能檢測。其使用的核心技術(shù)，是基于回聲狀態(tài)網(wǎng)絡(luò)的智能檢測算法。實現(xiàn)被確定劃分的各種常見故障類型，以變量的形式作為回聲狀態(tài)網(wǎng)絡(luò)的輸入，經(jīng)過回聲狀態(tài)網(wǎng)絡(luò)的綜合判斷形成最終的檢測結(jié)果。實驗結(jié)果表明，本文提出的智能檢測方法，可以實現(xiàn)對發(fā)電機組的實時故障檢測，對于提升發(fā)電機組安全性能具有重要的實用價值。

參考文獻：

[1] 李曉明，彭昆.關(guān)于對電力電子視閥下的電力設(shè)備狀態(tài)檢修技術(shù)的應(yīng)用之探討[J].電子技術(shù)與軟件工程，2018，16（3）：234-234.

[2] 李正存，唐松楊，李紅文，等.電力系統(tǒng)自動化專業(yè)狀態(tài)檢修技術(shù)的探究[J].中國電業(yè)（技術(shù)版），2018，12（2）：103-106.

[3] 廖瑞金，張鐿議，黃飛龍，等.基于可拓分析法的電力變壓器本體絕緣狀態(tài)評估[J].高電壓技術(shù)，2017，38（3）：521-526.