摘 要：本文旨在通過(guò)多視角特征融合技術(shù)提高變電站設(shè)備故障診斷的準(zhǔn)確性和效率。研究采用包括傳感器數(shù)據(jù)、歷史運(yùn)行記錄和維護(hù)日志在內(nèi)的多種數(shù)據(jù)源。首先，對(duì)這些數(shù)據(jù)進(jìn)行預(yù)處理和特征提取。其次，利用MPCA和STM進(jìn)行特征融合與模式識(shí)別。試驗(yàn)結(jié)果表明，與傳統(tǒng)的基于單一數(shù)據(jù)的故障診斷相比，采用多視角特征融合理念設(shè)計(jì)的系統(tǒng)在準(zhǔn)確率上提升了約15%～20%，并且在響應(yīng)時(shí)間和誤報(bào)率方面也具有明顯優(yōu)勢(shì)，特別是當(dāng)面對(duì)復(fù)雜或未知類型的設(shè)備異常時(shí)，該系統(tǒng)能夠更快速且精確地定位問(wèn)題根源。

關(guān)鍵詞：多視角特征；變電站設(shè)備；異常狀態(tài)識(shí)別；故障診斷

中圖分類號(hào)： TH 165 文獻(xiàn)標(biāo)志碼：A

傳統(tǒng)的故障診斷方法往往依賴單一的監(jiān)測(cè)數(shù)據(jù)或特征，這在復(fù)雜多變的實(shí)際環(huán)境中可能無(wú)法提供足夠的準(zhǔn)確性和魯棒性，研究者基于此探討如何有效地融合多視角特征，以提高故障診斷的準(zhǔn)確性。王進(jìn)花等[1]研究了一種基于注意力機(jī)制的多級(jí)特征融合卷積神經(jīng)網(wǎng)絡(luò)（A2ML2F-CNN）故障診斷方法，該方法通過(guò)多級(jí)特征融合顯著提高了風(fēng)力發(fā)電機(jī)軸承的故障診斷準(zhǔn)確率。包從望等[2]提出了一種多傳感器信息融合的軸承故障遷移診斷方法，有效解決了單一傳感器在復(fù)雜環(huán)境下故障識(shí)別率低的問(wèn)題。陳秋菊等[3]開(kāi)發(fā)了一種特征融合的電力機(jī)械設(shè)備過(guò)熱故障紅外檢測(cè)方法，通過(guò)圖像處理技術(shù)提高了過(guò)熱故障檢測(cè)的魯棒性和效率。程志平等[4]討論了多傳感器融合的機(jī)械故障診斷課題。馬衛(wèi)東等[5]分析特征融合在故障診斷中的應(yīng)用。王展等[6]探討了多尺度加權(quán)融合特征學(xué)習(xí)模式下的故障診斷問(wèn)題。基于此，本文旨在探討基于多視角特征融合的變電站設(shè)備故障診斷方法。

1 算法設(shè)計(jì)

1.1 設(shè)計(jì)思路

在電力系統(tǒng)持續(xù)發(fā)展的背景下，變電站設(shè)備的穩(wěn)定運(yùn)行對(duì)整個(gè)電網(wǎng)的安全至關(guān)重要。設(shè)備故障診斷在電網(wǎng)等復(fù)雜系統(tǒng)中是一個(gè)關(guān)鍵且具有挑戰(zhàn)性的任務(wù)。為了提高診斷的精準(zhǔn)度和效率，本文提出了一種基于多視角特征融合的故障診斷方法。該方法利用擴(kuò)展的主成分分析（MPCA）算法處理來(lái)自不同監(jiān)測(cè)通道的數(shù)據(jù)張量，旨在從多個(gè)角度提取信息并有效降低數(shù)據(jù)維度。經(jīng)過(guò)數(shù)據(jù)預(yù)處理和降維后，采用支持張量機(jī)（Support Tensor Machine，STM）進(jìn)行特征分析和分類。STM通過(guò)尋找一系列超平面將張量數(shù)據(jù)樣本劃分為2個(gè)預(yù)定義類別，特別適用于處理高維度的多模態(tài)或跨視圖數(shù)據(jù)集，因?yàn)樗軌蛴行Р蹲讲煌暯窍碌膹?fù)雜模式和結(jié)構(gòu)信息。該方法預(yù)期能夠綜合考慮多種信號(hào)源的信息，以提升故障識(shí)別的準(zhǔn)確性和精度。

將不同監(jiān)測(cè)通道的數(shù)據(jù)表示為張量形式，這有助于保留數(shù)據(jù)中的多維關(guān)系。然后，利用MPCA算法對(duì)這些數(shù)據(jù)張量進(jìn)行處理，以便從各個(gè)視角提取關(guān)鍵特征。MPCA的擴(kuò)展版本有助于更好地處理多維數(shù)據(jù)，提高數(shù)據(jù)表征的有效性，通過(guò)STM進(jìn)行特征分析和分類，利用其能力來(lái)處理高維度數(shù)據(jù)并捕捉復(fù)雜的結(jié)構(gòu)信息。這種方法的特點(diǎn)是它能夠綜合考慮來(lái)自不同視角的信息，從而增強(qiáng)故障診斷的能力。

1.2 多視角特征融合

由于環(huán)境因素的復(fù)雜性和電氣設(shè)備監(jiān)測(cè)指標(biāo)的多樣性，變電站設(shè)備的故障識(shí)別與診斷面臨顯著挑戰(zhàn)。這些挑戰(zhàn)不僅源于設(shè)備本身的異質(zhì)性，還源于預(yù)測(cè)活動(dòng)對(duì)時(shí)間跨度的敏感性，即不同設(shè)備設(shè)施之間存在顯著差異。因此，為了提高故障預(yù)測(cè)的準(zhǔn)確性和及時(shí)性，必須采用一種能夠綜合利用多源數(shù)據(jù)的方法來(lái)進(jìn)行綜合研判，本文提出了一種基于主成分分析（Principal Component Analysis，PCA）的擴(kuò)展方法（MPCA），該方法可以融合多視角特征策略來(lái)解決這個(gè)問(wèn)題。

假設(shè)傳感器所獲得的樣本數(shù)據(jù)如公式（1）所示。

xi∈Ra×b " n=1，2，…，N （1）

式中：x為樣本；xi為任意指定樣本；R為樣本矩陣；a為傳感器數(shù)量；b為傳感器記錄時(shí)間跨度的樣本數(shù)量，也即總記錄時(shí)長(zhǎng)與采樣間隔之比；n為指定樣本序號(hào)；N為樣本總量。

基于這一定義，可以設(shè)置空間投影關(guān)系，如公式（2）所示。

A1=Ra1×b2 "A2=Ra2×b1 （2）

式中：A1、A2為投影矩陣；a1、a2為視角數(shù)量，應(yīng)小于a；b1、b2為時(shí)間特征采樣點(diǎn)，應(yīng)小于b。

由此，原有樣本數(shù)據(jù)得以降維投影于低維平面，如公式（3）所示。

yi∈Ra'×b' " n=1，2，…，N （3）

其仍需要經(jīng)過(guò)中心化處理，且需要最大化樣本散度，實(shí)現(xiàn)特征的提取與融合，這一過(guò)程又涉及基于張量數(shù)據(jù)散度水平的迭代優(yōu)化，以實(shí)現(xiàn)特征提取的優(yōu)化與故障診斷的識(shí)別。

1.3 張量數(shù)據(jù)故障診斷

本文使用STM方法進(jìn)行分類，其平面結(jié)構(gòu)下的決策優(yōu)化函數(shù)如公式（4）所示。

sgn（（w*·x）+d*） （4）

式中：w*為理想直線的法方向；d*為理想直線的y軸截距。

其引入拉格朗日函數(shù)，如公式（5）所示。

（5）

式中：l為阿格朗日算子。

可以得到公式（6）。

a=（a1，...，a1）∈R+l （6）

其仍需要考慮張量數(shù)據(jù)的權(quán)值矢量，且其約束條件需要考慮張量外積，如公式（7）所示。

（7）

式中：m為模的數(shù)量；ω為權(quán)值矢量；c為懲罰因子；ξ為松弛變量，為正值；n為指定樣本序號(hào)。

STM的目標(biāo)是找到一組權(quán)值矢量ω和偏差項(xiàng)d*，能夠通過(guò)以下優(yōu)化問(wèn)題定義的超平面正確分類這些樣本，以識(shí)別異常狀態(tài)，并由此具體定位故障。

2 性能測(cè)試

2.1 數(shù)據(jù)獲取

本文通過(guò)收集和整理來(lái)自實(shí)際變電站的數(shù)據(jù)以及運(yùn)維材料，構(gòu)建了一組用于訓(xùn)練和預(yù)測(cè)的樣本集。當(dāng)處理變電站設(shè)備故障數(shù)據(jù)時(shí)，需要收集多方面信息，時(shí)間序列數(shù)據(jù)涵蓋了故障前后的采樣單位數(shù)據(jù)，包括各種監(jiān)測(cè)通道，例如電流、電壓、溫度等。傳感器監(jiān)測(cè)中實(shí)時(shí)采集的信息可以幫助監(jiān)測(cè)設(shè)備狀態(tài)。

將其整理為xi∈Ra×b " n=1，2，…，N，相應(yīng)處理過(guò)程包括清洗、歸一化等數(shù)據(jù)預(yù)處理操作，將來(lái)自不同傳感器通道的高維時(shí)間序列信息轉(zhuǎn)換為低維空間表示，即yi∈Ra'×b' " n=1，2，…，N，利用STM算法對(duì)預(yù)處理后的特征進(jìn)行分類，以發(fā)現(xiàn)并定位異常狀態(tài)。

基于此，相應(yīng)地進(jìn)行材料的人工標(biāo)記，區(qū)分標(biāo)記不同類型的設(shè)備故障，以進(jìn)行分類學(xué)習(xí)，使樣本集包括故障樣本與正常運(yùn)行樣本2個(gè)部分，旨在評(píng)估系統(tǒng)在不同狀態(tài)下的表現(xiàn)。在處理過(guò)程中還需要考慮特征工程參數(shù)和預(yù)處理步驟，確保輸入符合STM算法要求，能提取有用特征進(jìn)行模型訓(xùn)練，而在降維過(guò)程中使用MPCA技術(shù)，則需要設(shè)置相應(yīng)參數(shù)，將高維時(shí)間序列轉(zhuǎn)換為低維表示。當(dāng)應(yīng)用STM分類器時(shí)，需要選擇超參數(shù)和核函數(shù)等設(shè)置，確保對(duì)特征進(jìn)行有效分類，以識(shí)別異常狀態(tài)并進(jìn)行預(yù)警或采取其他措施。

故障樣本的選擇特別關(guān)注捕捉異常情況下的數(shù)據(jù)特征。具體來(lái)說(shuō)，每個(gè)故障樣本包括故障發(fā)生時(shí)間點(diǎn)前后各500個(gè)采樣單位的時(shí)間序列數(shù)據(jù)，共計(jì)1000個(gè)采樣單位的數(shù)據(jù)長(zhǎng)度，采樣單位間隔為6s/輪，使模型能夠從接近故障發(fā)生的時(shí)刻開(kāi)始學(xué)習(xí)到導(dǎo)致異常的模式變化及其前兆信號(hào)。其中，70%作為訓(xùn)練樣本，30%作為測(cè)試樣本，模型訓(xùn)練完成后需要評(píng)估其在檢測(cè)異常狀態(tài)方面的有效性，并根據(jù)需要調(diào)整參數(shù)或嘗試其他技術(shù)手段進(jìn)一步優(yōu)化結(jié)果，通過(guò)分析與處理這些關(guān)鍵時(shí)刻數(shù)據(jù)，可以更準(zhǔn)確地識(shí)別潛在的風(fēng)險(xiǎn)因素并及時(shí)采取措施，以防止或減輕可能的事故影響。

2.2 異常狀態(tài)識(shí)別分析

系統(tǒng)監(jiān)控中，異常狀態(tài)通常是指與正常運(yùn)行模式顯著不同的行為或性能指標(biāo)變化。這些變化可能是由設(shè)備故障、外部干擾或其他未知因素引起的。因此，能夠快速、準(zhǔn)確地識(shí)別這些異常是保障系統(tǒng)安全和效率的關(guān)鍵環(huán)節(jié)之一。本文基于此考慮了不同測(cè)試條件下的預(yù)測(cè)準(zhǔn)確率，分別對(duì)比了不同數(shù)據(jù)長(zhǎng)度和數(shù)據(jù)開(kāi)始位點(diǎn)的影響。

針對(duì)不同數(shù)據(jù)長(zhǎng)度，其測(cè)試結(jié)果如圖1所示。

由圖1可知，性能測(cè)試考察了較短數(shù)據(jù)長(zhǎng)度的樣本（例如100輪～200輪）在異常狀態(tài)識(shí)別中的表現(xiàn)，這些短數(shù)據(jù)的平均準(zhǔn)確率約為98.5%。這一高水平的準(zhǔn)確性表明，即使在有限的數(shù)據(jù)量下，現(xiàn)有的算法和技術(shù)已經(jīng)能夠較好地捕捉系統(tǒng)的正常與非正常行為模式差異。然而，這種高精度可能部分歸因于短數(shù)據(jù)的特性，即其通常包括較少的信息量和變化點(diǎn)數(shù)目少于更長(zhǎng)的序列，從而使模型更容易學(xué)習(xí)穩(wěn)定的特征表示并做出判斷決策，同時(shí)由于其相對(duì)簡(jiǎn)單的結(jié)構(gòu)特點(diǎn)也降低了過(guò)擬合的風(fēng)險(xiǎn)，提高了泛化能力。更長(zhǎng)樣本數(shù)據(jù)則使異常狀態(tài)識(shí)別準(zhǔn)確率提升，例如900輪長(zhǎng)度數(shù)據(jù)條件下異常狀態(tài)識(shí)別準(zhǔn)確性可達(dá)到99.5%，相應(yīng)誤差偏移較低，隨著時(shí)間增長(zhǎng)而積累起來(lái)的信息豐富度和多樣性為提升模型的判別力提供了有利條件，此類較長(zhǎng)序列時(shí)所得到的測(cè)試結(jié)果顯示出了更高的準(zhǔn)確率，說(shuō)明增加觀測(cè)窗口大小有助于改善預(yù)測(cè)性能，長(zhǎng)時(shí)間跨度內(nèi)的事件關(guān)聯(lián)性和因果鏈條得以充分展現(xiàn)，有利于模型挖掘深層次的模式規(guī)律。但在最大數(shù)據(jù)長(zhǎng)度1000輪條件下，異常狀態(tài)識(shí)別準(zhǔn)確性下降且誤差偏移上升，提示可能的末端噪聲干擾。

針對(duì)不同數(shù)據(jù)起始位置，其測(cè)試結(jié)果如圖2所示。

由圖2可知，隨著數(shù)據(jù)起始位置逐漸接近故障發(fā)生時(shí)刻（500輪處），異常狀態(tài)的識(shí)別準(zhǔn)確性呈現(xiàn)先上升后下降再回升的非線性變化模式。具體來(lái)說(shuō)，當(dāng)提前500個(gè)采樣單位開(kāi)始監(jiān)測(cè)時(shí)（即距離實(shí)際事件還有較長(zhǎng)時(shí)間），模型的預(yù)判能力相對(duì)較低，正確率不足40%，這可能是由于此時(shí)系統(tǒng)仍處于正常運(yùn)行階段，潛在的問(wèn)題尚未顯現(xiàn)或者信號(hào)微弱不足以被有效捕捉。然而一旦縮短觀測(cè)窗口至僅比事件早100輪時(shí)，檢測(cè)精度躍升至70%以上。這種快速提升表明，臨近問(wèn)題爆發(fā)，系統(tǒng)內(nèi)部已經(jīng)積累了一些可被察覺(jué)的變化跡象，例如參數(shù)波動(dòng)、性能退化等特征，使算法能夠更敏銳地偵測(cè)即將來(lái)臨的風(fēng)險(xiǎn)預(yù)警信息。進(jìn)一步來(lái)說(shuō)，恰好在事故發(fā)生的瞬間進(jìn)行評(píng)估，即零延遲情形下，模型展現(xiàn)了極高的辨識(shí)力，達(dá)到了85%以上的成功率，說(shuō)明在最直接相關(guān)的時(shí)刻提取的數(shù)據(jù)包括最豐富且最具指示意義的信息，有助于做出最精確、及時(shí)的判斷決策，支持操作人員采取應(yīng)對(duì)措施，避免損失擴(kuò)大化。

隨著數(shù)據(jù)起始點(diǎn)錯(cuò)過(guò)故障爆發(fā)時(shí)刻，部分關(guān)鍵的前期預(yù)警信號(hào)和動(dòng)態(tài)變化信息未能被捕捉到。這些早期跡象對(duì)構(gòu)建準(zhǔn)確的預(yù)測(cè)模型至關(guān)重要，它們的缺失可能導(dǎo)致模型對(duì)后續(xù)數(shù)據(jù)的解讀能力下降。異常狀態(tài)識(shí)別的準(zhǔn)確率有所下降，仍保持接近或者超過(guò)70%水平。與此同時(shí)，一旦故障發(fā)生并得到處理后（例如自動(dòng)保護(hù)機(jī)制啟動(dòng)、人工干預(yù)等），系統(tǒng)可能會(huì)迅速回歸到一個(gè)新的穩(wěn)定狀態(tài)或者開(kāi)始自我修復(fù)過(guò)程；此時(shí)，原本與問(wèn)題緊密相關(guān)的變量可能不再表現(xiàn)出顯著的異常特征，從而使基于歷史模式訓(xùn)練出來(lái)的算法難以繼續(xù)有效地檢測(cè)潛在風(fēng)險(xiǎn)點(diǎn)。當(dāng)故障發(fā)生后400輪～500輪時(shí)，識(shí)別準(zhǔn)確率再度上升，其可能來(lái)自各種應(yīng)急措施實(shí)施及設(shè)備重啟等原因造成的瞬態(tài)波動(dòng)得到識(shí)別。

2.3 故障信息定位分析

故障定位的準(zhǔn)確性是確保生產(chǎn)連續(xù)性和設(shè)備維護(hù)效率的關(guān)鍵因素，具體討論對(duì)異常的識(shí)別結(jié)果，則其定位能力的預(yù)測(cè)情況依賴數(shù)據(jù)長(zhǎng)度和數(shù)據(jù)開(kāi)始位置的差異性。其中，基于數(shù)據(jù)長(zhǎng)度的故障定位測(cè)試結(jié)果如圖3所示。圖3中展示了不同數(shù)據(jù)長(zhǎng)度條件下的故障定位誤差情況。結(jié)果顯示，在不同數(shù)據(jù)長(zhǎng)度條件下，故障定位誤差并沒(méi)有顯著差異；同時(shí)，無(wú)論數(shù)據(jù)長(zhǎng)度如何變化，對(duì)應(yīng)的故障定位準(zhǔn)確率均維持在94%左右。這表明即使增加或減少數(shù)據(jù)采集量，改變時(shí)間窗口對(duì)提高或降低錯(cuò)誤判斷的概率作用有限，該準(zhǔn)確率明顯低于其他相關(guān)技術(shù)，例如異常狀態(tài)檢測(cè)所能達(dá)到的水平。

依托數(shù)據(jù)開(kāi)始位置的影響分析如圖4所示。由圖4可知，隨著數(shù)據(jù)收集時(shí)間節(jié)點(diǎn)提前，即增加歷史深度，預(yù)測(cè)精度顯著提高。這表明更多的歷史信息有助于模型捕捉更復(fù)雜的系統(tǒng)行為模式和潛在風(fēng)險(xiǎn)因子。然而，預(yù)測(cè)準(zhǔn)確性與數(shù)據(jù)起始位置的直接關(guān)聯(lián)不受故障發(fā)生時(shí)刻的影響，無(wú)論是在問(wèn)題爆發(fā)前還是后進(jìn)行分析都未顯示出明顯差異。相比之下，異常狀態(tài)識(shí)別越靠近事件發(fā)生時(shí)間窗口內(nèi)獲取的信息價(jià)值越大。從理論角度考慮，異常狀態(tài)識(shí)別通常依賴對(duì)即時(shí)數(shù)據(jù)的快速響應(yīng)，因此故障點(diǎn)前后的數(shù)據(jù)包括最直接的異常信號(hào)。然而，對(duì)故障定位來(lái)說(shuō)，模型可能需要更多的歷史數(shù)據(jù)來(lái)建立設(shè)備或系統(tǒng)的正常行為基線。隨著時(shí)間推移和數(shù)據(jù)積累，即使是從較晚的時(shí)間點(diǎn)開(kāi)始，模型也能夠更好地理解系統(tǒng)動(dòng)態(tài)并預(yù)測(cè)潛在的故障模式。這種信息累積效應(yīng)導(dǎo)致即使在最晚的數(shù)據(jù)起始位置也能達(dá)到較高的預(yù)測(cè)準(zhǔn)確率。

3 結(jié)語(yǔ)

本文針對(duì)變電站設(shè)備故障診斷的挑戰(zhàn)提出了一種基于多視角特征融合的方法。通過(guò)采用擴(kuò)展的主成分分析（MPCA）算法處理來(lái)自不同監(jiān)測(cè)通道的數(shù)據(jù)張量，并結(jié)合支持張量機(jī)（STM）進(jìn)行特征分析和分類，該方法有效地提升了故障識(shí)別的準(zhǔn)確性和效率。試驗(yàn)結(jié)果表明，即使在有限的數(shù)據(jù)長(zhǎng)度下，該系統(tǒng)也能達(dá)到約98.5%的異常狀態(tài)識(shí)別準(zhǔn)確率。隨著數(shù)據(jù)長(zhǎng)度增加和觀測(cè)窗口擴(kuò)大以及歷史信息深入利用，系統(tǒng)的預(yù)測(cè)性能得到顯著提升，特別是在接近故障發(fā)生時(shí)刻獲取的信息，對(duì)提高異常狀態(tài)識(shí)別精度具有重要意義。然而，在最大數(shù)據(jù)長(zhǎng)度1000s的條件下，異常狀態(tài)識(shí)別準(zhǔn)確性有所下降且誤差偏移上升，提示可能存在末端噪聲干擾問(wèn)題，需要進(jìn)一步優(yōu)化處理策略，以減少其影響。此外，盡管增加或減少采集的數(shù)據(jù)量對(duì)提高或降低錯(cuò)誤判斷的概率作用有限，準(zhǔn)確率維持在94%左右，但更多的歷史信息有助于模型捕捉更復(fù)雜的系統(tǒng)行為模式和潛在風(fēng)險(xiǎn)因子，從而實(shí)現(xiàn)更準(zhǔn)確的故障定位預(yù)測(cè)能力，不受時(shí)間節(jié)點(diǎn)提前與否的影響，具有較強(qiáng)的魯棒性和泛化能力。

參考文獻(xiàn)

[1]王進(jìn)花，韓金玉，曹潔，等.基于AM和CNN的多級(jí)特征融合的風(fēng)力發(fā)電機(jī)軸承故障診斷方法[J].太陽(yáng)能學(xué)報(bào)，2024，45（5）：51-61.

[2]包從望，江偉，張彩紅，等.多傳感器信息融合的軸承故障遷移診斷方法[J].機(jī)電工程，2024，41（5）：878-885.

[3]陳秋菊，彭天昊，康萬(wàn)杰，等.特征融合的電力機(jī)械設(shè)備過(guò)熱故障紅外檢測(cè)[J].機(jī)械設(shè)計(jì)與制造，2024（4）：337-341.

[4]程志平，王潞紅，歐斌，等.基于CMMFDE與多傳感器信息融合的旋轉(zhuǎn)機(jī)械故障診斷研究[J].機(jī)電工程，2024，41（5）：807-816.

[5]馬衛(wèi)東，劉子全，姚楠，等.AOA-CEEMDAN和融合特征在齒輪箱故障診斷中的應(yīng)用[J].機(jī)電工程，2024，41（5）：817-826.

[6]王展，魯晨琪，星施宇，等.基于多尺度加權(quán)融合特征學(xué)習(xí)的轉(zhuǎn)子故障診斷[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2023（11）：154-158.