楊文強(qiáng),劉穎飛,丁同帥,歐樂知,彭平
(1.山東和兌智能科技有限公司,山東 濟(jì)南 250000;2.國網(wǎng)湖南省電力有限公司電力科學(xué)研究院,湖南長沙 410007)
有載分接開關(guān)是有載調(diào)壓變壓器的核心部件,通過逐級動(dòng)作來控制與其相連接的高壓側(cè)線圈進(jìn)而實(shí)現(xiàn)有載調(diào)壓[1-2]。隨著人們對供電質(zhì)量要求的不斷提高,有載分接開關(guān)得到了快速的發(fā)展與應(yīng)用。然而,我國有載分接開關(guān)故障占變壓器零部件故障的20%以上,對于普及率更高的西方發(fā)達(dá)國家而言,有載分接開關(guān)的故障率更是超過40%,因此有載分接開關(guān)故障診斷具有重要意義。
目前,關(guān)于有載分接開關(guān)故障診斷的主要措施為離線定期吊芯檢測,該檢測方法不僅需要大量的人工,同時(shí)還可能會(huì)造成檢修過度引發(fā)開關(guān)的二次故障,因此,研究非介入式故障診斷技術(shù)已經(jīng)成為有載分接開關(guān)故障診斷的主流趨勢[3]。本文所研究的機(jī)械振動(dòng)信號診斷方法就能夠很好地滿足非介入的要求,此外,對于有載分接開關(guān)而言,其機(jī)械振動(dòng)信號能夠有效地反應(yīng)出開關(guān)的機(jī)械狀態(tài),為開關(guān)的狀態(tài)識別以及故障診斷提供重要的數(shù)據(jù)來源。
近年來,國內(nèi)外學(xué)者對于有載分接開關(guān)故障診斷進(jìn)行了很多研究,其中,鄧文斌、鄧敏利用有載分接開關(guān)的聲學(xué)振動(dòng)特性,對彈簧松動(dòng)故障進(jìn)行診斷[4-5];楊森提出一種基于變分模態(tài)分解與Fisher-Score特征選擇的故障診斷方法,通過VMD分解、模態(tài)分析、特征選擇以及特征篩選與重構(gòu)等步驟,進(jìn)行振動(dòng)信號的分類識別與故障診斷,提高了識別的精度[6];曾全昊利用有載分接開關(guān)切換過程振動(dòng)信號的遞歸圖紋理特征,建立卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型,對開關(guān)故障進(jìn)行識別與診斷,該方法很好地應(yīng)用于開關(guān)輕微故障的診斷中[7];王豐華基于開關(guān)振動(dòng)信號的混沌動(dòng)力學(xué)特征,利用Bayes估計(jì)相空間融合與改進(jìn)支持向量數(shù)據(jù)描述等方法,提高機(jī)械故障的識別精度[8]。
結(jié)合上述分析,有載分接開關(guān)非介入性檢測是未來檢測的主流趨勢,各學(xué)者也采用不同的手段對有載分接開關(guān)的非介入性檢測進(jìn)行了研究,但Fisher-Score特征選擇、Bayes估計(jì)等手段計(jì)算量相對較大,診斷速度較慢,不利于工程應(yīng)用。與此同時(shí),學(xué)者們對于對有載分接開關(guān)的傳感器采集信號的分析與特征量提取的研究尚不夠全面,這就意味著狀態(tài)診斷數(shù)據(jù)來源的可靠性、科學(xué)性的研究需要進(jìn)一步的完善。鑒于此,本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)與EEMD分解的有載分接開關(guān)故障診斷方法,一方面利用BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢來提高診斷的精度與速度,另一方面通過EEMD分解的方法來提高機(jī)械振動(dòng)信號提取的可靠性。
BP神經(jīng)網(wǎng)絡(luò)是一種用于數(shù)據(jù)分類或者數(shù)據(jù)預(yù)測的機(jī)器學(xué)習(xí)模型。神經(jīng)元主要包括輸入層、隱藏層和輸出層,每個(gè)神經(jīng)元都有一個(gè)激活函數(shù),用來計(jì)算被“刺激”的神經(jīng)元個(gè)數(shù),在每一層,神經(jīng)元集合都會(huì)對輸入?yún)?shù)進(jìn)行一定的變換并將這些參數(shù)向下一層分布,本文關(guān)于BP神經(jīng)網(wǎng)絡(luò)的基本原理參考張兵、宋尖、鄒治銳[9-11]等人的相關(guān)研究。
EEMD分解的基本原理為:在待分解的信號中加入高斯白噪聲,利用白噪聲的均勻分布特性,使信號在不同尺度上具有連續(xù)性,進(jìn)而避免模態(tài)混疊。由于加入白噪聲具有零均值的特性,所以進(jìn)行分解處理后,最后通過求平均而得到逼近的真實(shí)模態(tài)[12-13]。
利用EEMD分解方法來提取開關(guān)機(jī)械振動(dòng)信號,具體步驟如下:
1)在開關(guān)原始振動(dòng)信號xi(t)中多次加入均值為零并且幅值標(biāo)準(zhǔn)差為常數(shù)的高斯白噪聲lk(t),從而得到新的待測信號xik(t),即:
2)利用EMD,將待測信號xik(t)進(jìn)行分解,使其分為多個(gè)IMF分量ck j(t)以及余項(xiàng)rk(t)。其中ck j(t)為加入高斯白噪聲時(shí)使用EMD分解所得到的的第j個(gè)IMF分量。
3)經(jīng)過1)、2)步驟,雖然能夠得到IMF分量,但是加入高斯白噪聲后,將會(huì)影響IMF分量之間的相關(guān)性,因此需要重復(fù)1)、2)步驟,以保證該影響最低。利用不相關(guān)隨機(jī)序列的統(tǒng)計(jì)均值為零的原理,將最終分解得到的K組IMF分量及余項(xiàng)的均值作為最終結(jié)果,即:
4)經(jīng)過最終分解,得到IMF分量及其對應(yīng)的余項(xiàng),計(jì)算各分量與原始振動(dòng)信號xi(t)的相關(guān)系數(shù)μj,并保留相關(guān)系數(shù)大于max(μj)/n的前p個(gè)IMF分量,作為有載分接開關(guān)的故障數(shù)據(jù)進(jìn)行診斷,保留IMF1—IMF6這六個(gè)分量。
本文所研究的有載分接開關(guān)為CM305Y系列的油浸式CM型多級線性正反調(diào)壓有載分接開關(guān),主要由驅(qū)動(dòng)電機(jī)、蝸輪蝸桿、彈簧撥桿、曲柄、瞬轉(zhuǎn)撥盤、槽輪、位置指示盤、主彈簧、定觸頭、動(dòng)副觸頭以及動(dòng)主觸頭組成。
有載分接開關(guān)的主要參數(shù)如下:
1)最大額定通過電流350 A;
2)額定頻率50~60 Hz;
3)連接方式為三相Y接;
4)最大級電壓3 300 V;
5)額定級容量1 000 kVA;
6)電壓等級35 kV;
7)承受短路能力為熱穩(wěn)定(三秒)6 kA,動(dòng)穩(wěn)定(峰值)15 kA;
8)最高設(shè)備電壓40.5 kV;
9)工頻試驗(yàn)電壓(1 min)85 kV;
10)沖擊試驗(yàn)電壓(1.2/50)200 kV。
有載分接開關(guān)振動(dòng)檢測系統(tǒng)采用YD-37壓電式加速度傳感器以及GD201恒流源實(shí)現(xiàn)開關(guān)振動(dòng)信號的采集工作,振動(dòng)信號由安裝有PCI8192的數(shù)據(jù)采集卡計(jì)算機(jī)存儲和處理,有載分接開關(guān)機(jī)械振動(dòng)故障診斷系統(tǒng)原理如圖1所示。
圖1 有載分接開關(guān)故障診斷原理
輸入變量的數(shù)據(jù)來自于實(shí)驗(yàn)室環(huán)境下進(jìn)行的變壓器有載開關(guān)模擬實(shí)驗(yàn)。實(shí)驗(yàn)中,將開關(guān)放置于充滿油的油箱中,以模擬分接開關(guān)布置于變壓器油箱的實(shí)際工況。分別對開關(guān)進(jìn)行削短快速機(jī)構(gòu)彈簧2圈、擰松弧形板螺絲、擰松切換開關(guān)觸頭螺絲等操作來模擬主彈簧弱化、弧形板松動(dòng)、觸頭松動(dòng)等有載分接開關(guān)典型缺陷。
有載分接開關(guān)的狀態(tài)能夠通過振動(dòng)信號反映出來,因此選取振動(dòng)信號作為故障診斷模型的輸入變量,采用EEMD分解提取振動(dòng)特征的特征向量,保留IMF1—IMF6這六個(gè)IMF分量作為振動(dòng)信號的提取數(shù)據(jù)。
采用YD-37型加速度傳感器對有載分接開關(guān)切換操作過程中的機(jī)械振動(dòng)信號進(jìn)行采集。實(shí)驗(yàn)共得到216組特征向量,篩選出錯(cuò)誤及無效數(shù)據(jù),共提取196組振動(dòng)特征向量數(shù)據(jù)。抽取100組實(shí)驗(yàn)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù),其中正常、主彈簧弱化、弧形板松動(dòng)、觸頭松動(dòng)故障數(shù)據(jù)各25組。部分輸入變量見表1。
表1 部分訓(xùn)練數(shù)據(jù)
對于學(xué)習(xí)樣本,采取歸一化的方式進(jìn)行處理,基本原理如公式(3):
式中,為平均數(shù),xmax為最大值,xmin為最小值。
有載分接開關(guān)結(jié)構(gòu)相對復(fù)雜,故障類型也比較多,為驗(yàn)證BP神經(jīng)網(wǎng)路故障診斷模型的準(zhǔn)確性,選擇正常以及3種典型的開關(guān)故障作為輸出變量。由于研究的機(jī)械振動(dòng)類型總共有4種,因此本文的輸出變量有4個(gè),每個(gè)輸出變量是0—1之間的數(shù)字,分別對應(yīng)四種狀態(tài),訓(xùn)練過程的輸入輸出關(guān)系見表2。
表2 輸入輸出對應(yīng)表
鑒于輸入輸出變量,所建立BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為6-9-4(6個(gè)輸入層,9個(gè)隱藏層,4個(gè)輸出層),模型結(jié)構(gòu)如圖2所示。
圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
對100個(gè)樣本進(jìn)行訓(xùn)練,選取80個(gè)樣本作為訓(xùn)練集,分別選取10個(gè)樣本作為驗(yàn)證集與測試集。
使用Levenberg-Marquardt反向傳播來提高純誤差的反向傳播或最速下降相關(guān)的模型訓(xùn)練率,通過該算法保持了訓(xùn)練模型的準(zhǔn)確性。根據(jù)優(yōu)化后的的模型結(jié)構(gòu)、輸入?yún)?shù)和節(jié)點(diǎn)數(shù)對ANN模型進(jìn)行訓(xùn)練。訓(xùn)練和預(yù)測(估計(jì))的準(zhǔn)確性都用平均絕對誤差來評估。
從圖3的訓(xùn)練曲線中可以看出,所采用的BP神經(jīng)網(wǎng)絡(luò)模型在54步時(shí)達(dá)到收斂,具有很好的收斂性,因此說明BP網(wǎng)絡(luò)能夠很好的應(yīng)用于文章的故障診斷中。
模型回歸特性如圖4所示,圖中x為目標(biāo),y為輸出,圖(a)中y=0.94x+0.033,圖(b)中y=0.84x+0.096,圖(c)中y=0.85x+0.069,圖(d)中y=0.92x+0.044。模型經(jīng)過訓(xùn)練后,得到了較高的擬合準(zhǔn)確率,其中在訓(xùn)練過程中模型擬合準(zhǔn)確率為98.023%,在驗(yàn)證過程中模型擬合準(zhǔn)確率為97.626%,在測試過程中模型擬合準(zhǔn)確率為93.360%,在整體過程中,模型擬合準(zhǔn)確率為97.499%。因此,本模型的測試準(zhǔn)確率較高,輸出參數(shù)的預(yù)測值與參考值比較接近。
模型的誤差直方圖如圖5所示,從圖中可以看出,誤差分布遵循高斯分布規(guī)則,證明了訓(xùn)練數(shù)據(jù)的代表性。
圖5 誤差分布直方圖
為了驗(yàn)證訓(xùn)練模型的實(shí)用性,將訓(xùn)練好的模型應(yīng)用于3所變電站的有載分接開關(guān)故障診斷。3所變電站總共采集44組有載分接開關(guān)振動(dòng)信號數(shù)據(jù),利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障診斷,部分診斷結(jié)果見表3,準(zhǔn)確個(gè)數(shù)為39,準(zhǔn)確率為88.64%。
表3 診斷結(jié)果
有載分接開關(guān)是變壓器進(jìn)行有載調(diào)壓的核心部件,其機(jī)械狀態(tài)直接影響到有載調(diào)壓變壓器和電力系統(tǒng)的安全、可靠與穩(wěn)定運(yùn)行。針對有載分接開關(guān)的機(jī)械故障判別,得到如下結(jié)論:
1)總結(jié)了目前關(guān)于有載分接開關(guān)診斷方法的局限性以及非介入診斷方法的必要性。
2)提出以EEMD分解來處理分接開關(guān)振動(dòng)信號,保留IMF1—IMF6這六個(gè)IMF分量作為振動(dòng)信號的提取數(shù)據(jù)。
3)建立BP神經(jīng)網(wǎng)絡(luò)故障診斷模型,經(jīng)過模型的訓(xùn)練,發(fā)現(xiàn)模型具有很好的收斂性、準(zhǔn)確性以及代表性。將訓(xùn)練后的模型應(yīng)用于分接開關(guān)故障診斷,診斷準(zhǔn)確率高達(dá)88.64%,說明該方法能夠很好的應(yīng)用于分接開關(guān)狀態(tài)感知以及故障診斷中。