基于ITD-ELM的变压器绕组微弱匝间短路故障诊断

刘洪兵,肖永立,邱 收,贺鹏康,房 权

(1.国网北京市电力公司检修分公司,北京 100075;2.北京中泰华电科技有限公司,北京 102206;3.国网甘肃省电力公司兰州供电公司,甘肃兰州 730070)

“十四五”期间,随着“碳达峰、碳中和”战略目标的提出,清洁能源的主导地位日益突出,电力变压器作为清洁电力能源的重要组成部分,其安全稳定运行对于国民经济发展有着重要的意义[1-2]。

近年来,由于变压器服役年限较长,并且长期处于满载状态,存在绝缘老化、零器件松动等各种故障隐患。现有研究表明,全国范围内电力变压器发生故障事件率居高不下,并且与年份呈现出正相关性,其中,变压器绕组故障为主要故障[3]。由于其初期故障不明显,电力变压器通常可以带病运行[4],出现绕组匝间短路故障后若不及时处理,将会演变为重大事故,轻则引起局部地区断电,严重时出现变压器爆炸、火灾等无法挽回的重大事故[5]。因此,对于变压器发生微弱匝间短路故障的检测显得十分必要。

针对电力变压器最常见的匝间短路故障,唐治平等[6]提出了一种基于重复脉冲法的变压器绕组匝间短路故障诊断方法,其主要思想是给变压器绕组的进线端加低压脉冲信号,从出线端采集返回信号作为故障诊断的特征量,通过对比返回信号的响应特性曲线与正常状态的响应曲线来判断变压器绕组中是否存在匝间短路故障,但此方法操作过程繁琐。汲胜昌等[7-8]最早提出利用变压器的振动信号分析其是否发生匝间短路故障,但变压器通常工作在稳定状态下,其振动幅值较小,对某些微弱匝间短路故障并不能进行有效地诊断。由于变压器未发生故障时的声音规律性较强,当发生故障后,其声音特征也会随之改变,因此利用可听声识别技术进行变压器故障诊断已成为当下研究热点[9-10]。随着神经网络算法的迅速发展,众多学者提出将神经网络算法应用到变压器故障诊断当中。李恩文等[11]提出了一种基于支持向量机(support vector machine,SVM) 合成少数类过采样(synthetic minority over-sampling technique,SMOTE)算法的变压器故障诊断方案,有效避免了SMOTE数据分布边缘化以及Near Miss丢失大量样本特征等问题,该算法可以取得更好的故障诊断效果,但是其经济性较低。高骏等[12]、张卫华等[13]、梁永亮等[14]提出通过人工神经网络算法将变压器故障后的特征量进行故障分类,来判断变压器是否发生匝间短路故障,但对微弱匝间短路故障的诊断精度有待提高。极限学习机(extreme learning machine,ELM)是一种单隐含层前馈神经网络,由于其学习速度快、泛化性高等优点,在众多算法中脱颖而出。目前,国内外学者已将其引用到模型预测与故障识别等领域中[15-16]。

现有变压器微弱匝间短路故障的诊断精度较低,操作复杂繁琐,为此本文提出了一种基于本征时间尺度分解与极限学习机(intrinsic time-scale decomposition and extreme learning machine, ITD-ELM)的变压器绕组微弱匝间短路故障诊断方案,构建了诊断模型,并以一台110 V变压器搭建实验模拟平台,采集变压器的可听声数据为样本,对其微弱匝间短路故障进行训练并诊断,验证了本文所提变压器绕组微弱匝间短路故障诊断方法的可行性与有效性。

1 ITD-ELM模型的构建

1.1 原始信号的分解与重构

由于传感器以及外界环境的多变性,导致原始采样数据具有随机性、非线性、含复杂的调制成分等缺陷。采用ITD算法将原始可听声信号分解,分解出多个不同峭度值的固有旋转(proper rotation,PR)分量信号,使电力变压器微弱匝间短路故障的可听声突变信息显现出来,并根据峭度原则将分解后的可听声信号进行筛选,选择峭度较大的信号进行相加,得到信息特征更大的重构信号。重构后的可听声信号可有效地凸显出原始信号的局部特征,弥补采样信号的原始缺陷,常用来分析调幅-调频信号[17]。

1.1.1 原始信号的ITD分解

对某原始数据集Xt=[x1,x2,…,xn],采用ITD算法进行一次分解,其分解结果如式(1)所示:

Xt=LXt+(1-L)Xt=Lt+Ht,

(1)

式中:L为基线提取因子;Ht为PR分量,Ht=(1-L)Xt;Lt为基线分量,Lt=LXt。

采用ITD算法对原始采样信号分解的具体步骤如下。

1)选择原始采样数据集Xt的极值Xk与对应的时刻τk,k为极值的个数。数据基线的提取因子L如式(2)、式(3)所示:

(2)

(1-λ)Xk+1,

(3)

式中:t∈(τk,τk+1);λ为固有PR分量幅度的增益控制参数,且0<λ<1,本文取0.5。

2)联立式(1)—式(3)求得PR分量Ht,如式(4)所示:

Ht=(1-L)Xt=Xt-Lt。

(4)

3)将步骤1)与步骤2)计算所得到的基线分量Lt假设为原始采样数据,重复上述步骤,将采样数据多次分解,直到基线分量Lt变成一个单调信号时,则停止分解,运算过程如式(5)所示:

(5)

1.1.2 分量信号的重构

将采集到的可听声信号经过ITD算法分解后得到大量时域分量数据,由于峭度对前期机械故障的微小变化非常敏感,并且峭度值越大的分量信号包含越丰富的故障特征信息[18],可用其分析电力变压器故障前后可听声数据中冲击成分的含量,如式(6)、式(7)所示:

(6)

(7)

式中:K为峭度;Xrms为离散化均方根值;N为采样个数;x(i) 为离散化后时域分量信号。

本文将峭度准则作为敏感PR分量的基准,选择峭度较大的信号进行相加,得到信息特征更大的重构信号。重构后的可听声信号可有效地凸显出原始信号的局部特征。

1.2 ELM故障诊断模型

极限学习机是一种典型的单隐含层前馈神经网络(single-hidden layer feed forward neural network, SLFN),具有学习能力强、调整参数个数少、分类准确度高、能快速获得全局最优解等优点,被应用到各种类型的故障分类与诊断,其拓扑结构如图1所示。

图1 单隐含层前馈神经网络结构Fig.1 SLFN architecture

由图1可看出,ELM由输入层、隐含层和输出层构成,设每个层级分别包含n,l,m个神经元,αij为输入层第i个神经元与隐含层第j个神经元之间的连接权值;βjk为隐含层第j个神经元与输出层第k个神经元之间的连接权值。

输入层与隐含层之间的连接权值α如式(8)所示:

(8)

隐含层与输入层之间的连接权值β如式(9)所示:

(9)

隐含层神经元的阈值η如式(10)所示:

η=[η1η2…ηl]T。

(10)

若训练集有P个样本,则其输入矩阵E和输出矩阵O分别如式(11)、式(12)所示:

(11)

(12)

设隐含层激活函数为G(x),则神经网络输出侧T如式(13)所示:

T=[t1t2…tj…tP],

(13)

其中,tj如式(14)所示:

(14)

式中:i=1,2,…,l;j=1,2,…,Q;αi=[αi1αi2…αin];ej=[e1je2j…enj]T。

式(14)则可表示为式(15):

Mβ=TT,

(15)

将式(15)可展开为式(16):

M(α1,α2,…,αl,η1,η2,…,ηl,e1,e2,…,eQ)=

(16)

式中:M为模型的隐含层输出矩阵。

1.3 ITD-ELM故障诊断模型

1.3.1 输入、输出层的选取

在实际运行过程中变电站周围除了变压器本身产生的声音,还有多种干扰声音的存在,为了加强本文所提故障诊断模型的抗干扰能力,将采集到的多种声音作为ITD-ELM模型的输入层,输出层为变压器正常状态、匝间短路故障状态、干扰声状态,则模型的输入层神经元的个数为n=9,输出层神经元的个数为m=3。文献[19]—文献[20]研究表明,变压器正常可听声、故障可听声、干扰可听声在声幅、频段、特征谐波等方面有本质上的区别,因此可以作为ITD-ELM模型的输入层进行变压器故障诊断。

1.3.2 故障诊断模型

本文所搭建的基于ITD-ELM的电力变压器微弱匝间短路故障诊断模型计算流程如图2所示。具体步骤如下。

图2 电力变压器ITD-ELM模型计算流程图Fig.2 Calculation flow chart of power transformer ITD-ELM model

1)输入层数据的采集 采集电力变压器的变压器正常声音、变压器匝间短路故障声音、风声、脚步声、鸟叫声、汽车声、驱鸟器声、人声、机械故障声数据作为输入层。

2)数据的预处理与划分 使用ITD算法将采集到的电力变压器可听声数据进行分解、重构,将得到的新数据集进行划分,划分为训练集和测试集。

3)ITD-ELM创建和测试 选取9个可听声数据作为ITD-ELM故障诊断模型的输入层,故障诊断结果作为模型的输出层。采用Kolmogorov定理确定模型隐含层神经元个数,选择Sigmoid为激活函数类型,将划分后的数据集进行训练和测试,构建出基于ITD-ELM的电力变压器绕组匝间短路故障诊断模型。

2 试验结果及分析

2.1 试验平台的搭建

电力变压器作为关键的电力设备,通常处于正常状态,且对现场运行变压器做破坏性故障试验成本较高,难以实现。因此,本文基于110 V变压器搭建了模拟实验平台,其外壳采用与现场运行110 V变压器的相同金属材料,在外壳厚度、外壳形状等方面还原了实际现场运行的油箱,最大程度地还原现场运行变压器可听声传递媒介。在该实验变压器平台的绕组中间部位破坏2匝绕组的绝缘材料,并用导线将其连接以模拟电力变压器内部的匝间短路故障,如图3 a)所示。通过向变压器内线圈通50 Hz交流电的方法,使放在其内部不同位置的金属小部件与线圈相互撞击来模拟实际变压器内部可能产生的机械故障声音。采用电容式传声器作为采集数据的传感器,其信噪比为100 dB,采样频率为48 kHz,频率响应范围为20 Hz～20 kHz,最大声压级为120 dB,达到了录制电力变压器可听声的基本要求,传声器安装至距离油箱壳外部5 cm处,如图3 b)所示。为了确保实验过程当中的人员安全问题,设置变压器匝间短路故障时只能离线操作,并且整个实验过程中实验人员必须佩戴绝缘手套,在实验室铺一层绝缘垫防止人员误操作出现触电事故。

图3 实验现场图

为了增强故障诊断模型对外界环境的抗干扰能力,采集实际运行变电站周围的风声、脚步声、鸟叫声、汽车声、驱鸟器声、人声、机械故障声构成数据样本集。将采集到的可听声数据截取120 400组作为ITD-ELM模型预测数据集,其中,30 000组数据作为变压器未发生匝间短路故障时的训练集,30 000组数据作为变压器发生匝间短路故障时的训练集,30 000组数据作为外界干扰声的训练集,30 000组数据作为机械故障的训练集,选取400组不同运行状态数据作为测试集,其中正常、匝间短路故障、外部可听声干扰和机械故障4种运行数据分别取100组。

2.2 试验结果分析

以变压器本体匝间短路故障后可听声数据为例,采用ITD将其分解,得到如图4 a)所示的3个PR分量,表1所示为前4个峭度值计算结果,选取峭度值较大的前3个PR信号进行重构得到图4 b)所示的重构信号。

将重构后的可听声信号作为ITD-ELM模型的输入层,运行状态为输出层,按照图2所展示的故障模型对变压器可听声信号进行训练与测试,将选取的400组不同运行状态数据作为测试集,将数据随机打乱,作为未知状态量输入模型中,得到每份验证集的识别结果,并将结果与真实标签进行对比,绘制混淆矩阵如图5 a)所示。

注:坐标轴上的数字1,2,3,4分别表示正常、匝间短路故障、外部可听声干扰和机械故障4种运行状态;混淆矩阵当中的数字表示预测状态结果的准确率。

由图5 a)可见,采用ITD-ELM算法的故障诊断结果准确率达到了98%,故障诊断错误个数仅为2个,诊断精度较高。为了凸显本文所提ITD-ELM模型对变压器微弱匝间短路故障的诊断效果,将采集到的可听声数据用传统的ELM模型进行测试与训练,结果如图5 b)所示。没有进行信号分解与重构的ELM神经网络对于变压器微弱匝间短路故障诊断结果为95%,故障诊断错误个数为5个。由此可见,采用ITD-ELM算法的故障诊断精度较传统ELM神经网络故障诊断模型提高了3%,证明本文所提出的基于ITD-ELM电力变压器微弱匝间短路故障诊断模型诊断准确率较高。

此外,为了提高模型训练速度,选取最优隐含层个数,以Sigmoid函数为ITD-ELM的激活函数,根据图6所示的诊断结果准确率可知,当隐含层神经元个数l为150时,诊断结果准确率达到最高且随神经元个数的增加趋于稳定,而整个模型的训练时间周期内随着l的增加不断提升。因此,本文选取的隐含层个数l为150。

图6 隐含层神经元个数对诊断结果准确率的影响Fig.6 Influence of the number of neurons in hidden layer on accuracy of diagnostic results

3 结 语

本文以变压器运行过程中的正常声音、匝间短路后的故障声音和干扰可听声数据作为模型的输入层,以分类结果作为模型的输出层,构建出一种基于ITD-ELM的变压器匝间短路故障诊断模型,并搭建了一台110 V变压器故障试验平台进行验证,研究结论如下。

传统ELM模型对于变压器微弱匝间短路故障诊断结果为的准确率95%;基于ITD-ELM模型的故障诊断方法对微弱匝间短路故障的诊断结果较传统的ELM故障诊断模型准确率提高了3%,准确率为98%。

本文所提出的匝间短路故障诊断方案在采集可听声信号时无需在变压器内部或油箱外部安装额外传感装置,并且不会破坏变压器内部结构,传声器安装简单方便,支持变压器在线故障诊断,不影响设备正常运行。该故障检测方法的提出对现场运行电力变压器的绕组微弱匝间短路故障诊断具有一定的指导意义,对延长变压器的使用寿命有积极作用,但其只是在实验室搭建了变压器模拟故障平台进行实验,下一步将采集现场实际运行变压器匝间短路故障数据用于模型训练,以提高模型诊断精度。