吴武超
(国网福建省电力有限公司超高压分公司)
0 引言
超高压变电设备是能源传输和配电系统中的重要组成部分, 可对终端用户送电效果造成较大影响。由于长期运行和各种外部因素的影响, 超高压变电设备会存在各种故障。这些故障可能会导致供电中断、 设备损坏甚至发生安全事故。因此, 针对超高压变电设备故障的及时诊断和维修至关重要。传统的故障检测方法主要依靠人工巡检和定期设备检修, 但这种方法存在费时费力、 操作风险大以及无法实时监测等问题。为了解决这些问题, 研究人员积极探索新方法,以保证设备安全运行[1]。近年来, 随着多种高新技术的发展, 故障诊断领域出现了许多新的研究方法和技术手段。如通过采集超高压变电设备的实时状态数据, 并利用机器学习和数据挖掘等方法进行设备运行状态的监测及诊断, 以实现故障预警。此外, 还有一些研究致力于利用红外热成像、 超声波检测和电气特征提取等非接触性检测手段, 用于检测变电设备内部的潜在故障。这些新的方法不仅能够提高设备故障的检测率和准确度, 还可以降低人工巡检的工作量和安全风险。在该背景下, 本次开展基于线圈电流检测技术的超高压变电设备故障诊断方法研究。
1 线圈电流采集及预处理设计
变电设备主要由变压器、 断路器、 隔离开关等设备组成。分合闸指的是断路器的操作, 它是超高压变电设备中的一种关键设备, 主要用来切断故障电路或者执行计划维护、 检修工作, 可基于线圈电流检测实时监测和控制分合闸的情况, 以实现超高压变电设备的故障诊断[2]。本次采用开口式霍尔电流传感器完成设备分合闸线圈电流采集。在测量时, 将该传感器安装在绕组电磁磁体一端的进出线上, 并将所收集的信号经NBC 接口传送至数据采集卡[3]。传感器在进行电气信号测试时, 因工作装置的电磁干扰, 收集到的信号往往含有一些随机噪声, 在传递过程中还会受噪声的影响, 所以必须对其进行预处理, 以便进行后续的探测和分析。本次研究采用五点三次平滑法完成信号去噪。设采集的信号数据为Y-n,Y-n+1, …,Y-1,Y0,Y1, …,Yn-1,Yn其有2n+1个等距节点, 表示为X-n,X-n+1, …,X-1,X0,X1, …,Xn-1,Xn。设两节点间的距离为h, 将信号数据放在2n+1 个等距节点, 通过交换计算得到新的2n+1 个节点, 其为t-n,t-n+1, …,t-1,t0,t1, …,tn-1,tn, 其将其等效替换为-n,-n+1, …,-1, 0,1, …,n-1,n[4]。对于采集得到的初始信号, 利用m次多项式进行拟合, 设其拟合得到的多项式表示为:
式中,a0,a1,a2, …,am代表系数。对于式中待定 的 系 数 , 利 用 最 小 二 乘 法 进 行 求解, 令当ϕ(a0,a1,a2,…,am)最小时, 对上式进行各阶系数求偏导, 即可得到:
本次去噪式选取节点个数为5个, 即n=2, 拟合阶数为m=3, 同时令t=0,+1,-1,+2,-2, 则成立:
基于式 (3) ~式 (7), 完成信号去噪, 信号两端采用式 (3) 、 (4) 、 (6) 、 (7) 计算, 中间采用式 (5) 进行处理[5]。通过上述, 实现对超高压变电设备分合闸线圈电流的采集及预处理。
2 基于线圈电流的设备故障检测设计
2.1 线圈电流特征提取
在不同的变电设备中, 其分合闸线圈电流都会存在差别, 故需要对其线圈电流的全局特征进行提取,以便于后续故障诊断。本次选取信号均值、 标准差、偏度、 峭度四个全局特征完成线圈电流故障及正常运行特征的提取。
所谓均值可以反映分布的总体水平或集中趋势,而信号的稳定性可以反映在时间序列中[6], 其表达式如下:
式中,μ代表信号序列的均值;Xi代表预处理后的线圈电流信号样本;N代表样本容量[7]。
标准差主要是对待测样本的离散性或波动性进行评估, 其代表一组数据的观测结果和其平均值的偏离。标准差数值愈大, 说明待测样本的离散性越强;标准差数值愈越小, 说明其离散性越弱。信号序列的标准差计算式可表示为:
式中,σ为信号样本的标准差。
峭度是一种用来衡量数据分布形态陡峭程度的统计量, 其描述了数据分布的尖锐程度或尾部的厚度。在本文中, 峭度可对线圈信号样本集的离群值表示,其计算公式如下:
式中,δ为信号样本的峭度。
偏差是统计分布不对称的数值特征。对于分合闸线圈电流信号, 一般波头较短, 波尾较长, 当有故障时如铁芯卡涩, 可能导致波头变长而波尾变短, 此时波形的偏度系数也发生了变化, 所以偏度系数也可以用于在全局范围内反映故障和正常波形的区别, 其计算公式可表示为:
式中,ξ为信号样本的偏差。基于式 (8) ~ (11),完成线圈电流特征提取。
2.2 建立设备故障诊断模型
以上述提取的线圈电流特征为输入, 结合BP 神经网络完成设备故障诊断模型设计。BP 神经网络结构图如图1所示。
图1 BP神经网络结构图
如图1 所示, 该网络共分为三层, 其中输入层的神经元个数由设备故障特征维度来确定, 本次以上文提取的四个线圈电流特征量为输入, 故其PCA分量为4 个。输出层中主要以变电设备分合闸的8 个状态为基础设计, 其分别为正常运行220Ⅴ、 线圈过压240Ⅴ、线圈欠压200Ⅴ、 线圈欠压180Ⅴ、 线圈欠压160Ⅴ、 线圈老化50Ω、 线圈老化10Ω、 铁芯卡涩或卡死, 本次采用二进制对其进行表述, 则其输出层的神经元个数为3个, 其故障编码表如表1所示。
表1 故障类型编码表
网络中的隐含层是通过一系列的加权求和和激活函数的组合, 将输入层的数据转化为更高层次的特征表示。这些特征可以捕捉到输入数据中的非线性关系和复杂结构。本次采用Sigmoid 函数作为激活函数,可表示为:
基于该函数, 可将输入值映射到0 到1 之间的连续范围内, 可将其输出值看作是一个概率值。f(x) 值不能过大也不能过小, 否则会影响其在线监测效果,故本次研究采用改进遗传算法完成训练, 其步骤如下: 先随机生成一个初始种群, 然后用BP神经网络完成种群中每个个体的训练, 计算各个个体的适应值,表示为:
接下来, 保留适应度较大的个体, 以其为父代进行交叉、 变异。在交叉过程中, 选出的父代需要按照一定的交换规则完成基因交换, 从而生成下一代个体。此外, 对于部分新生成的个体, 还需要进行部分变异操作, 从而不断产生新的个体。最后, 需要判断其迭代是否达到提前设置的最大迭代次数, 如达到,则选择适应度最好的个体作为最优解; 如没有达到,则继续迭代。通过以上步骤, 完成最优解的获取, 将其代入BP 神经网络中完成训练, 以此来实现超高压变电设备故障诊断。
3 实验与结果
为验证所提方法的先进性, 开展实验研究。选取某超高压变电设备作为研究对象, 完成设备正常运行状态数据及异常运行状态数据的获取, 以此作为数据集开展分析。文中数据分析在一台操作系统为Windows 10 的笔记本电脑中完成。应用所提方法对正常运行状态和异常运行状态信号进行检测, 得到对比图像如图2所示。
图2 状态信号检测对比
如图2 所示, 正常运行状态信号较为平稳, 波形曲线相对平缓且变化较小, 频谱特征分布在较低的频段, 而异常运行状态信号则表现出较大的波动性, 波形曲线呈现明显的异常变化, 频谱特征主要分布在较高的频段。这种信号对比情况的扩充进一步说明了所提方法在超高压变电设备故障检测中的可行性。
以故障诊断准确率为评价指标, 文献[5]方法和文献[7]方法作为对比方法, 利用三种方法开展实验, 得到对比结果如图3所示。
图3 三种方法故障诊断准确率对比
如图3 所示, 利用所提方法进行变电设备诊断时, 其诊断准确率均高于94.8%, 而应用两种对比方法进行故障诊断准确率较低, 由此可证明, 应用所提方法故障诊断性能更高, 具有较好的应用价值。
4 结束语
随着电力系统规模的不断扩大和智能化水平的提高, 超高压变电设备的故障诊断和维护变得更加重要和复杂。为了满足现代电力系统对故障诊断的准确性和效率的要求, 本研究针对当前故障诊断方法存在的不足, 提出一种基于线圈电流检测技术的故障诊断方法。应用该方法进行故障诊断时, 能够有效提高电力系统的稳定性和可靠性, 减少设备故障对电力供应的影响, 为智能电网的建设和发展提供支持。尽管本文的工作取得了一定的成果, 但仍存在一些局限性, 未来还需要进一步考虑不同类型的故障对线圈电流的影响, 以提高模型的适应性和鲁棒性。