基于BP神經網絡的有載分接開關狀態感知及故障診斷研究

楊文強，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 濟南 250000；2.國網湖南省電力有限公司電力科學研究院，湖南長沙 410007)

0 引言

有載分接開關是有載調壓變壓器的核心部件，通過逐級動作來控制與其相連接的高壓側線圈進而實現有載調壓[1－2]。隨著人們對供電質量要求的不斷提高，有載分接開關得到了快速的發展與應用。然而，我國有載分接開關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達國家而言，有載分接開關的故障率更是超過40%，因此有載分接開關故障診斷具有重要意義。

目前，關于有載分接開關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，同時還可能會造成檢修過度引發開關的二次故障，因此，研究非介入式故障診斷技術已經成為有載分接開關故障診斷的主流趨勢[3]。本文所研究的機械振動信號診斷方法就能夠很好地滿足非介入的要求，此外，對于有載分接開關而言，其機械振動信號能夠有效地反應出開關的機械狀態，為開關的狀態識別以及故障診斷提供重要的數據來源。

近年來，國內外學者對于有載分接開關故障診斷進行了很多研究，其中，鄧文斌、鄧敏利用有載分接開關的聲學振動特性，對彈簧松動故障進行診斷[4－5]；楊森提出一種基于變分模態分解與Fisher－Score特征選擇的故障診斷方法，通過VMD分解、模態分析、特征選擇以及特征篩選與重構等步驟，進行振動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切換過程振動信號的遞歸圖紋理特征，建立卷積神經網絡故障診斷模型，對開關故障進行識別與診斷，該方法很好地應用于開關輕微故障的診斷中[7]；王豐華基于開關振動信號的混沌動力學特征，利用Bayes估計相空間融合與改進支持向量數據描述等方法，提高機械故障的識別精度[8]。

結合上述分析，有載分接開關非介入性檢測是未來檢測的主流趨勢，各學者也采用不同的手段對有載分接開關的非介入性檢測進行了研究，但Fisher－Score特征選擇、Bayes估計等手段計算量相對較大，診斷速度較慢，不利于工程應用。與此同時，學者們對于對有載分接開關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，這就意味著狀態診斷數據來源的可靠性、科學性的研究需要進一步的完善。鑒于此，本文提出一種基于BP神經網絡與EEMD分解的有載分接開關故障診斷方法，一方面利用BP神經網絡的優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械振動信號提取的可靠性。

1 模型與原理

1.1 BP神經網絡

BP神經網絡是一種用于數據分類或者數據預測的機器學習模型。神經元主要包括輸入層、隱藏層和輸出層，每個神經元都有一個激活函數，用來計算被“刺激”的神經元個數，在每一層，神經元集合都會對輸入參數進行一定的變換并將這些參數向下一層分布，本文關于BP神經網絡的基本原理參考張兵、宋尖、鄒治銳[9－11]等人的相關研究。

1.2 EEMD分解

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性，進而避免模態混疊。由于加入白噪聲具有零均值的特性，所以進行分解處理后，最后通過求平均而得到逼近的真實模態[12－13]。

利用EEMD分解方法來提取開關機械振動信號，具體步驟如下:

1)在開關原始振動信號xi(t)中多次加入均值為零并且幅值標準差為常數的高斯白噪聲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)進行分解，使其分為多個IMF分量ck j(t)以及余項rk(t)。其中ck j(t)為加入高斯白噪聲時使用EMD分解所得到的的第j個IMF分量。

3)經過1)、2)步驟，雖然能夠得到IMF分量，但是加入高斯白噪聲后，將會影響IMF分量之間的相關性，因此需要重復1)、2)步驟，以保證該影響最低。利用不相關隨機序列的統計均值為零的原理，將最終分解得到的K組IMF分量及余項的均值作為最終結果，即:

4)經過最終分解，得到IMF分量及其對應的余項，計算各分量與原始振動信號xi(t)的相關系數μj，并保留相關系數大于max(μj)/n的前p個IMF分量，作為有載分接開關的故障數據進行診斷，保留IMF1—IMF6這六個分量。

1.3 有載分接開關及測試設備

本文所研究的有載分接開關為CM305Y系列的油浸式CM型多級線性正反調壓有載分接開關，主要由驅動電機、蝸輪蝸桿、彈簧撥桿、曲柄、瞬轉撥盤、槽輪、位置指示盤、主彈簧、定觸頭、動副觸頭以及動主觸頭組成。

有載分接開關的主要參數如下:

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定(三秒)6 kA，動穩定(峰值)15 kA；

8)最高設備電壓40.5 kV；

9)工頻試驗電壓(1 min)85 kV；

10)沖擊試驗電壓(1.2/50)200 kV。

有載分接開關振動檢測系統采用YD－37壓電式加速度傳感器以及GD201恒流源實現開關振動信號的采集工作，振動信號由安裝有PCI8192的數據采集卡計算機存儲和處理，有載分接開關機械振動故障診斷系統原理如圖1所示。

圖1 有載分接開關故障診斷原理

2 故障診斷BP神經網絡模型的構建

2.1 輸入變量

輸入變量的數據來自于實驗室環境下進行的變壓器有載開關模擬實驗。實驗中，將開關放置于充滿油的油箱中，以模擬分接開關布置于變壓器油箱的實際工況。分別對開關進行削短快速機構彈簧2圈、擰松弧形板螺絲、擰松切換開關觸頭螺絲等操作來模擬主彈簧弱化、弧形板松動、觸頭松動等有載分接開關典型缺陷。

有載分接開關的狀態能夠通過振動信號反映出來，因此選取振動信號作為故障診斷模型的輸入變量，采用EEMD分解提取振動特征的特征向量，保留IMF1—IMF6這六個IMF分量作為振動信號的提取數據。

采用YD－37型加速度傳感器對有載分接開關切換操作過程中的機械振動信號進行采集。實驗共得到216組特征向量，篩選出錯誤及無效數據，共提取196組振動特征向量數據。抽取100組實驗數據作為BP神經網絡的訓練數據，其中正常、主彈簧弱化、弧形板松動、觸頭松動故障數據各25組。部分輸入變量見表1。

表1 部分訓練數據

2.2 數據歸一化

對于學習樣本，采取歸一化的方式進行處理，基本原理如公式(3):

式中，為平均數，xmax為最大值，xmin為最小值。

2.3 輸出變量

有載分接開關結構相對復雜，故障類型也比較多，為驗證BP神經網路故障診斷模型的準確性，選擇正常以及3種典型的開關故障作為輸出變量。由于研究的機械振動類型總共有4種，因此本文的輸出變量有4個，每個輸出變量是0—1之間的數字，分別對應四種狀態，訓練過程的輸入輸出關系見表2。

表2 輸入輸出對應表

2.4 模型訓練過程

鑒于輸入輸出變量，所建立BP神經網絡模型結構為6－9－4(6個輸入層，9個隱藏層，4個輸出層)，模型結構如圖2所示。

圖2 神經網絡結構

對100個樣本進行訓練，選取80個樣本作為訓練集，分別選取10個樣本作為驗證集與測試集。

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的模型訓練率，通過該算法保持了訓練模型的準確性。根據優化后的的模型結構、輸入參數和節點數對ANN模型進行訓練。訓練和預測(估計)的準確性都用平均絕對誤差來評估。

從圖3的訓練曲線中可以看出，所采用的BP神經網絡模型在54步時達到收斂，具有很好的收斂性，因此說明BP網絡能夠很好的應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，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。模型經過訓練后，得到了較高的擬合準確率，其中在訓練過程中模型擬合準確率為98.023%，在驗證過程中模型擬合準確率為97.626%，在測試過程中模型擬合準確率為93.360%，在整體過程中，模型擬合準確率為97.499%。因此，本模型的測試準確率較高，輸出參數的預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則，證明了訓練數據的代表性。

圖5 誤差分布直方圖

3 基于BP神經網絡故障診斷模型的應用

為了驗證訓練模型的實用性，將訓練好的模型應用于3所變電站的有載分接開關故障診斷。3所變電站總共采集44組有載分接開關振動信號數據，利用訓練好的BP神經網絡模型進行故障診斷，部分診斷結果見表3，準確個數為39，準確率為88.64%。

表3 診斷結果

4 結語

有載分接開關是變壓器進行有載調壓的核心部件，其機械狀態直接影響到有載調壓變壓器和電力系統的安全、可靠與穩定運行。針對有載分接開關的機械故障判別，得到如下結論:

1)總結了目前關于有載分接開關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振動信號，保留IMF1—IMF6這六個IMF分量作為振動信號的提取數據。

3)建立BP神經網絡故障診斷模型，經過模型的訓練，發現模型具有很好的收斂性、準確性以及代表性。將訓練后的模型應用于分接開關故障診斷，診斷準確率高達88.64%，說明該方法能夠很好的應用于分接開關狀態感知以及故障診斷中。