基于在線監測系統與聲振特征預測模型的高壓并聯電抗器運行狀態評估方法

高樹國 汲勝昌 孟令明 田 源 張玉焜

（1. 國網河北省電力有限公司電力科學研究院 石家莊 050021 2. 西安交通大學電力設備與電氣絕緣國家重點實驗室 西安 710049）

0 引言

高壓并聯電抗器（高抗）運行期間調節輸電線路的無功功率，對維持電壓具有重要的作用[1]。由于受到繞組電流產生的電磁力，磁通在鐵心餅表面產生的麥克斯韋力和磁致伸縮的影響[2-4]，電抗器存在顯著的振動與噪聲。在長期振動狀態下容易出現結構疲勞和緊固件松動，而油箱表面聲振特征與內部機械狀態存在緊密關聯，內部結構件松動后其振動形態發生了變化，可能導致箱體局部發生振動幅值波動或出現其他頻率分量，因此可以通過提取油箱表面的聲振信號對電抗器運行狀態進行評估[5-7]。

國內外大量研究表明，通過建立具有層次變化的特征向量與系統不同嚴重程度下缺陷之間的內在聯系，從而得以有效判斷缺陷類型和故障源區域。文獻[8]驗證了采用獲取變壓器聲學振動信號的方式評估鐵心和繞組狀況的方法。文獻[9]通過遠程監測變壓器狀態，從而將變壓器振動狀態與內部異常類型結合起來。

由于生產廠家或型號的不同，每臺高壓并聯電抗器在出廠時制造工藝并不完全相同，隨著電抗器投運時間的增加，不同時刻下的聲振信號也會發生不同程度的改變，因此運用傳統的聲振分析法時并不能避免不同時間維度下電抗器本身所處環境和運行工況所帶來的機械狀態影響。近年來，隨著人工智能的發展，深度學習作為一種深層神經網絡，逐漸成為監測電力設備運行狀態方面備受關注的數據處理方法[10-11]。深度學習模型擁有多個非線性映射層級，可以對輸入信號逐層抽象并提取特征，從而挖掘出更深層次的潛在規律[12-14]。同時隨著電力設備數據量上升以及特征復雜化，越來越多的學者將深度學習模型應用于電力設備故障檢測并取得了很好的效果[15-17]。具有記憶和遺忘功能的時間序列預測模型在國內外不同領域都得到了應用，這些應用結果證明了它不僅可以出色地捕獲數據的變化趨勢，而且可以表征時序數據的依賴關系[18-20]。電力設備聲振特征既可作為衡量其內部缺陷嚴重程度的指標，同時具有一定隨時序變化的特有屬性。因此針對每臺制造工藝不同、運行環境各異的高壓并聯電抗器，分別挖掘其聲振特征時序變化的運行狀態評估方法具有一定的自適應性和個性化。因此，本文試圖使用時間序列預測的方法獲取電抗器聲振特征的未來變化趨勢。

結合現場電力設備狀態監測和聲振特征預測的現實需求，本文開發了一套全天候、抗電磁干擾能力強、具有記錄穩態信號和暫態信號的電抗器聲學振動實時采集系統。針對某1 000kV變電站內特高壓并聯電抗器的聲振數據，提出了一種基于門控循環單元（Gated Recurrent Unit, GRU）網絡模型的聲振特征預測方法。該方法包含詳細的網絡結構設計以及實現網絡預測的功能等，結構上包括輸入層、隱藏層和輸出層三個網絡層，功能上可實現多通道信號的多特征參量預測。研究結果表明，本文采用的電抗器聲振信號在線監測系統能夠滿足變電站現場投入使用需求，GRU預測模型可有效捕捉并適應電抗器聲振特征的變化規律和波動趨勢，不僅避免了電抗器斷電檢修帶來的整體影響和經濟損失，同時在一定程度上為正常工況及缺陷下的電抗器運行狀態評估提供了參考。

1 1 000kV并聯電抗器聲振信號分析

1.1 聲振信號在線監測系統

電抗器聲振在線監測系統由壓電式振動加速度傳感器、聲學傳感器、信號傳輸線纜、信號采集裝置與電氣柜五部分組成，如圖1所示。采集裝置結合了振動信號采集通道和聲學信號采集通道，傳感 器參數見表1。

圖1 數據采集設備 Fig.1 Data acquisition equipment

表1 傳感器參數 Tab.1 Sensor parameters

微型監測裝置內部安裝了易于配置的采集卡，具備24位分辨率以及128kS/s采樣率，適合應用于數據采集和振動測量，能夠為機械設備提供24h振動監測，集成WiFi的模塊可將數據實時上傳至云平臺。在監測軟件的驅動下，監測裝置可以滿足不同的監測需求，對聲學振動信號進行定時采樣，各通道同步采集數據并處理分析，真正實現無人值守，必要時對異常狀態發出告警的目的，系統對現場高壓并聯電抗器監測時主要利用以下功能：①聲學振動信號采集、顯示、實時預處理、智能存儲；②提取頻譜成分，比較一段時間內頻率成分的變化；③觸發采集，通過設置閾值告警并捕捉異常狀態下的瞬態信號；④通過發送終端實時傳輸數據至云平臺；⑤歷史數據回調分析。

1.2 測點位置

電抗器內部結構振動傳播至油箱的路徑復雜，對于油箱四周的其中一個平面而言，平面中心部位的振動更多的是由液體傳播到達油箱表面，因此選擇平面中心為測點位置以便從振動信號中更大程度地提取到鐵心、繞組的振動特征；其次，振動通過箱體向外傳播的過程中，通過加強筋傳播的振動信號并不能準確反映箱體內部重要結構件的機械狀態，因此測點應避開加強筋；此外電抗器冷卻風扇和油泵的振動主頻是50Hz，同時包含倍頻諧波，容易對目標信號造成干擾，所以測點也應遠離冷卻系統。現場測點布置如圖2所示，兩個振動加速度傳感器分別 通過永磁體吸附于靠近繞組的油箱正面和靠近旁軛的側面，聲學傳感器由支架支撐放置于油箱正面，并與箱壁保持1m水平距離。

圖2 測點布置 Fig.2 Layout of measuring points

1.3 聲振信號特征分析

某一時刻電抗器油箱箱壁的振動信號和聲壓信號如圖3所示。通過對比通道1和通道2的振動信號可知，油箱正面測點的振動加速度更大，達到2g以上，這是因為通道1的振動加速度傳感器距離鐵心和繞組等振動源更近。聲學信號與其他任一測點的振動信號相似，兩者具有相同的頻譜特征，其主頻在電抗器正常運行狀態下均為100Hz，同時包含微量的偶次諧波。因此，聲學信號在一定程度上也可以作為電力設備的狀態評估依據。

圖3 測點布置各通道信號時域和頻域圖 Fig.3 Time domain diagram and frequency domain diagram of each channel signal

本文對比了某時刻下正常運行狀態和帶缺陷運行的兩臺高抗的聲振特征，經過后期拆箱檢查，后者電抗器的缺陷是由箱體內部結構件松動導致，兩種狀態下的聲振特征見表2和表3。其中奇偶次諧波比和50Hz比重是在線監測系統為了避免電抗器出現直流偏磁以及系統結構被強電磁干擾而提供的特征，一般情況下兩特征值接近于0。基頻幅值表示100Hz分量下的振動幅值和噪聲幅值，正常情況下該特征穩定于某正常區間內，大幅度的波動能有效反映電抗器異常的機械狀態；基頻比重表示100Hz分量占所有頻率分量的比重，機械缺陷導致的固有頻率轉移造成了除100Hz以外的其他頻譜分量幅值上升，從而基頻比重下降，其中奇偶次諧波比、50Hz比重和基頻比重的表達式分別為

式中，A為各頻率分量的幅值；A2為某頻率分量的能量。根據電抗器振動特性和以往的振動測量經驗，大于2 000Hz的頻率成分幾乎不存在，因此需要關注的頻率范圍處于2 000Hz以內。

表2 正常電抗器特征值 Tab.2 Characteristic value of normal rea ctor

表3 缺陷電抗器特征值 Tab.3 Characteristic value of defective reactor

由于兩臺高抗制造工藝有所偏差，因此比較兩者的基頻幅值意義不大，通常習慣于將一臺電抗器當前的振動基頻幅值與過去的水平相對比。正常狀態下的電抗器基頻比重達到90%以上，說明運行狀態良好的電抗器振動信號基頻分量遠遠大于其余頻譜分量，與理論基礎相符。然而缺陷狀態下的1、2通道基頻比重低于90%，通道2甚至低至35.3%，由此可見，該高抗靠近旁軛的區域出現較多的振動高頻分量。

為了更直觀地表現兩臺高抗的聲振特征變化，且避免單一時刻測量造成的偶然性，有必要對一段時間內兩者聲振基頻比重進行對比，以基頻比重為例，圖4表現了兩者信號的基頻比重在一段時間內的波動水平，缺陷狀態下高抗各通道的基頻比重數值水平與正常情況均有所降低。通過對兩臺電抗器的長期監測發現，奇偶次諧波比和50Hz比重的值極低，因此可判斷其直流偏磁和強電磁干擾的情況幾乎不存在。在此基礎上，松動缺陷狀態下的電抗器振動基頻比重相對更低，這是因為內部結構件松動到一定程度后其整體振動形態發生了變化，從而出現其他頻率分量。此外，靠近缺陷位置的通道表現出的特征值更加明顯，即該通道下的基頻比重下降的程度更多。

圖4 基頻比重對比 Fig.4 Comparision of fundamental frequency proportion

根據現場運行情況表明，本文所采用的電抗器聲學振動在線監測系統具有方便快捷、運行穩定的特點，既保證了全天候不間斷運行，又能實現聲學振動信號固定周期自動采集與數據實時在線傳輸的功能。由高壓并聯電抗器聲振特征分析可知，本文采用的在線監測系統一定程度上可對現場高壓并聯電抗器運行狀態作出直觀的初步評估，且由箱體振動形態變化產生的特征參量波動程度可作為高壓并聯電抗器運行狀態評估判據。

2 電抗器聲振特征預測模型

電抗器正常運行期間，箱體內結構件在長期振動效應下不可避免地持續發生狀態劣化，劣化程度是由長期效應累積的結果，因此電抗器的當前運行狀態并不完全取決于當前時刻設備的運行工況和運行環境，同時一定程度上受過去若干因素影響。因此本文選擇以循環神經網絡為基礎的時間序列預測模型對電抗器聲振特征序列進行預測，該網絡的輸出結果不僅依賴當前時刻的信息，很大程度上也受到之前信息的影響。隨著時序的推進，網絡權重參數依據當前信息以及之前信息不斷進行更新。縱觀時序上先后出現的信息，距離當前時刻越遙遠的信息對當前輸出的影響權重值越小。

2.1 理論基礎

高壓并聯電抗器正常運行期間，其聲振特征波動程度小，每一時刻體現出來的特征值存在連續性，由各時間節點可組成一條完整的時間序列。GRU和長短期記憶網絡（Long Short-Term Memory, LSTM）都是在循環神經網絡（Rerrent Neural Network, RNN）的基礎上進行改進的，三種網絡均能夠記憶之前的信息并應用于計算當前時刻信息[21-23]。

在時間序列訓練的過程中，兩種模型的存儲單元共接收三個輸入，其中包含當前時刻的輸入信息、長期記憶下的遺留信息及短期記憶下的遺留信息。各種門的開關狀態受到輸入層信息和前一時刻隱層信息的影響，從而決定應該記憶的信息和應該刪除的信息，存儲單元中的各權重值緩慢更新。

圖5所示為GRU存儲單元內部結構，其中包含的重置門和更新門的計算公式為

式中，t與t-1為序列中元素的先后順序；xt與ht-1分別為當前時刻輸入信息與上一時刻輸出信息；W為用于更新輸入的權重系數矩陣；U為用于更新上一時刻輸出的權重系數矩陣；b為偏置向量；下標z、r分別為更新門和重置門。重置門控制了短期記憶信息和遺忘信息，更新門對長期記憶信息進行篩選。為了增強網絡的非線性，兩個門的激活函數σ采用Sigmoid函數，在0~1之間取值，表示為

圖5 GRU結構 Fig.5 GRU structure

LSTM和GRU結構的微妙設計在于儲存單元中的門控可以選擇信息流向，解決了RNN梯度消失的問題。因此，鑒于LSTM和GRU在提取歷史信息以及解決序列數據的長期依賴性問題方面效果較好，所以本文采用兩種模型分別對電抗器聲振特征進行預測。

2.2 模型結構與參數

單步預測是時間序列預測模型的基礎，對于簡單研究模型來說，輸出未來下一時間節點的結果即可獲得理想效果。對于變電站電力設備的大量聲學振動數據，采用單步預測并不能現實且應用效率極低，因此本文的預測模型采用多步預測且最終可以得到未來一段時間內的預測結果。隨著預測步長的增大，模型對時間序列的特征規律越加難以提取，預測精度也隨之降低。

為了提高網絡學習能力和擬合度，通常將訓練集劃分為多組樣本，這是為了加強多組樣本之間的相關性。若以每天獲取到的數據量為預測單元，則應將分組滑動窗口長度設為480，由此每個窗口中可包含480個連續特征，滑動步長的長度為48。網絡訓練過程中每次迭代期間窗口都按照該滑動方式到達序列固定位置，末次迭代即得到預測結果，樣本分組及窗口結構如圖6所示。

圖6 樣本結構 Fig.6 Sample structure

隱層神經元個數設定對于網絡模型的學習能力有至關重要的作用，同時也盡可能地在訓練模型的過程中提取高維特征規律。節點數過少會導致模型難以提升學習能力，提取不到數據深層次的規律信息；節點數過多會導致訓練時間驟增，計算量過大，還會造成過擬合現象。因此，考慮到本預測模型的復雜度和數據量，確定隱層節點數為24個。

2.3 基礎數據集

為了綜合衡量電抗器運行狀態，數據序列由多個聲振特征組成，由于在線監測系統中聲振信號的基頻幅值與基頻比重對電抗器運行狀態監測的有效性，且以與頻譜分布有關的頻譜能量作為輔助，因此最終選擇基頻幅值、基頻比重和頻譜能量三種特征作為序列預測數據集的組成部分。頻譜能量表示各頻率所具有的能量之和，當固有頻率發生改變，油箱內部結構局部容易發生共振，從而頻譜能量出現大幅度波動，其表示方法為

利用三種聲振特征組成的三維時間序列作為網絡模型的訓練與預測對象，合理確定樣本數量對模型最終的預測結果具有重要影響，樣本數過大會造成計算時間驟增、收斂速度慢等問題；樣本數過小會導致數據特征規律提取不充分、預測精度不高等問題。基于電抗器實際運行狀態以及網絡模型結構類型，有必要對信號采集和數據劃分作出以下處理：

（1）設置監測系統對聲振信號采樣間隔為30min，進行全天候重復定時采樣，一天內每個通道獲取到48段時域波形。

改革開放40年，隨著社會主義市場經濟的確立和經濟的快速發展，今日之中國已成為世界第二大經濟體，與此相適應的社會變遷正在使轉型中的中國社會處于深刻變革之中。為適應新形勢下全面深化改革的需要，中共十八屆三中全會通過對以往創新社會管理實踐探索的理論提升，對創新社會治理、改進社會治理方式提出了新的要求。從創新管理到創新治理，意味著黨的治國理政方略在處理國家與社會之關系上的重大轉變，即由自上而下政府一元主導的社會管理向政府主導多元主體協同共建共治的系統治理的轉變。

（2）對數據進行篩選和預處理，去除趨勢項，以利于最終信號特征更大程度地反映電抗器的運行狀態，提高預測結果的準確性。

（3）采用滑動窗口的方式對數據序列進行樣本劃分，從樣本中劃分訓練集與測試集。

（4）針對多測點的監測平臺，分別構建各通道相應格式的數據樣本。

歷史波動趨勢如圖7所示。歷史數據中各特征參量存在一定程度的波動，但始終穩定于固定范圍內。可以看出，各特征參量具有較強的連續性，存在一定的時序規律，且某時刻的特征值是在上一時刻的基礎上結合當前運行工況與運行環境等多種因素共同決定的。

圖7 頻譜特征歷史數據 Fig.7 Spectrum characteristic history data

3 1 000kV電抗器狀態評估的實際應用與分析

以某1 000kV變電站中的油浸式并聯電抗器為研究對象，在線監測系統在數據采集階段對正常運行的高壓并聯電抗器箱壁表面垂直方向采集通道2的振動信號和通道1的聲學信號，并實時向云平臺傳輸數據，預測分析階段包括數據預處理，主要針對時域信號去除趨勢項、處理缺失數據。

3.1 網絡訓練

針對從存儲云端獲取的歷史數據，對其進行同步預處理和傅里葉變換，最終獲取3路通道信號中的基頻幅值、基頻比重和頻譜能量，共形成9條與聲振特征相關的時間序列。綜合考慮樣本數據量、數據形式和模型訓練強度等因素，將每步長下的訓練集時間序列長度確定為480，將測試集的時間序列長度確定為48，即每步長下采用10天的歷史數據預測未來1天的數據，由此可以完整地表現出電抗器未來24h內聲振特征的變化趨勢。

將9條聲振特征序列訓練集的輸入樣本和輸出樣本通過GRU預測模型構建對應關系，首先設置各權重矩陣中各權重因素的隨機初始值，其次網絡模型利用輸出序列與實測序列組成的損失函數表示訓練結果，本文采用的損失函數表達式為

式中，yi為預測序列中第i個值；為實測序列中第i個值。

網絡訓練過程中，多次迭代使得損失函數不斷降低，過程中各權重值逐漸向著最優解逼近。當損失函數低于0.001時迭代停止；否則網絡持續迭代1 000次。最終網絡模型輸出結果誤差精度達到最大化，各網絡層權重值達到最佳。

3.2 預測結果

圖8 振動通道預測結果 Fig.8 Prediction results of vibration channel

通道1表示油箱正面中心點的振動信號特征，該振動測點離鐵心和繞組最近，通過該測點獲取的振動信號包含了更多關于機械狀態有價值的信息，振動規律比其他測量點對應的振動信號規律性更強。通道2表示油箱側面的振動信號特征，該振動測點位置位于油箱側面的中心，通過該測點獲取的振動信號在傳輸過程中通過了更復雜的介質路徑，在主流振動信號中包含了一部分緊固夾件、拉桿等固體傳播介質的強迫振動，雖然在某特定時刻其預測值與實測值差異較為明顯，但總體預測曲線與實測曲線較為吻合。

圖9所示為GRU預測模型下噪聲信號的基頻幅值、基頻比重及頻譜能量的預測效果。與其他兩通道的振動特征預測效果相比，聲學特征的預測結 果和實測結果幾乎不存在明顯的局部差異。噪聲通過空氣傳播的過程中，噪聲信號中微弱的、非主要成分被衰減，從而傳聲器采集到與機械狀態密切相關的關鍵信息。

圖9 聲學通道預測結果 Fig.9 Prediction results of acoustic channel

在一定誤差范圍內，正常情況下的預測值與實際值的大小基本相等，這是因為預測模型在訓練期間能從歷史數據中掌握電抗器聲振特征趨勢變化的規律。在電抗器內部結構機械狀態良好的情況下，可以認為預測結果與實測結果持續保持高度吻合。

3.3 模型評估

為了衡量預測模型對電抗器聲振特征的預測性能，本文采用三種評估指標對其進行評估：平均絕對百分比誤差（MAPE）、平均絕對誤差（MAE）和方均根誤差（RMSE）。范圍均為[0,+∞)。MAPE通常以百分比的表示方式提供預測精度度量結果；MAE表示預測結果和實際數據之間的平均誤差；RMSE表示模型預測結果的標準差。三種評估標準值越小證明模型性能越好，預測精度越高。其表達式為

表4~表6分別為GRU預測模型針對三種聲振特征的預測精度評估情況。利用每一時刻的預測值和實際值可分別計算MAE、MAPE和RMSE的評估結果。與基頻幅值和基頻比重相比，頻譜能量在各通道下的MAE均為最大值，通道1達到0.215 0。頻譜能量的MAPE值均處于3%以上，其RMSE值最大達到0.264 3。這是由于頻譜能量對機械狀態的變化更為敏感，因此在可接受的誤差范圍內，頻譜能量可以作為首選的電抗器狀態評估的重要參考特征之一。

表4 基頻幅值預測效果評估 Tab.4 Effect evaluation of fundamental frequency amplitude prediction

表5 基頻比重預測效果評估 Tab.5 Effect evaluation of fundamental frequency proportion prediction

表6 頻譜能量預測效果評估 Tab.6 Effect evaluation of spectrum energy prediction

GRU和LSTM都具有時間序列記憶功能和遺忘機制，對改進遞歸神經網絡有重要作用。因此以同樣時間段下的聲振基頻幅值為例，本文在此引入相同結構參數下的LSTM模型與GRU模型進行對比，見表7。除了聲學信號通道下的MAPE值以外，GRU模型的預測評估值均略低于LSTM模型，說明針對本臺高壓并聯電抗器的聲振特征，GRU模型的預測精度稍高。此外，理論上GRU的結構比LSTM結構更為簡單。通過驗證，各信號通道下GRU模型的計算時間更短，相比LSTM模型平均可節約8min。

表7 GRU與LSTM模型評估對比 Tab.7 Comparison of GRU and LSTM models

由于振動通道與聲學通道存在一定差異性，因此兩者的評估指標閾值應當有所區分。采用基于在線監測系統和聲振特征預測模型對高壓并聯電抗器運行狀態評估時，振動通道的MAE、MAPE和RMSE的閾值可分別設定為0.8、3%和0.9，聲學通道的MAE、MAPE和RMSE的閾值可分別設定為0.1、0.1%和0.18。

3.4 缺陷狀態對應的模型輸出結果分析

本文采用的在線監測系統自2019年4月安裝完畢至2020年7月期間，硬件均無異常，數據采集和數據傳輸功能仍能正常實現。然而自2019年12月起，通過對比模型輸出結果與實際結果發現，無論是局部趨勢還是整體趨勢，聲振頻譜特征當前時刻的實測結果開始明顯偏離前一天的模型輸出結果。正常情況下預測模型根據歷史數據推演出下一個時間段內即將出現的聲振特征變化趨勢，即電抗器預期的理想運行狀態。然而當前時刻的聲振特征波動規律并不符合理想變化趨勢，因此電抗器油箱內部可能存在機械缺陷導致的結構件隨機振動，從而影響了箱壁原有的振動形態。以采集振動信號的通道1為例，圖10所示為某時間段下基頻幅值、基頻比重和頻譜能量的實測結果與模型輸出結果出現明顯偏差的對比。

圖10 缺陷狀態下特征對比結果 Fig.10 Characteristic comparison results under defect state

在同一時間段下，研究人員通過其他手段對本臺高抗進行故障檢測，診斷結果表明，油箱內部某 區域存在局部放電，且伴隨著間歇性異響。經過返廠檢修，發現非出線側X柱上磁分路靠近旁軛的夾件與主鐵心上夾件間接地線未連接，接線頭與上鐵軛拉螺桿墊圈接觸，拉螺桿墊圈及對應夾件和絕緣墊圈周圍有明顯放電痕跡，缺陷區域如圖11所示。

圖11 缺陷區域 Fig.11 Defect area

結合模型輸出結果分析可知，當模型輸出結果與實測結果之間的波動趨勢不再吻合，此時可能存在機械結構件松動狀態下的隨機振動對原本的振動形態造成的頻繁干擾，導致油箱內部機械結構件的振動偏離了自然趨勢和特征規律，而兩者偏離程度也恰好可以反映內部缺陷或故障的嚴重程度。

以基頻比重為例，電抗器正常狀態下和缺陷狀態下聲振特征參量模型輸出值與實測值的誤差對比見表8。由表8中對比結果可知，電抗器在缺陷狀態下其聲振特征的模型輸出結果與實測結果偏差明顯大于正常狀態，且三個通道的偏差都超過了規定閾值，由此驗證了通過衡量兩者偏差可達到電抗器運行狀態評估的效果。

表8 正常狀態與缺陷狀態下的評估結果對比 Tab.8 Comparison of evaluation results between normal state and defect state

4 結論

本文基于在線監測系統和時間序列預測模型提出一種電抗器運行狀態評估方法，該方法利用某變電站高壓并聯電抗器油箱表面振動信號和噪聲信號的歷史數據，通過時間序列預測的方式獲取了未來 24h 內的信號基頻幅值、基頻比重和頻譜能量三種特征參量，由此本文得到以下結論：

1）變電站現場投入使用的聲振在線監測系統可滿足實際復雜的運行要求和運行環境，長期帶電運行體現了該系統的穩定性。

2）通過在線監測系統持續運行，初步形成了以奇偶次諧波比、 50Hz 比重、基頻幅值與基頻比重為指標的缺陷診斷方法。

3）本文采用LSTM和GRU 預測模型對電抗器聲振特征進行預測，通過與真實測量值對比，預測結果的整體趨勢、波動程度均與實測數據接近吻合，同時模型輸出結果中特征參量的波動趨勢可為狀態評估提供參考。

4）利用本文方法對一臺接地線未連接的缺陷高抗聲振特征進行評估，結果表明，模型輸出結果與實測結果是否吻合，可說明電抗器當前振動特征波動是否存在規律性，可判斷箱體內部是否存在機械缺陷。

綜上所述，本文利用在線監測系統和時間序列預測模型對電抗器聲振特征進行對比分析的方法可以作為電抗器狀態評估的有效途徑，為現場運維人員提供及時、有效的參考價值，一定程度上可以提高現場電力設備運行的完備率。