基于分布式傳感數據的電抗器故障智能感知

佳木斯電機股份有限公司哈爾濱技術研發分公司 宮 洵 哈爾濱電氣國際工程有限責任公司 關 悅

麥肯食品（哈爾濱）有限公司 陳 陽

干式空心電抗器由于其結構簡單，自投入使用后一直被認為是免維護設備，其運維技術的發展一直處于滯后狀態。由于檢修技術處于初級階段，主要是人力定期檢修。隨著電網規模的擴大和智能化水平的提升，定期檢修模式暴露出越來越多的問題：資源浪費嚴重、檢修標準具有較強的主觀性以及影響電網運行等，因此該模式已不能滿足電網和電力設備的管理要求。

1 故障感知的分層模型及數據

1.1 分層模型思路

對于運行在電力系統中的電抗器而言，需對電抗器的運行狀態和故障類型進行實時監測，可使用一個特定的模型進行判斷。當電抗器存在故障并通過模型判斷出電抗器的故障類型后進一步使用特定的故障位置識別模型對故障位置進行識別。

本文提出一種基于CNN的分層診斷模型，連續識別電抗器的運行狀態、故障類別以及故障位置。分層診斷模型由兩層CNN級聯組成，第一層用于識別電抗器的運行狀態及故障類型，以準確識別電抗器的故障。第一層輸出結果用于第二層故障位置識別模型的選擇，進一步對電抗器該故障類型下的故障位置進行判斷。基于CNN的分層診斷模型具有較強的靈活性和可移植性，該分層模型最大限度的實現了模型內部參數的解耦，可根據具體的需求將其重新配置以實現設備的故障診斷，避免了內部參數高度耦合造成的模型準確率降低的問題，且該分層模型的方法可應用于其余電氣設備的故障診斷中，這種靈活性打破了傳統故障診斷方法的局限性[1]。

1.2 分布式數據

本文使用的電抗器故障數據是通過MATLAB軟件進行數值仿真計算得到的準穩態故障數據、是非時序數據，實際電力系統中通過分布式傳感器測量得到的是一系列時序分布式數據。在考慮理想情況下各傳感器性能上沒有太大的偏差，特別是對于各電氣量的測量時沒有相位誤差，即所有傳感器幾乎在同一時間點對電氣數據進行測量。由此可將MATLAB軟件計算得到的準穩態故障數據轉化為時序數據，時序數據所使用的采樣頻率為1000Hz，即一個工頻周期的采樣數為20個點。

2 基于卷積神經網絡實現電抗器故障識別模型

2.1 卷積層描述

本文主要通過CNN模型實現對電抗器故障的識別。為表現CNN模型在數據特征提取上的優越性，CNN的卷積核使用無數據特征的“空核”，在CNN分類器訓練的過程中前饋不斷更新該卷積核，使其卷積核具有電抗器不同故障類型數據、某種故障類型下不同故障位置數據的主要特征。模型的分類器在電抗器未發生故障時則輸出“無故障”，而電抗器發生故障時則可輸出電抗器的故障類型、故障位置。CNN模型通常包括卷積層、池化層和全鏈接分類器，由于卷積層和池化層不參與分類器的訓練，因此在一定程度上可將卷積層和池化層看作電抗器故障數據的特征提取器，把數據特征進行分類識別的是帶有Softmax激活函數的全鏈接層，可將其看作分類器[2]。

對于分布式電流數據，使用卷積核在信號進行卷積運算并得到故障數據的卷積特征表示。每個卷積核是一個尺寸為的矩陣，當進行卷積操作時，卷積核沿著數據熱圖的時間維度平行移動，和預期重合部分的信號進行點積運算，得到該時間步上對應三個線圈支路的數據特征，卷積核移動的步長記為，當卷積核移動到右端頂邊時下跳一格重復此操作。設置卷積核的填充數為個單位、尺寸為的電抗器運行數據，通過卷積核的卷積計算得到的特征張量（圖像）尺寸：Qc=(Ic-Dc+Lc)/ls。

需注意的是，在CNN進行訓練過程中，由于卷積核進行了歸一化操作，此處與卷積核發生點積運算的信號塊也進行該操作，這樣能更好地提取數據信號的故障特征。卷積操作時的卷積層有k個卷積核，每個信號熱圖（電抗器運行數據）可相應得到k個特征表示矩陣，由于該數據熱圖的尺寸小，因此該卷積操作的計算量是極小的，整個卷積計算的時間自然也就很短。

2.2 模型構建的參數設置

整個基于卷積神經網絡的電抗器故障識別模型內有三個子模型，分別是故障類型診斷模型（模型A）、匝間短路故障位置判斷模型（模型B1）、單匝斷路故障位置判斷模型（模型B2），三個子模型的思路及構建方法一致，其內部參數會因為分類標簽、分類個數的不同而存在一定的差異。

CNN：定義一次完整的卷積學習為輸入數據依次經過卷積層、激活函數、池化層，卷積學習的輸出為單次卷積學習的特征。本節所采用的CNN模型結構如圖1，使用卷積對提取特征的操作進行三次卷積學習過程。第一次卷積學習過程的輸入為40×41的二維熱圖，使用的卷積核的尺寸大小為3×3，卷積核個數為8個，卷積學習得到的特征使用激活函數進行激活，池化層所使用的池化尺寸為2×2，因此，該次卷機學習過程輸出的結果為20×20×8的特征表示。第二次和第三卷積學習過程卷積核尺寸仍為3×3，但其卷積輸出分別設置為16和32，經過函數激活，尺寸為2×2的池化層進行池化后，最終得到5×5×32的特征表示。

圖1 故障類型識別模型的訓練表現

Softmax分類器：由于故障數據CNN卷積學習后得到32個特征表示，且每個池化后的卷積特征表示的尺寸為5×5，將其展開后長度為25，因此Softmax分類器的輸入大小設置為800，權重衰減參數Si為0.0001。對于模型A，Softmax激活函數的輸出為一個長度為3的向量，對應為該數據為何種故障種類的概率表現；對于模型B1和B2，Softmax激活函數的輸出為一個長度為41的向量，對應為該數據為對應故障概率位置。

2.3 模型訓練及其表現

模型的訓練過程中涉及到對訓練參數的調節，對參數設置及調整策略將對模型的訓練效果造成直接的影響。梯度下降是針對單個參數進行優化最常用的方法，其基本思路是沿著梯度下降速度最大的方向進行探索，在其基礎上衍生出了隨機梯度下降算法，解決了梯度下降易陷入局部最優值無法“逃出”的問題，并加快了算法的訓練速度，但這一類算法都無法實現對大規模樣本的復雜模型進行訓練。Adam（Adaptive Moment Estimation）算法是一種計算梯度的一階與二階矩估計改良神經網絡訓練過程中參數的方法，集中了適應性梯度與均方根傳播算法的優點，能自動選擇參數的學習率來改善梯度的稀疏水平，同時能較好的處理非穩態在線的問題[3]。

另外，學習率較大時可使得模型的訓練速度更快，但易造成不收斂的情況；學習率較小不僅使得訓練速度變慢，還易進入局部最優解。因此，對于學習率的設置采用了學習率衰減的方法來加快模型訓練，隨著訓練的不斷深入，學習率不斷衰減使模型的訓練更優化。本文采用的學習率衰減策略為每隔一定的訓練代數，學習率減小一個數量級。

對于故障類型識別模型的訓練，設置學習率（LR）為0.01，訓練代數（Epoch）設置為10，批量大?。˙atch size）設置為64，學習率衰減步數為2個訓練代，衰減率為0.1時其訓練結果如圖1所示。模型在第一代訓練的初始準確率不到80%，經過4代的訓練，訓練準確率和測試準確率均到達了100%，且訓練損失函數在第7代訓練后低至0.0027。測試集準確率對于訓練集準確率具有很好的跟隨性且一直保持一致，不存在測試集準確率低于訓練集準確率的情況，因此對于故障類型識別模型不存在過擬合現象。

同樣地，對于短路故障位置識別模型訓練參數的設置與故障類型識別模型的參數一致（LR為0.01、Epoch為10、Batch size為64、衰減步數為2、衰減率為0.1），訓練結果如圖2。模型的訓練初始準確率為85.67%，經過4代訓練，訓練準確率和測試準確率也達到了100%，兩者也保持了非常好的跟隨性，不存在過擬合現象。

圖2 短路故障位置識別模型的訓練表現

斷路故障位置識別模型的訓練參數的設置與調整與前兩者不一樣，其初始學習率為0.01，訓練代數為20、批量大小設置為64、學習率衰減步數設置為5、衰減率為0.1。訓練結果如圖4，模型的訓練初始準確率只有2.47%，經過11代的訓練，訓練結果到達100%，模型初始損失函數值也高達3.7，最終降至0.06。同樣地，斷路故障位置識別模型也不存在過擬合現象，訓練準確率和測試準確率一直保持一樣。

圖3 斷路故障位置識別模型的訓練表現

圖4 模型在在線監測場景下的故障類型識別結果

將三個模型按照CNN的結構連接，使用測試集對整個故障診斷系統進行測試，當系統對測試集某一條數據進行判斷，其正確率的表示如下式，含義為只有當故障類型和故障位置均識別正確時才視其結果為正確，否則視為對該數據的識別錯誤。在仿真得到的分布式數據中再隨機抽取20%的數據作為試驗集，對訓練的到的模型進行驗證。模型的識別準確率達到100%，驗證了通過模型分層的故障識別方法的有效性。

3 電抗器故障智能辨識方法在線監測上的表現

在上述研究中，用于學習特征和訓練分類器的波形信號段對應的是相同的時間范圍（即使用的訓練數據都是以故障發生時間作為起點）。但在實際應用過程中，模型的輸入量包含了非故障數據和故障數據的模糊區域，模糊區域可能會使得模型對故障的判斷出現誤判或漏判的情況。鑒于此，在本節使用不同時間范圍內的數據形成訓練集，另外由于電抗器在發生故障后幾乎沒有暫態過程、直接進入故障準穩態，故障波形在模糊區域是逐步出現，在故障發生的早期模型無法準確的提取處故障特征進行故障識別。因此本節探究非故障和故障混合的數據中故障時長占整個時間窗口的比例對故障識別模型的影響。

利用ANSYS Maxwell仿真軟件對電抗器的故障進行仿真，得到含有電抗器故障暫態過程的分布式電流數據，最終通過遍歷不同的參數取值可得到5043條數據樣本，包含2952條短路故障和2091條斷路故障的暫態過程數據，暫態過程數據包括三個工頻周期的正常運行數據和兩個工頻周期的故障后準穩態數據。每條數據的采樣頻率為1000Hz，時間窗口長度為100。在數據劃分時，選取的訓練窗口長度為40（兩個工頻周期），設定非故障和故障混合的數據中故障時長占訓練窗口時長比例大于P定義為“有故障”，小于P定義為“無故障”。

具體而言，含有80個點的暫態過程數據，故障開始點為第40個點（對應時間為t，單位ms），則第零點時間為t-40，第80點的時間為t+40，當故障時長占訓練時間窗口比例P設為20%時，兩個工頻周期數據中，故障數據時長8ms，正常數據時長32ms，即窗口時間可表示為[t-32，t+8]。起始時間低于t-32的窗口數據均為“無故障”，起始時間晚于t-32的窗口數據為“有故障”。由此可得到302580條數據。隨機將80%的數據分入訓練數據集(242064個樣本)，剩余的20%則分入測試數據集(60516個樣本)。

繪制CNN模型在在線監測場景下對故障類型識別的結果。由于故障起始時間為20ms，且訓練數據中設定故障時長占比為P＞12.5%的為故障數據。因此在檢測到故障之前，每個樣本的輸出結果均為“無故障”。為清楚地展示每個信號樣本的輸出結果，在圖中將各個樣本的結果隨機地上移或下移了一定的距離。

在對模型的輸出進行后處理后，各種類型故障對應的樣本均可得到穩定的故障選相結果，且結果在故障發生后基本不發生變化，尤其是在訓練樣本不覆蓋的30ms至60ms時間范圍內也沒有觀察到選相錯誤。所有故障類型的故障檢測時間基本上在10ms以內?？紤]到在模型的實現中將包含故障后波形比例低于12.5%(對應5ms)的信號段歸入“無故障”類別，這樣的響應速度是較為迅速的。另外，觀察到在22.5～27.5ms的時間范圍內會存在誤判的情況，但在5ms后其判定基本穩定，因此可在在線監測場景下設置當模型連續3次判斷到故障時則最終判定故障。以此，也能在故障發生后的10ms（半個工頻周期）內將故障識別出來。