魏 敏，王劉旺

（1.國網(wǎng)浙江省電力有限公司嘉興供電公司，浙江 嘉興 314033；2.國網(wǎng)浙江省電力有限公司電力科學(xué)研究院，杭州 310014）

0 引言

作為大型變壓器中的關(guān)鍵部件組成，有載分接開關(guān)承擔(dān)著無功調(diào)節(jié)和穩(wěn)定功率的重要功能，由于實(shí)際工程現(xiàn)場分接開關(guān)切換十分頻繁，其故障發(fā)生率一直居高不下。異常工況下的分接開關(guān)對于變壓器穩(wěn)定運(yùn)行形成了巨大的安全隱患，若不及時甄別處理，很容易引發(fā)電網(wǎng)連鎖事故，因此有載分接開關(guān)工況識別對于保障整個電力系統(tǒng)安全可靠運(yùn)行具有重要意義［1-2］。

近些年，相關(guān)領(lǐng)域?qū)W者圍繞著有載分接開關(guān)工況甄別開展了大量研究工作，相繼提出了油液溶解氣體分析［3］、電弧監(jiān)測［4］、聲學(xué)分析［5］、溫度分析［6］等一系列工況識別策略。有載分接開關(guān)切換過程屬于瞬態(tài)觸發(fā)動作，機(jī)構(gòu)各部件間的摩擦碰撞將導(dǎo)致非平穩(wěn)非線性振動，所拾取的振動信號中包含豐富的狀態(tài)信息，因此振動分析已成為分接開關(guān)狀態(tài)監(jiān)測的重要技術(shù)手段［7-8］。

不同運(yùn)行工況下，分接開關(guān)切換過程產(chǎn)生的時域振動信號差異性較小、可區(qū)分性較差，相比于單一時域特征，通過合理的時頻分析手段將原始時域特征轉(zhuǎn)化為物理意義更為明確的二維時頻特征，可放大信號特征間的差異，便于后續(xù)狀態(tài)分類辨識?，F(xiàn)有文獻(xiàn)報道中，STFT（短時傅里葉變換）、CWT（連續(xù)小波變換）、WVD（魏格納威爾分布）是常用的變換域特征處理手段，但存在時頻聚焦性不足、分析靈活性欠佳的弊端。最近，相關(guān)學(xué)者提出一種MSSST（多重同步壓縮S變換）理論［9］，其本質(zhì)是在ST（S 變換）基礎(chǔ)上進(jìn)行多重同步壓縮處理，從而獲取能量更為集中、表達(dá)更為清晰的二維時頻特征。本文從描述振動信號時頻特征角度出發(fā)，將MSSST理論引入電氣設(shè)備狀態(tài)監(jiān)測診斷領(lǐng)域，用于提升信號特征表達(dá)維度，充分挖掘分接開關(guān)振動信號中蘊(yùn)含的特征信息。

近些年，深度學(xué)習(xí)理論在生物特征識別、大數(shù)據(jù)信息挖掘等領(lǐng)域迅速普及，作為深度學(xué)習(xí)理論中最具代表性的網(wǎng)絡(luò)結(jié)構(gòu)框架，CNN（卷積神經(jīng)網(wǎng)絡(luò)）在電力設(shè)備狀態(tài)監(jiān)測診斷領(lǐng)域也得以成功應(yīng)用［10］。經(jīng)典的CNN 運(yùn)算量及模型參數(shù)數(shù)量較大，對計(jì)算機(jī)硬件水平及存儲空間要求較高，而實(shí)際工程現(xiàn)場設(shè)備的計(jì)算能力及存儲空間有限，因此CNN 的固有缺陷限制了其在工程現(xiàn)場的普及應(yīng)用［11］。為了彌補(bǔ)這一缺陷，Howard［12］通過一種新穎的分離卷積操作替換標(biāo)準(zhǔn)的卷積運(yùn)算，在傳統(tǒng)CNN 模型基礎(chǔ)上開發(fā)出MobileNetv1 輕量級CNN模型，可有效縮減模型參數(shù)數(shù)量及訓(xùn)練時間，但是存在輸入層內(nèi)核數(shù)量固定的瓶頸。最近，Sandler 等人［13］提出一種MobileNetv2 輕量級CNN模型，其最大亮點(diǎn)是能夠在保證計(jì)算精度前提下大幅提升訓(xùn)練效率，因此本文嘗試將其引入電氣設(shè)備狀態(tài)監(jiān)測診斷領(lǐng)域，并在該模型基礎(chǔ)上融合Adaboost 自適應(yīng)提升機(jī)制，提出一種分類能力更為優(yōu)良的RLCNN（強(qiáng)化輕量級卷積神經(jīng)網(wǎng)絡(luò)）模型。

基于以上闡述，本文利用MSSST將一維時域振動波形轉(zhuǎn)換為二維時頻域圖像，擴(kuò)充特征表達(dá)維度后，通過RLCNN 模型對圖像進(jìn)行層次化的解析及分類，提出一種新穎的變壓器有載分接開關(guān)多工況識別方法。該方法充分發(fā)揮了MSSST算法在信號時頻特征刻畫上的優(yōu)勢以及RLCNN 模型在多狀態(tài)分類方面的強(qiáng)大性能，有望實(shí)現(xiàn)變壓器有載分接開關(guān)運(yùn)行工況的準(zhǔn)確判定。

1 MSSST

1.1 MSSST基本原理

對于一個給定信號x(τ)，其ST表達(dá)式為［9］：

由式（1）可知，ST 的窗函數(shù)比較靈活，其寬度可根據(jù)分析頻率ω的變化而變化，在低頻區(qū)域窗寬較大而在高頻區(qū)域窗寬較窄，但ST的時頻聚焦性仍不夠理想，存在一定提升空間。為此，相關(guān)學(xué)者借鑒多重同步壓縮變換的思想，在ST基礎(chǔ)上進(jìn)行多重同步壓縮處理，提出了MSSST 算法，具體表達(dá)式為：

式中：δ(·)為狄拉克函數(shù)；η為表達(dá)式變換中間變量；MSSST[N](t，ω)為通過同步壓縮算子迭代N次所得結(jié)果；(t，η)為瞬時頻率估計(jì)值。將MSSST[1](t，η)代入MSSST[2](t，η)可得：

式中：ξ為表達(dá)式變換中間變量。

與上述過程相似，利用同步壓縮算子迭代N次后，時頻能量重分配結(jié)果可表示為：

每一次迭代運(yùn)算，MSSST通過構(gòu)造一個新的瞬時頻率估計(jì)值來實(shí)現(xiàn)模糊ST 能量的重排分布，經(jīng)過多次迭代運(yùn)算，所得瞬時頻率估計(jì)值逐漸接近原始信號的真實(shí)頻率，從而有效提高二維圖像的時頻聚焦性。與STFT、CWT、WVD 等時頻分析方法類似，利用MSSST算法對一個給定信號進(jìn)行分析處理，所得二維圖像MSSST[N](t，ω)反映了在任意時間點(diǎn)t及頻率點(diǎn)ω處信號的能量強(qiáng)度。

1.2 MSSST時頻分析能力驗(yàn)證

為驗(yàn)證MSSST算法的時頻分析能力，模擬生成一個多分量瞬態(tài)沖擊響應(yīng)信號m（t）：

式中：R為瞬態(tài)沖擊響應(yīng)分量個數(shù)；g（t）為階躍響應(yīng)函數(shù)；Ar、εr、fr、tr、θr分別為第r個響應(yīng)分量的振動幅值、阻尼系數(shù)、振動頻率、發(fā)生時刻、初始相位；n（t）為添加的高斯白噪聲。

設(shè)置m（t）的數(shù)據(jù)點(diǎn)數(shù)Ns=1 800，采樣頻率fs=6 000 Hz，信號時長為0.3 s，所添加高斯白噪聲n（t）均值為0、標(biāo)準(zhǔn)差為0.05。本文利用3 個瞬態(tài)沖擊響應(yīng)分量來構(gòu)造模擬信號m（t），即R=3，這3個分量的相關(guān)參數(shù)設(shè)置如表1所示。為了增大信號時頻特征分辨刻畫的難度，設(shè)置這3個瞬態(tài)沖擊響應(yīng)分量在時域上相互交疊，均產(chǎn)生于0.1 s時刻。

表1 模擬信號參數(shù)設(shè)置

模擬信號波形及頻譜如圖1所示：時域波形呈現(xiàn)為能量逐漸衰減狀態(tài)，較為簡單；頻域分析中出現(xiàn)了3個明顯的譜峰，分別對應(yīng)模擬信號中包含的300 Hz、1 100 Hz、1 600 Hz頻率成分。

圖1 模擬信號波形及頻譜

分別利用MSSST、ST、MSST（多重同步壓縮變換）、STFT、CWT、WVD 等時頻分析方法對該模擬信號進(jìn)行分析處理，用于對比驗(yàn)證MSSST算法在時頻特征刻畫方面的優(yōu)勢，結(jié)果如圖2所示，為了更為清晰地對比分析，僅展示了時間軸0.08～0.18 s、頻率軸0～2 000 Hz范圍內(nèi)的時頻特征。通過觀察可以發(fā)現(xiàn)：MSSST算法所得分析結(jié)果時頻聚焦性最佳、分辨率最高，模擬信號中包含的3個頻率成分均被清晰準(zhǔn)確表達(dá)，并且沒有多余背景干擾成分；MSST和CWT算法雖然也能夠分辨出模擬信號中時域相互交疊的3個頻率成分，但是分析效果與MSSST 相比存在一定差距；ST、STFT、WVD 算法所得分析結(jié)果則不夠理想，聚焦性差、頻率成分交叉等因素導(dǎo)致未能準(zhǔn)確表達(dá)原始信號的時頻特征。

圖2 模擬信號不同時頻分析方法處理結(jié)果

為進(jìn)一步定量評價MSSST算法的性能，本文利用Rényi熵指標(biāo)對不同時頻分析方法所得結(jié)果進(jìn)行量化計(jì)算對比。Rényi熵指標(biāo)是信息評價標(biāo)準(zhǔn)中衡量二維圖像復(fù)雜度的最佳通用指標(biāo)，對于任意一個二維圖像，如果所得熵值越小，表明圖像混亂程度越低，能量聚焦性越好；反之熵值越大，表明圖像混亂程度較高，能量聚焦性較差。Rényi熵Ra的計(jì)算表達(dá)式為［14］：

式中：a為Rényi 熵的階次；Pa(t，ω)為單位能量信號的概率分布函數(shù)；TF(t，ω)為時頻分布系數(shù)，(t，ω)為TF(t，ω)的共軛。

借助式（7）分別計(jì)算圖2 中各個二維時頻圖像對應(yīng)的Rényi 熵值，本文取Rényi 熵階次a=3，所得結(jié)果如圖3 所示。圖3 中，MSSST 算法所得時頻分析結(jié)果對應(yīng)的熵值明顯小于其他對比方法，表明通過MSSST所得時頻分析結(jié)果能量聚焦特性最佳，能夠更清晰、準(zhǔn)確地表達(dá)信號時頻特征。

圖3 不同時頻分析方法Rényi熵值

2 RLCNN

2.1 MobileNetv2輕量級CNN

作為一種代表性深度學(xué)習(xí)框架，CNN 模型通過構(gòu)造多個卷積核并結(jié)合稀疏連接、權(quán)重共享、時空域降采樣，對輸入樣本進(jìn)行逐層卷積運(yùn)算及池化處理，從而實(shí)現(xiàn)樣本隱含拓?fù)浣Y(jié)構(gòu)特征的逐級提取。CNN 模型主要由圖4 所示輸入層、卷積層、池化層、扁平層和全連接層構(gòu)成。卷積層由多個卷積核組成，每個卷積核中元素分別對應(yīng)一個權(quán)重值和一個偏差量，對輸入樣本進(jìn)行卷積運(yùn)算能夠快速挖掘其隱含特征；經(jīng)由卷積層所挖掘的樣本特征被輸送到池化層實(shí)現(xiàn)參量縮減，處理方式包括最大池化、平均池化等；池化層處理后的數(shù)據(jù)被進(jìn)一步輸送到扁平層，實(shí)現(xiàn)多維至一維向量的轉(zhuǎn)換；最后，通過全連接層獲取最終所需結(jié)果［15］。

圖4 CNN模型

傳統(tǒng)CNN模型參數(shù)數(shù)量及運(yùn)算量龐大，所需存儲空間較大，對硬件配置要求較高，不利于工程現(xiàn)場普及應(yīng)用。而MobileNetv2 輕量級CNN 模型在卷積運(yùn)算時采用一種具有線性瓶頸單元的逆向殘差結(jié)構(gòu)（如圖5所示），相較于分離卷積操作運(yùn)算量更小、準(zhǔn)確率更高，該模型能夠在計(jì)算速度和識別準(zhǔn)確率之間尋求最佳平衡，有利于其在工程現(xiàn)場計(jì)算平臺中推廣應(yīng)用。

圖5 MobileNetv2模型卷積運(yùn)算

2.2 Adaboost自適應(yīng)提升機(jī)制

Adaboost 自適應(yīng)提升機(jī)制的核心思想是在訓(xùn)練樣本集中生成一系列權(quán)重系數(shù)，在此基礎(chǔ)上對訓(xùn)練樣本集進(jìn)行調(diào)整以生成多種假設(shè)條件，通過增大前一個網(wǎng)絡(luò)模型錯分樣本的權(quán)重來提高下一個網(wǎng)絡(luò)模型的識別準(zhǔn)確率，因此該機(jī)制能夠充分利用有限訓(xùn)練樣本集獲得更好的識別效果［16］。Adaboost 在迭代運(yùn)算過程中，利用多分類指數(shù)損失函數(shù)的階段性加法建模，并依據(jù)訓(xùn)練樣本集加權(quán)誤差最小化原則不斷更新權(quán)重系數(shù)。隨著迭代過程不斷推進(jìn)，正確識別的樣本集權(quán)重逐漸減小，而被誤識別的樣本集則被賦予更大權(quán)重。其實(shí)現(xiàn)步驟概述如下：

步驟1，假設(shè)訓(xùn)練集樣本類別k=1，2，…，K，樣本數(shù)為V，初始化訓(xùn)練集權(quán)重ωi=1/v（v=1，2，…，V）。

步驟2，設(shè)置最大迭代次數(shù)為M，執(zhí)行m=1～M的迭代運(yùn)算過程。

1）利用權(quán)重為ωi的訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)模型Tm(·)。

2）計(jì)算識別誤差err，m：

式中：ci為實(shí)際類別標(biāo)簽；i代表標(biāo)簽序號；v代表樣本序號；Θ(·)為指示函數(shù)，括號中內(nèi)容為真時取值為1，反之指示函數(shù)取值為0。

3）根據(jù)所得識別誤差重新計(jì)算權(quán)重系數(shù)：

式中：αm為權(quán)重系數(shù)。

4）更新權(quán)重：

5）對權(quán)重進(jìn)行歸一化處理。

步驟3，獲得最終識別結(jié)果C：

2.3 基于MobileNetv2-Adaboost 的RLCNN模型

實(shí)際工程中，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效果通常受數(shù)據(jù)集樣本大小、維度及總量的影響，為了在有限訓(xùn)練樣本集條件下獲得最佳識別效果，提高變壓器有載分接開關(guān)不同運(yùn)行工況的辨識準(zhǔn)確率，本文結(jié)合Adaboost 自適應(yīng)提升機(jī)制在集成學(xué)習(xí)方面的能力，以及MobileNetv2 輕量級CNN 在圖像識別領(lǐng)域的優(yōu)勢，提出一種基于MobileNetv2-Adaboost 的RLCNN 模型，該模型通過Adaboost自適應(yīng)提升機(jī)制對多個MobileNetv2網(wǎng)絡(luò)進(jìn)行強(qiáng)化學(xué)習(xí)訓(xùn)練，并將所有網(wǎng)絡(luò)輸出結(jié)果按不同權(quán)重進(jìn)行組合，從而獲得更高的識別準(zhǔn)確率，RLCNN實(shí)現(xiàn)流程如圖6所示。

圖6 RLCNN模型實(shí)現(xiàn)流程

3 實(shí)驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)采集

為了驗(yàn)證本文所提識別方法的有效性，在CM型110 kV 有載分接開關(guān)工況模擬實(shí)驗(yàn)臺上開展實(shí)驗(yàn)研究。實(shí)驗(yàn)臺結(jié)構(gòu)如圖7（a）所示，主要包含油箱、齒輪盒、電動機(jī)構(gòu)、絕緣筒、分接選擇器、切換開關(guān)。分別設(shè)置分接開關(guān)正常運(yùn)行、主彈簧松動、主觸頭磨損和傳動機(jī)構(gòu)卡澀4種類型的運(yùn)行工況。振動傳感器采用東華1A110E型壓電式加速度傳感器，該傳感器具有分辨率高、抗干擾能力強(qiáng)的優(yōu)點(diǎn)。采用粘合安裝方式將壓電加速度傳感器布置在分接開關(guān)頂端及側(cè)壁位置，如圖7（b）所示，用于采集開關(guān)切換動作產(chǎn)生的振動信號，設(shè)置采樣頻率為20 kHz，利用NI9234 采集卡實(shí)現(xiàn)模/數(shù)轉(zhuǎn)換后輸入到計(jì)算機(jī)中進(jìn)行數(shù)據(jù)存儲及后續(xù)分析處理。實(shí)驗(yàn)過程中，將分接開關(guān)置于充滿油液的油箱中，模擬分接開關(guān)在變壓器油箱中的運(yùn)行環(huán)境，使振動信號更接近實(shí)際工程環(huán)境。

圖7 有載分接開關(guān)實(shí)驗(yàn)臺

整個實(shí)驗(yàn)過程中，通過加速度傳感器分別采集分接開關(guān)正常工況及3種故障工況產(chǎn)生的振動信號，每種工況取500組樣本信號，每組樣本信號包含10 000個數(shù)據(jù)點(diǎn)，整個數(shù)據(jù)集共包含2 000組樣本。從中隨機(jī)抽取80%樣本作為訓(xùn)練集用于訓(xùn)練RLCNN 模型參數(shù)，剩余20%樣本作為測試集用于評估本文所提方法的識別能力，因此構(gòu)造的訓(xùn)練集樣本為1 600 組，測試集樣本為400 組。圖8為分接開關(guān)不同工況下測取的樣本信號時域波形及頻域譜圖，其中g(shù)為重力加速度。通過對比可以發(fā)現(xiàn)，分接開關(guān)傳動機(jī)構(gòu)卡澀樣本波形與其他運(yùn)行工況下的波形存在一定差異，而正常工況與主彈簧松動、主觸頭磨損工況下切換動作所產(chǎn)生的樣本信號波形及譜圖的差異不明顯。尤其是正常工況和主觸頭磨損工況相比，二者的樣本信號波形及譜圖極為相似，究其原因主要由于觸頭磨損對于分接開關(guān)整體動態(tài)特性所造成的影響不明顯。總體來看，僅憑借時域波形及頻域譜圖觀察難以進(jìn)行特征捕捉，無法快速有效地區(qū)分出有載分接開關(guān)的不同運(yùn)行工況。

3.2 分接開關(guān)工況辨識

下面利用本文提出的方法對變壓器有載分接開關(guān)運(yùn)行工況進(jìn)行自動辨識。首先，利用MSSST時頻分析算法對樣本信號進(jìn)行處理，將一維時域波形轉(zhuǎn)換為二維時頻圖像，實(shí)現(xiàn)特征增維，便于后續(xù)RLCNN模型的訓(xùn)練及測試。以圖8中分接開關(guān)不同工況樣本信號為例，經(jīng)MSSST處理后所得結(jié)果如圖9所示，為了表達(dá)更為清晰，僅展示時間軸0.05～0.3 s、頻率軸0～8 000 Hz 范圍內(nèi)的時頻特征。對比后可發(fā)現(xiàn)：有載分接開關(guān)正常工況下切換動作所產(chǎn)生的振動信號能量主要分布在0～2 000 Hz及4 000～6 000 Hz范圍內(nèi)；主彈簧松動狀態(tài)下機(jī)構(gòu)剛度有所下降，振動信號能量分布稍有偏移，主要分布在0～2 000 Hz 及4 500～7 000 Hz 范圍內(nèi)；分接開關(guān)主觸頭磨損狀態(tài)對于機(jī)構(gòu)整體動態(tài)特性影響較小，其時頻分析結(jié)果與正常工況下所得結(jié)果十分相似；傳動機(jī)構(gòu)卡澀狀態(tài)下，分接開關(guān)完成整個切換動作所需時間有所延遲，能量分布主要集中在3 500～6 500 Hz 范圍內(nèi)，不同工況樣本所呈現(xiàn)的二維時頻圖差異性更大，可區(qū)分性有所提升。

圖8 不同工況樣本波形及頻譜

圖9 不同工況樣本MSSST處理結(jié)果

利用Python 編程語言在Windows 平臺上搭建RLCNN 模型，相應(yīng)的計(jì)算機(jī)硬件水平為Intel Core i7-8700k 處理器、32 GB 內(nèi)存環(huán)境、Nvidia GTX 1080Ti GPU。參考文獻(xiàn)［11］對單一Mobile?Netv2網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行設(shè)置，具體參數(shù)設(shè)置情況如表2 所示。其中擴(kuò)展因子可調(diào)整輸入圖像尺寸，除第一層外其他層步長均設(shè)置為1，空間卷積運(yùn)算均使用3×3卷積核。

表2 MobileNetv2網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

全面考慮訓(xùn)練集樣本數(shù)量、類別及長度、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度、計(jì)算機(jī)內(nèi)存大小、處理器性能等諸多影響因素，本文對網(wǎng)絡(luò)模型超參數(shù)設(shè)置情況如下：在不爆顯存條件下，應(yīng)該盡可能地選用較大的批數(shù)據(jù)尺寸，在此設(shè)置單一MobileNetv2網(wǎng)絡(luò)批數(shù)據(jù)大小為32；學(xué)習(xí)率的選取則參考文獻(xiàn)［13］，直接設(shè)置為0.000 1；在訓(xùn)練過程中利用Model?Checkpoint函數(shù)在每個迭代周期后檢查模型識別準(zhǔn)確率是否提升來保存最佳模型，最終設(shè)置迭代輪次為40，可防止因迭代次數(shù)過多而造成的過擬合現(xiàn)象；由于樣本集包含了分接開關(guān)4種不同狀態(tài)樣本，因此樣本類別數(shù)為4；損失函數(shù)選取為交叉熵。

構(gòu)建RLCNN 模型時，需要通過Adaboost 自適應(yīng)提升機(jī)制集成多個MobileNetv2網(wǎng)絡(luò)，由于目前缺少理論借鑒及相關(guān)文獻(xiàn)報道參考，本文通過多次實(shí)驗(yàn)來確定網(wǎng)絡(luò)數(shù)量。對比發(fā)現(xiàn)，當(dāng)MobileNetv2網(wǎng)絡(luò)數(shù)量為5時，所構(gòu)建RLCNN模型的識別準(zhǔn)確率達(dá)到穩(wěn)定狀態(tài)，之后隨著網(wǎng)絡(luò)數(shù)量增大，準(zhǔn)確率不再出現(xiàn)明顯提升。因此，綜合考慮模型的可靠性及運(yùn)算負(fù)擔(dān)，本文利用5 個單一MobileNetv2網(wǎng)絡(luò)進(jìn)行集成來構(gòu)建RLCNN 模型。在Adaboost迭代運(yùn)算過程中，通過訓(xùn)練樣本集加權(quán)誤差最小化原則來不斷更新各個單一MobileNetv2網(wǎng)絡(luò)的權(quán)重系數(shù)，訓(xùn)練結(jié)束后各個網(wǎng)絡(luò)可自動獲得其最佳權(quán)重配比，從而使得所構(gòu)建的RLCNN 模型具有良好的整體識別性能。

利用MSSST算法處理所得樣本信號獲取二維時頻圖像后，將其輸入到RLCNN 模型中進(jìn)行訓(xùn)練及測試。為了保障識別結(jié)果的可靠性，在網(wǎng)絡(luò)參數(shù)相同條件下識別30 次，并計(jì)算識別結(jié)果的平均值，最終測試集樣本的平均識別準(zhǔn)確率高達(dá)99.32%。為驗(yàn)證基于Adaboost自適應(yīng)提升機(jī)制的RLCNN 模型的優(yōu)勢，繪制出單一MobileNetv2 網(wǎng)絡(luò)在訓(xùn)練集和測試集上的識別準(zhǔn)確率及損失值，如圖10和圖11所示。從圖中可以看到，隨著輪次的增加，訓(xùn)練集和測試集樣本的識別準(zhǔn)確率均逐漸增大，到第25輪時識別準(zhǔn)確率接近95%后不再提升，而訓(xùn)練集和測試集樣本的損失值也在第25輪時處于收斂狀態(tài)，下降至0.1后不再變化。就呈現(xiàn)結(jié)果來看，單一MobileNetv2網(wǎng)絡(luò)的識別效果仍存在一定提升空間，而通過Adaboost 自適應(yīng)提升機(jī)制將多個輕量級CNN 進(jìn)行融合，所構(gòu)建的RLCNN模型則優(yōu)勢更加明顯。

圖10 單一MobileNetv2網(wǎng)絡(luò)訓(xùn)練及測試準(zhǔn)確率

圖11 單一MobileNetv2網(wǎng)絡(luò)訓(xùn)練及測試損失值

3.3 方法對比研究

為了驗(yàn)證MSSST算法在分接開關(guān)振動信號時頻特征提取方面的優(yōu)勢，分別利用MSSST、MSST、CWT、ST、STFT 和WVD 等時頻分析方法對分接開關(guān)正常及故障運(yùn)行工況下拾取的樣本信號進(jìn)行處理，并將所得時頻圖像輸入到RLCNN模型中進(jìn)行測試。在參數(shù)相同條件下識別30 次來保障對比結(jié)果的準(zhǔn)確性，所得結(jié)果如圖12及表3所示。其中利用MSSST算法提取樣本時頻特征后，RLCNN模型的平均識別準(zhǔn)確率最高，達(dá)到99.32%，比MSST、CWT、ST、STFT、WVD算法分別高6.81%、12.18%、19.55%、22.93%、34.64%。此外，利用MSSST 算法進(jìn)行時頻特征提取，RLCNN 模型30 次識別結(jié)果的標(biāo)準(zhǔn)差僅為0.359，均小于其他時頻分析算法識別結(jié)果的標(biāo)準(zhǔn)差，由此表明MSSST算法提取出的時頻特征更加穩(wěn)定、魯棒性更佳。

表3 不同時頻分析方法準(zhǔn)確率對比

圖12 不同識別次數(shù)準(zhǔn)確率對比

為了驗(yàn)證本文所提有載分接開關(guān)工況識別方法的優(yōu)越性，分別利用單一MobileNetv2 模型、CNN模型、ELM（極限學(xué)習(xí)機(jī)）［17］、SVM（支持向量機(jī)）［18］、BP（反向傳播）神經(jīng)網(wǎng)絡(luò)［19］來識別分接開關(guān)的運(yùn)行工況，設(shè)置5種對比方法與本文所提出的識別方法進(jìn)行比較，見表4。與RLCNN模型相同，單一MobileNetv2 模型以及CNN 模型均可以直接從二維時頻圖像中自動提取特征信息，因此可將MSSST處理所得結(jié)果直接作為模型輸入，而傳統(tǒng)的ELM、SVM、BP 分類器則無法像深度學(xué)習(xí)網(wǎng)絡(luò)模型一樣自動讀取并捕捉二維時頻圖像的特征，需要人為干預(yù)構(gòu)造合理的特征向量作為輸入才能夠?qū)ζ溥M(jìn)行訓(xùn)練。在現(xiàn)有文獻(xiàn)報道中，多尺度熵算法已被大量用于描述信號動態(tài)特征，在電力設(shè)備狀態(tài)監(jiān)測診斷領(lǐng)域具有諸多成功應(yīng)用案例，并獲得了廣泛認(rèn)可，因此本文計(jì)算有載分接開關(guān)不同運(yùn)行工況下樣本信號的MPE（多尺度排列熵值）［20］作為ELM、SVM 和BP 模型的特征向量輸入。

表4 6種識別方法比較

在訓(xùn)練集/測試集數(shù)量比為4∶1 條件下，即訓(xùn)練集樣本1 600 個、測試集樣本400 個，分別利用6 種方法識別30 次并計(jì)算準(zhǔn)確率均值，最終結(jié)果圖14所示。從圖中可以看出，本文提出的方法（方法1）識別準(zhǔn)確率最高，達(dá)到99.35%，而方法2—6的識別準(zhǔn)確率均值分別為94.76%、95.21%、89.34%、88.27%、84.63%，均低于本文所提方法。在訓(xùn)練速度方面，RLCNN、MobileNetv2、CNN 深度學(xué)習(xí)模型內(nèi)部包含大量的網(wǎng)絡(luò)參數(shù)，因此相比于傳統(tǒng)的ELM、SVM、BP 機(jī)器學(xué)習(xí)模型所需訓(xùn)練時間明顯增多。需要指出的是，傳統(tǒng)CNN深度學(xué)習(xí)模型參數(shù)大小為550 MB，單一Mo?bileNetv2網(wǎng)絡(luò)模型參數(shù)大小僅為13.5 MB，而由5個單一MobileNetv2網(wǎng)絡(luò)所構(gòu)造的RLCNN 模型參數(shù)大小也僅為67.5 MB，與傳統(tǒng)CNN 深度學(xué)習(xí)模型相比，在保證識別精度的前提下網(wǎng)絡(luò)規(guī)模明顯減小。當(dāng)圖14 中的不同方法完成訓(xùn)練后，應(yīng)用于測試樣本識別時所需時間相差不大，以任意一個隨機(jī)樣本為例，分別利用方法1—6 對其工況進(jìn)行識別，計(jì)算耗時分別為0.75 s、0.64 s、0.88 s、0.21 s、0.27 s、0.39 s，均能夠滿足實(shí)際工程現(xiàn)場需求，但是本文所提方法能夠獲得最高的識別精度。因此，綜合對比分析，本文提出的方法具有明顯優(yōu)勢。

圖13 不同工況樣本MPE曲線

圖14 不同識別方法平均準(zhǔn)確率

為了進(jìn)一步驗(yàn)證本文所提識別方法的穩(wěn)定性，從2 000個樣本集中隨機(jī)抽取出不同數(shù)量的訓(xùn)練樣本，針對分接開關(guān)4種運(yùn)行工況狀態(tài)，分別組成數(shù)量比為3∶1、2∶1、1∶1、1∶2 的訓(xùn)練集和測試集，如表5所示。利用表5中不同比例條件下的樣本集對圖14 中的6 種識別方法進(jìn)行訓(xùn)練及測試，所得平均準(zhǔn)確率統(tǒng)計(jì)結(jié)果如表6所示。整體來看，無論在何種比例條件下，本文方法的識別準(zhǔn)確率均優(yōu)于其他對比方法。由表6的比較結(jié)果可以進(jìn)一步看出，隨著訓(xùn)練集樣本的減少，所有識別方法的平均識別準(zhǔn)確率均有所下將，但本文方法的識別準(zhǔn)確率并未像其他對比方法一樣出現(xiàn)顯著下降。即使在訓(xùn)練集樣本數(shù)明顯小于測試集樣本數(shù)時（數(shù)量比為1∶2），本文方法的平均識別準(zhǔn)確率仍能達(dá)到91.76%，而其他方法的平均準(zhǔn)確率分別為82.38%、83.69%、76.51%、73.27%、61.87%，表明利用本文方法進(jìn)行分接開關(guān)運(yùn)行工況識別時，穩(wěn)定性較好。究其主要原因在于以下兩個方面：MSSST時頻分析方法可以從原始振動信號中捕捉到敏感的差異性時頻特征，為后續(xù)模型的工況識別奠定了良好基礎(chǔ)；在MobileNetv2 網(wǎng)絡(luò)中引入了Ada?boost 自適應(yīng)提升機(jī)制，該機(jī)制通過逐步構(gòu)造更為困難的學(xué)習(xí)問題，能夠在少量有限數(shù)據(jù)集條件下有效實(shí)現(xiàn)模型的強(qiáng)化訓(xùn)練，從而獲得更為強(qiáng)大的分類能力。

表5 不同比例的訓(xùn)練集、測試集組成

表6 不同識別方法下各訓(xùn)練集平均準(zhǔn)確率

4 結(jié)語

針對有載分接開關(guān)運(yùn)行工況識別問題，本文提出一種基于MSSST和RLCNN的識別方法，所得結(jié)論如下：

1）利用MSSST算法對分接開關(guān)振動信號進(jìn)行處理，能夠獲得比傳統(tǒng)時頻分析方法更為精細(xì)的時頻特征表達(dá)，有效提升樣本的特征維度，有利于實(shí)現(xiàn)分接開關(guān)運(yùn)行工況的準(zhǔn)確判定。

2）以多個MobileNetv2 輕量級CNN 作為基分類器，通過Adaboost 自適應(yīng)提升機(jī)制對其進(jìn)行強(qiáng)化學(xué)習(xí)訓(xùn)練，并按不同權(quán)重進(jìn)行組合，可構(gòu)造出性能更為優(yōu)越的RLCNN。

3）實(shí)驗(yàn)結(jié)果表明，本文所提方法可自動實(shí)現(xiàn)分接開關(guān)多工況的準(zhǔn)確辨識，與其他方法相比，識別準(zhǔn)確率更高，穩(wěn)定性更好，優(yōu)勢更為明顯，具有一定的實(shí)際工程應(yīng)用價值。

由于有載分接開關(guān)故障類型較多，在后續(xù)研究中將不斷積累構(gòu)建其典型多樣性故障數(shù)據(jù)庫，用于強(qiáng)化完善本文所提方法的識別能力，提高變壓器有載分接開關(guān)的運(yùn)行可靠性。